[发明专利]一种基于双语义注意力机制的高精度火焰定位方法及系统

说明书

本发明公开了一种基于双语义注意力机制的高精度火焰定位方法及系统，该方法包括：通过编码器对输入图像进行多层次特征提取，得到对应的空间细节和高级上下文特征。解码器用于逐步聚合高级上下文特征和低级空间细节，并生成火焰分割图。在解码操作之前，对编码器得到的层级特征进行全局和局部感知注意机制处理，来捕获更完整的高级语义和全局上下文信息，之后采用具有双线性插值的四个交叉语义注意机制获取优化后的局部空间细节信息，采用特征融合策略来聚合高级上下文特征和低级的空间细节特征，并通过自优化机制来捕获每个解码层内部特征图之间的异同并逐步生成火焰分割图，实现对火焰像素级别的精准定位。

技术领域

本发明涉及机器视觉及深度学习技术领域，特别涉及一种基于双语义注意力机制的高精度火焰定位方法及系统。

背景技术

火灾作为一个高度频发、破环性极大的自然灾害，严重威胁着人们的生命财产安全，大规模的火灾还会给生态平衡造成巨大的创伤。如2019年以来亚马孙森林火灾数量超过7.2万起，火灾频发严重影响着周边居民的生产生活。2109年澳大利亚大火事件对全球经济和生态环境造成重大影响，截至2020年7月28日，澳大利亚丛林大火或已致30亿动物死亡。2019年4月，法国巴黎圣母院发生火灾，其标志性尖顶被烧断，坍塌倒下，整座建筑损毁严重。因此，为避免火灾大规模蔓延造成的严重损失，及时准确的火灾探测和定位至关重要。

随着科学技术的进步，现有的火灾探测方法可以分为传统的接触式传感器和计算机视觉两大类。前者包括烟雾传感器，颗粒传感器和温度传感器等。受部署密度的限制，基于接触传感器的方法无法覆盖较大的区域。基于视觉的火灾探测方法具有覆盖范围广和响应速度快的优点，受到社会各界的广泛关注。在2015年之前，基于视觉的火灾探测主要依靠手工设计的特征，例如颜色、形状、纹理和动态特征等。该类方法的主要缺点手工设计特征非常复杂繁琐，较高的错误检测率以及缺乏鲁棒性。近年来，随着将深度学习技术引入基于视觉的火灾探测中，使得火灾探测技术取得了长足的进步。但是，现有方法均属于图像级别的火灾检测，仅能识别图像中是否有火灾，而无法获得火灾的方向、位置和范围大小等信息。

发明内容

本发明的目的在于克服现有火灾检测方法存在的技术缺陷，提出了一种基于双语义注意力机制的高精度火焰定位方法及系统，该方法能够进行像素级别的火焰检测，实现对火焰的定位，大大提高了火灾的检测精度，也更适用于复杂情况下的火灾检测。

为了实现上述目的，本发明提出了一种基于双语义注意力机制的高精度火焰定位方法；所述方法包括：

步骤1)数据预处理，将训练所需图片按每组a张随机分成m组；

步骤2)随机读取一组图片，由具有n层结构的编码器对输入图像进行多层次特征提取，得到每一层对应的层级特征f_i，i∈[1,n]；

步骤3)将步骤2)中最后一层的层级特征f_n，进行全局和局部感知注意机制处理，捕获更丰富的高级语义和全局上下文信息，得到全局及局部语义融合特征f'_n；

步骤4)将编码器第i层输出的所述层级特征f_i，i∈[1,n-1]，与所述全局及局部语义融合特征f'_n进行交叉语义注意机制处理，优化局部空间细节信息，得到第i层的局部空间细节优化特征

步骤5)将编码器第n-i层的局部空间细节优化特征与对应的第i层解码器的输出f_i-d进行特征融合机制处理后，得到解码器每层的输出特征i∈[1,n-1]，对进行自优化机制处理，得到自优化输出结果o_i，其中，所述解码器第1层的输入为所述全局及局部语义融合特征f'_n经自优化机制处理后的输出f_in-d；

步骤6)对所述解码器最后一层的输出f_n-d，进行上采样，得到与原始输入图像相同分辨率的输出特征；