[发明专利]领域自适应原油泄露检测模型训练方法、检测方法及装置

权利要求书

1.一种领域自适应原油泄露检测模型训练方法，其特征在于，包括：

步骤S1，获取具有标签的源域图像数据集、不具有标签的目标域图像数据集和基于所述源域图像数据集建立的原油泄露检测模型；

步骤S2，构建训练集，所述训练集包括具有标签的源域图像数据和不具有标签的目标域图像数据，利用训练集对所述原油泄露检测模型进行迭代训练获得领域自适应原油泄露检测模型。

2.如权利要求1所述的领域自适应原油泄露检测模型训练方法，其特征在于，所述原油泄露检测模型的网络结构为Faster RCNN，迭代训练中的目标损失函数包括对抗域适应损失和/或分布差异损失；

所述对抗域适应损失用于表征原油泄露检测模型的特征提取器提取的源域图像的特征图和目标域图像的特征图的域类别明显性；

所述分布差异损失用于表征原油泄露检测模型的ROI池化网络输出的源域图像的候选区域特征和目标域图像的候选区域特征的分布差异。

3.如权利要求2所述的领域自适应原油泄露检测模型训练方法，其特征在于，所述对抗域适应损失的获取方法包括：

构建域判别器网络，所述域判别器网络用于判断特征提取器输出的特征图来源于源域还是目标域；

根据域判别器网络的输出结果按照如下公式计算对抗域适应损失为：

其中，D_i表示训练集中第i个样本对应的域判别器网络D的输出结果；Domain_i表示训练集中第i个样本的域标签，若Domain_i＝0，则第i个样本为源域图像，若Domain_i＝1，则第i个样本为目标域图像。

4.如权利要求2或3所述的领域自适应原油泄露检测模型训练方法，其特征在于，所述分布差异损失为：

其中，n_s表示源域图像数据集的图像数量，j和j均表示目标域图像数据集中图像的索引，j≠j′，表示第j个源域图像，表示第j′个源域图像；n_t表示目标域图像数据集的图像数量，k和k′均表示源域图像数据集中图像的索引，k≠k′，表示第k个目标域图像，表示第k′个目标域图像；表示ROI池化网络输出的第j个源域图像的候选区域特征；表示ROI池化网络输出的第j′个源域图像的候选区域特征；表示ROI池化网络输出的第k个目标域图像的候选区域特征；表示ROI池化网络输出的第k′个目标域图像的候选区域特征；K(A，B)表示求取候选区域特征A和候选区域特征B的特征核。

5.如权利要求2或3所述的领域自适应原油泄露检测模型训练方法，其特征在于，迭代训练中以目标损失函数函数值最小为优化目标不断调整Faster RCNN的网络参数，所述目标损失函数为：

其中，表示RPN网络损失；表示ROI池化网络损失；λ表示第一权值，λ∈[0，3]；表示对抗域适应损失；表示分布差异损失。

6.一种领域自适应原油泄露检测模型训练装置，其特征在于，包括：

获取模块：获取具有标签的源域图像数据集、不具有标签的目标域图像数据集和基于源域图像数据集建立的原油泄露检测模型；

训练模块：构建训练集，所述训练集包括具有标签的源域图像数据集和不具有标签的目标域图像数据集，利用训练集对所述原油泄露检测模型进行迭代训练获得领域自适应原油泄露检测模型。

7.一种领域自适应原油泄露检测模型训练网络结构，其特征在于，包括特征提取器、RPN网络、ROI池化网络、域判别器网络和分类输出层，所述特征提取器的输出端分别与RPN网络的输入端、域判别器网络的输入端和ROI池化网络的输入端连接，RPN网络的输出端与ROI池化网络的输入端连接，ROI池化网络的输出端与分类输出层连接；

所述域判别器网络用于判断特征提取器输出的特征图来源于源域还是目标域。