[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

说明书

本发明提供了一种领域自适应原油泄露检测模型训练方法、检测方法及装置。训练方法包括：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源域图像数据集建立的原油泄露检测模型；S2，构建训练集，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。将源域图像和目标域图像均作为训练集样本，直接借用基于源域图像数据集训练获得的原油泄露检测模型进行训练，实现源域到目标域的知识迁移，训练后获得的领域自适应原油泄露检测模型能够自适应对目标域图像进行原油泄露检测，在目标域有良好的原油泄露检测精度。

技术领域

本发明涉及图像处理技术领域，具体涉及一种领域自适应原油泄露检测模型训练方法、检测方法及装置。

背景技术

采用基于神经网络的深度学习模型进行原油管道泄露检测的方法应用越来越广泛。在不同任务情况下(如工厂不同、拍摄设备不同、光照环境不同等情况)采集的管道原油泄漏图像数据表现形式不同。如果在其中某个任务的图像数据集上进行标注(即设置标签)，然后进行基于神经网络的深度学习模型训练，得到的模型在当前任务的图像数据集上可能会表现良好，但是对于其它任务的图像数据集，由于这些数据集与模型的训练数据集存在着分布差异，在其它任务中原油泄露检测效果差，无法自适应性检测。因此，现有技术中为确保检测精度需要针对不同的任务重新制作训练数据集进行模型训练，耗费时间。

发明内容

本发明旨在至少解决现有技术中存在的技术问题，特别创新地提出了一种领域自适应原油泄露检测模型训练方法、检测方法及装置。

为了实现本发明的上述目的，根据本发明的第一个方面，本发明提供了一种领域自适应原油泄露检测模型训练方法，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。

上述技术方案：源域图像数据集为之前任务场景的图像集合，目标域图像数据集为当前任务场景(需要进行原油泄露检测的任务场景)的图像集合。将源域图像和目标域图像均作为训练集样本，直接借用基于源域图像数据集训练获得的原油泄露检测模型进行训练，实现源域到目标域的知识迁移，经过训练后获得的领域自适应原油泄露检测模型能够自适应对目标域图像进行原油泄露检测，在目标域获得良好的原油泄露检测精度，无需为目标域图像打标签来构建训练集，也无需重新构建深度学习神经网络结构，节省了训练时间。

在本发明的一种优选实施方式中，所述原油泄露检测模型的网络结构为FasterRCNN，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。

上述技术方案：将对抗域适应损失作为迭代训练中的优化指标，随着迭代训练的进行，优化特征提取器网络参数，使其输出的特征图不容易或不能判别出其所属源域还是目标域，实现了源域到目标域的知识迁移，提高域适应性；将分布差异损失作为迭代训练中的优化指标，随着迭代训练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逐渐减小，实现了源域到目标域的知识迁移，提高域适应性。