一种基于高效通道注意力机制的火灾烟雾图像分割方法

技术特征：
1.一种基于高效通道注意力机制的火灾烟雾图像分割方法，其特征在于，包括以下步骤：获取训练图片，输入所述训练图片的标签信息；构建图像分割模型，基于所述图像分割模型对所述标签信息分别进行下采样与上采样；基于跳跃连接结构获取与所述训练图片尺寸大小相同的数据；计算dice损失函数并基于所述dice损失函数判断所述图像分割模型是否收敛，若模型收敛，则输出图像分割模型；对所述图像分割模型进行测试，获取分割结果。2.根据权利要求1所述的基于高效通道注意力机制的火灾烟雾图像分割方法，其特征在于，基于所述图像分割模型对所述标签信息分别进行下采样与上采样的过程中包括：构建高效通道注意力机制；基于所述高效通道注意力机制与所述图像分割模型对所述标签信息进行下采样；基于所述下采样的输出结果进行上采样。3.根据权利要求1所述的基于高效通道注意力机制的火灾烟雾图像分割方法，其特征在于，对所述标签信息分别进行下采样与上采样的过程中还包括：进行下采样的过程中将所述图像分割模型的卷积池化单元替换为空洞卷积；所述空洞卷积的第四层卷积核为5
×
5，第五层卷积核变为21
×
21。4.根据权利要求3所述的基于高效通道注意力机制的火灾烟雾图像分割方法，其特征在于，所述空洞卷积第四层与第五层的空洞率分别设置为2和4，当空洞率为2时，所述空洞卷积感受野的计算公式为：rf
i 1
＝rf
i
(k-1)
×
s
i
其中，rf
i 1
表示当前层的感受野，rf
i
表示上一层的感受野，k表示卷积核大小；当空洞率为4时，则在上述计算公式的基础上将上一层的感受野变为空洞率为2时计算出来的感受野，且卷积核大小发生改变。5.根据权利要求2所述的基于高效通道注意力机制的火灾烟雾图像分割方法，其特征在于，所述高效通道注意力机制包括：在不降低维数的通道级全局平均池化之后，通过考虑每个通道及其k个邻居来捕获局部跨通道交互信息，k代表局部跨通道交互的覆盖率。6.根据权利要求1所述的基于高效通道注意力机制的火灾烟雾图像分割方法，其特征在于，基于跳跃连接结构获取与原图尺寸大小相同的数据的过程包括：基于跳跃连接结构，将相同维度的下采样图像和上采样图像相加，以连接底层信息和高层信息，获取与原图片尺寸大小相同的数据。7.根据权利要求1所述的基于高效通道注意力机制的火灾烟雾图像分割方法，其特征在于，所述dice损失函数的计算方法为：其中，x代表ground truth标签，y代表预测的分割图像。
8.根据权利要求1所述的基于高效通道注意力机制的火灾烟雾图像分割方法，其特征在于，基于所述dice损失函数判断模型是否收敛的过程中还包括：若模型不收敛，则将误差反向传播，更新网络模型参数。9.根据权利要求1所述的基于高效通道注意力机制的火灾烟雾图像分割方法，其特征在于，对所述图像分割模型进行测试的过程包括：将测试样本图像输入至训练后的深度神经网络进行测试。

技术总结
本发明公开了一种基于高效通道注意力机制的火灾烟雾图像分割方法，包括：获取训练图片，输入训练图片的标签信息；对标签信息分别进行下采样与上采样；基于跳跃连接结构获取与训练图片尺寸大小相同的数据；计算Dice损失函数并根据Dice损失函数判断模型是否收敛，若模型收敛，则输出图像分割模型；对图像分割模型进行测试，获取分割结果。本发明提出了基于高效通道注意力机制的(DCECA-Unet )模型，该模型不仅降低了网络模型的参数量，而且对火焰烟雾的分割有良好性能。雾的分割有良好性能。雾的分割有良好性能。


技术研发人员：王星星 黄子豪 贾阳 滑文强 苏亮旭 邢琎 罗佳琪
受保护的技术使用者：西安邮电大学
技术研发日：2022.08.23
技术公布日：2022/11/29