发明内容
针对现有技术之不足,本发明提供了一种寻找建筑物渗漏源位置的方法。
所述寻找建筑物渗漏源位置的方法可以包括:
通过FCN-DARG分割算法对建筑物热成像图进行分割,找到最低温度点,从而获取第一可能的渗漏源位置;
通过双判别器生成式对抗网络从建筑物的建筑原图中获取第二可能的渗漏源位置;
通过高斯分布对所述第一可能的渗漏源和所述第二可能的渗漏源进行综合判定,获取准确的渗漏源位置。
根据本发明的一个优选实施方式,所述通过FCN-DARG分割算法对建筑物热成像图进行分割,找到最低温度点,从而获取第一可能的渗漏源位置,包括如下步骤:
S110:利用FCN获取建筑物原始红外图像的特征,并从卷积网络的不同阶段以卷积计算从像素级别进行语义预测分类,形成FCN粗分割结果;
S120:在FCN粗分割结果得到的目标区域取其最小矩形框,获得目标区域的位置;
S140:在所述原始红外图像上以所述最小矩形框利用自适应区域生长算法对图像结果进行二次分割,形成二次分割结果;
S150:将所述FCN粗分割结果与所述二次分割结果融合,得到最低温度点,从而获取第一可能的渗漏源位置。
根据本发明的一个优选实施方式,所述自适应区域生长算法包括如下步骤:
S141:根据FCN粗分割结果,取目标分割结果最小外接矩形框,并根据矩形框定位,在原始红外图像上提取矩形框位置的图像;
S142:将所取矩形框的质心作为区域生长的初始种子点,按照8领域的方式,将种子点的8领域像素点定义为生长初始区域s0,计算S0的像素均值m0和动态差D0,并将S0内所有像素灰度值置为m0;
S143:按步骤142进行迭代,每次均需按公式(1)计算Dn和mn的值来确定新的可生长的像素点的阈值范围Ωn:
Ωn=[mn-1-θDn-1,mn-1+θDn-1] (1)
在公式(1)中,θ为调节因子;
Dn为动态差,定义如公式(2)所示:
其中,x1,x2,…,xn为每一次迭代时新加入的像素灰度值,mn为第n次迭代后已生长区域内所有像素点的平均灰度值;
S144:若第n次生长后的区域Sn不再扩大或达到预先设定的阈值,生长停止。
根据本发明的一个优选实施方式,将所述FCN粗分割结果与所述二次分割结果融合,得到最低温度点,从而获取第一可能的渗漏源位置,具体如下:
设FCN分割结果面积为SFCN;动态自适应区域生长得到的分割结果面积为SDARG,为了统一灰度值以方便图像叠加,将二者的像素同时取值为1,叠加两个分割结果,最终融合图像I(x,y)结果取值按照公式(3)确定:
根据本发明的一个优选实施方式,所述通过双判别器生成式对抗网络从建筑物的建筑原图中获取第二可能的渗漏源位置,包括如下步骤:
步骤S210:将建筑原图传入生成器,生成器生成一张渗漏源的图片;
步骤S220:将所述渗漏源的图片传入第一判别器,所述第一判别器对所述渗漏源的图片进行判定,得到第一判断结果;
步骤S230:将所述渗漏源的图片传入第二判别器,所述第二判别器对所述渗漏源的图片进行判定,得到第二判断结果;其中,所述第一判别器和所述第二判别器参数不共享;
步骤S240:对所述第一判断结果和所述第二判断结果进行整体判断,获得所述第二可能的渗漏源位置。
根据本发明的一个优选实施方式,在所述步骤S210之前还包括生成器训练步骤;
在所述步骤S220之前还包括第一判别器训练步骤;
在所述步骤S230之前还包括第二判别器训练步骤。
根据本发明的一个优选实施方式,所述第一判别器训练步骤包括:
S251:收集n个渗漏建筑原图,以及对应的渗漏源,成立一个样本集合:{(c1,x1),(c2,x2),...,(cn,xn)},其中c为渗漏建筑原图,x为对应渗漏源;
S252:从一个分布中获取n个噪声样本{z1,z2,...,zn};
S253:从生成器获取n个生成的数据
S254:从数据库获取n个随机的渗漏源图片
S255:将步骤S251-S254收集的数据带入公式(14)、公式(15),调整参数θd,使其达到最大;
在公式(14)、公式(15)中,
表示以渗漏建筑原图对应以其相对应的渗漏源;
表示以渗漏建筑原图对应一个生成器生成的渗漏源;
表示以渗漏建筑原图对应一个非对应的随机渗漏源图片。
根据本发明的一个优选实施方式,所述第二判别器训练步骤包括:
S261:收集n个渗漏建筑原图,以及对应的渗漏源,成立一个样本集合:{(c1,x1),(c2,x2),...,(cn,xn)},其中c为渗漏建筑原图,x为对应渗漏源;
S261:从步骤S261收集的样本集合中取出一个样本(cm,xm);
S262:将cm传入CNN中进行计算,得到一个结果Om;
S263:求出输出值om与真实目标值xm的差值;
S264:使用BP算法进行权值调整,采用的公式如公式(16)、公式(17)、公式(18)和公式(19)所示:
δi=vi(1-vi)(xm i-vi) (16)
δk←δi (17)
wji←wji+μδjOm ji (19)
其中:δi为神经网络中每个节点的误差,vi为输出层的输出,αi为隐层输出,wki为输入层到隐层的连接权重,μ是学习率常数,wji是i节点到j节点的权重,xji是i节点传递给j节点的值。
根据本发明的一个优选实施方式,所述生成器训练步骤包括:
S271:收集n个渗漏建筑原图,以及对应的渗漏源,成立一个样本集合:{(c1,x1),(c2,x2),...,(cn,xn)},其中c为渗漏建筑原图,x为对应渗漏源;
S272:从一个分布中获取n个噪声样本{z1,z2,...,zn};
S273:从生成器获取n个生成的数据
S274:从数据库获取n个随机的渗漏源图片
S275:将步骤S271-S274收集的样本数据带入公式(20)、公式(21),调整生成器参数θg,使其达到最大;
其中,
表示将生成器生成的数据传入第一判别器得到的分数;
表示将生成器生成的数据传入第二判别器得到的分数;
θg表示传入生成器的参数;
表示梯度(gradient)乘以学习率(Learning rate)。
根据本发明的一个优选实施方式,通过高斯分布对所述第一可能的渗漏源和所述第二可能的渗漏源进行综合判定,包括:
将所述FCN-DARG分割算法和所述双判别器生成式对抗网络获取的渗漏源框***置和分数导入正态分布后的结果,取规定分数以上的渗漏源位置图片信息作为输出结果;
根据公式(23)对输出结果进行损失计算:
L(reg)(ti,t′i)=R(ti-t′i) (23)
其中ti,t′i代表不同框体的预测值和真实情况。
L(reg)表示ti,t′i的回归损失值;
R表示smoothL1函数。
与现有技术相比,本发明实施例的寻找建筑物渗漏源位置的方法具有如下有益效果:
本发明实施例的寻找建筑物渗漏源位置的方法不仅仅通过热像图来判断,同时引入生成式对抗网络来寻找建筑物渗漏源头。通过双判别器分别寻找渗漏源头,然后综合两个结果得到一个较为准确的渗漏源头,如果两个判别器得到的结果相差较大,再引入热像图分割的结果进行综合判断。相较于仅使用热像图来判断渗漏源位置,本文的方法能够大大提高渗漏位置寻找的精确度。
本发明的一部分附加特性可以在下面的描述中进行说明。通过对以下描述和相应附图的检查或者对实施例的生产或操作的了解,本发明的一部分附加特性对于本领域技术人员是明显的。本发明披露的特性可以通过对以下描述的具体实施例的各种方法、手段和组合的实践或使用得以实现和达到。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,如果本发明的说明书和权利要求书及上述附图中涉及到术语“第一”、“第二”等,其是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例。此外,如果涉及到术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
本发明实施例公开了一种寻找建筑物渗漏源位置的方法。本发明实施例寻找建筑物渗漏源位置的方法一方面对热成像图片进行处理,通过对热成像图片使用FCN-DARG分割算法进行分割,找到最低温度点,从而找到可能的渗漏源;另一方面利用双判别器生成式对抗网络寻找建筑原图中的可能的渗漏源;最后对两个结果进行一个综合判定,从而找到真实的渗漏源。
相较于仅使用热像图来判断渗漏源位置,本发明实施例寻找建筑物渗漏源位置的方法能够大大提高渗漏位置寻找的精确度。
下面将参考附图并结合实施例来详细说明本发明。
如图1所示,所述寻找建筑物渗漏源位置的方法包括:
通过FCN-DARG分割算法对建筑物热成像图进行分割,找到最低温度点,从而获取第一可能的渗漏源位置;
通过双判别器生成式对抗网络从建筑物的建筑原图中获取第二可能的渗漏源位置;
通过高斯分布对所述第一可能的渗漏源和所述第二可能的渗漏源进行综合判定,获取准确的渗漏源位置。
通过热力学定理,我们知道任何物质都不能通过有限个步骤达到绝对零度,而所有高于绝对零度的物质都会以电磁波的形式向外界不断发射出辐射能量(热辐射)。这种辐射能量的波长一般介于0.76μm到1000μm之间,其波长比红色可见光更长,而比微波更短,因此人们常称其为红外光或红外线。对于同种物质来说,在不同温度的情况下所体现的辐射率和红外辐射特征不同,且温度与红外辐射特征有较为密切的联系,我们便可以通过热成像相关仪器测量物体散发出的红外辐射特征来达到测量物体温度的目的,然后在仪器显示屏上以可见光的形式显示出来。以上便是红外热成像的基本原理。
红外热成像技术在各方面应用都较为广泛,比如早在1975年,加拿大森林研究中心便利用直升机搭载AGA750便携式热成像仪,在森林火灾季发现了15次隐火,大大减少了森林发生火灾的概率。同样,红外热成像技术也被应用在故障诊断等其他方面。
利用红外热成像检测建筑物渗漏也是对红外热成像原理的一种应用,通过检测建筑物表面辐射能量的大小,判断出建筑物表面的温度,从而判断是否有渗漏现象。房屋沉降不均衡导致墙面开裂,雨雪以及霉菌的侵蚀,墙面因气候原因热胀冷缩,建造时出现瑕疵等因素都有可能引起渗漏。建筑物表面一旦发生渗漏现象,沁水部分的表面温度往往会低于干燥部分的温度,通过热成像相机扫描,可以初步判断建筑渗漏的区域以及渗漏面积。
在本实施例中,所述通过FCN-DARG分割算法对建筑物热成像图进行分割,找到最低温度点,从而获取第一可能的渗漏源位置,包括如下步骤:
S110:利用FCN获取建筑物原始红外图像的特征,并从卷积网络的不同阶段以卷积计算从像素级别进行语义预测分类,形成FCN粗分割结果;
S120:在FCN粗分割结果得到的目标区域取其最小矩形框,获得目标区域的位置;
S140:在所述原始红外图像上以所述最小矩形框利用自适应区域生长算法对图像结果进行二次分割,形成二次分割结果;
S150:将所述FCN粗分割结果与所述二次分割结果融合,得到最低温度点,从而获取第一可能的渗漏源位置。
具体的,针对复杂背景下红外图像分割不理想的情况,融合FCN和动态自适应区域生长的红外图像分割算法(FCN-DARG)。该FCN-DARG分割算法的基本流程如图2所示。
该算法分为两个模块,分别是粗分割和细分割模块。粗分割模块主要利用FCN获取原始图像特征,并从卷积网络的不同阶段以卷积计算从像素级别进行语义预测分类,形成粗分割结果。细分个模块再FCN分割得到的目标区域取其最小矩形框,获得目标区域的位置,然后再原始图像上,以此矩形框利用自适应区域生长算法对图像结果进行二次分割,最后将两者融合,得到最终结果。
其中,FCN粗分割的具体过程如下:
为了获取目标区域的基本轮廓,剔除可能的复杂背景环境的影响,需要先对红外热像图采用FCN粗分割。FCN粗分割采用FCN网络结构的算法,FCN结构共分为8层,全部为卷积层,卷积层(conv)和池化层(pool)交替连接。经过对此卷积后,图像越来越小,比如一幅图像经过5层卷积后,从第一层到第五层,图像分别缩小了2、4、8、16和32倍。为了恢复成为原图分辨率,需要对输出特征图进行上采样,但是图像在经过5次卷积之后,分辨率已经缩小了32倍,此时直接进行32倍上采样得到的就是FCN-32s,但分割精度会急剧下降。为了弥补图像精度的损失,采取了多级融合的方式进行上采样:首先对第7层卷积后输出的特征图进行2倍上采样,再与第4层池化层输出的特征图融合,即形成FCN-16s;然后将刚才融合后的特征图进行2倍上采样后再与第3层池化层输出的特征图融合,继而进行8倍上采样,得到FCN-8s。相较于FCN-32s和FCN-16s,FCN-8s的分割效果最好。图3显示了FCN卷积和反卷积上采样的过程。
区域生长算法最早由Levine等人提出,算法思想简单,易于实现,并且分割结果能最大程度地保留目标细节,特别适用于亮度特征突出且多为联通区域的红外图像。但传统的区域生长算法初始种子点需要人工选取或指定,不能满足自动分割要求。基于此,动态自适应的区域生长算法被提出来。区域生长法的特点是可以保留图像细节,但容易造成过分割或欠分割。这一特点对于简单背景图像影响并不大,但对于复杂背景图像,过分割或欠分割都会使得目标难以被精确描述,从而无法达到目标识别的效果。如果对整幅图像进行区域生长法分割目标,在复杂背景情况下,很难定位目标位置,而且受生长顺序、种子像素选择等因素影响,很容易造成过分割,从而淹没目标。但如果采用人工交互的方式确定目标所在区域种子生长点,则失去了自动分割的意义。
而通过FNC(全卷积网络)得到的粗分割结果,然后在其分割目标生确定最小矩形框,就可以很容易地在原始图像上得到目标区域的位置。这一点对于区域生长法的最终结果具有重要意义,一方面它可以避免全局生长造成的目标无法识别的情况,另一方面,在目标区域确定的情况下,种子像素最好的位置必然在举行区域的质心。在此基础上在原始图像上进行区域生长分割,就能得到一个较为精细的分割结果。
本实施例中,所述自适应区域生长算法包括如下步骤:
S141:根据FCN粗分割结果,取目标分割结果最小外接矩形框,并根据矩形框定位,在原始红外图像上提取矩形框位置的图像;
S142:将所取矩形框的质心作为区域生长的初始种子点,按照8领域的方式,将种子点的8领域像素点定义为生长初始区域S0,计算S0的像素均值m0和动态差D0,并将S0内所有像素灰度值置为m0;
S143:按步骤142进行迭代,每次均需按公式(1)计算Dn和mn的值来确定新的可生长的像素点的阈值范围Ωn:
Ωn=[mn-1-θDn-1,mn-1+θDn-1] (1)
在公式(1)中,θ为调节因子;θ取值越大区域生长越充分,但是容易出现过分割现象;反之θ因子取值越小,越容易出现欠分割现象。
Dn为动态差,定义如公式(2)所示:
其中,x1,x2,…,xn为每一次迭代时新加入的像素灰度值,mn为第n次迭代后已生长区域内所有像素点的平均灰度值;每次迭代后,已生长区域的灰度值均要变化,Dn也随之动态调整,进而可生长的像素点的阈值范围Ωn也在动态变化。这使得算法具有较强的自动适应性,可以有效缓解欠分割或过分割现象。
S144:若第n次生长后的区域Sn不再扩大或达到预先设定的阈值,生长停止。
由于区域生长法可以最大程度地保留图像细节(通过调整θ值),可以利用第二次分割结果对FCN得到的粗分割结果进行修正。
在本实施例中,将所述FCN粗分割结果与所述二次分割结果融合,得到最低温度点,从而获取第一可能的渗漏源位置,具体如下:
设FCN分割结果面积为SFCN;动态自适应区域生长得到的分割结果面积为SDARG,为了统一灰度值以方便图像叠加,将二者的像素同时取值为1,叠加两个分割结果,最终融合图像I(x,y)结果取值按照公式(3)确定:
从公式(3)中可以看出,融合图像是以区域生长分割的轮廓为主,这是因为,对于红外图像而言,一旦确定矩形目标区域,该区域内目标与背景的对比度已经非常明显,相当于将复杂背景图像转变为简单背景图像,此时区域生长分割效果要远远好于FNC算法。但由于区域生长对细节保留较多,融合结果图像可能会有空洞,还需要对其进行处理。这里利用形态学处理方法,采用3×3的形态学运算结构元进行一次闭运算(Closing Operation,CO)来填充空洞,获得最终分割图像。
生成式对抗网络(Generative adversarial network)的基本思想来源于二人零和博弈。在GAN中,通常仅包含一个生成器和一个判别器,如图4所示。
在GAN中,生成器会基于源数据生成新的数据,并提交给判别器进行判别,判别器会对输入的数据进行判断,找出哪些是真实数据,哪些是生成的数据。GAN会按照以上步骤不断训练,直到生成器生成的数据能够完全欺骗判别器。为了在此博弈中获胜,生成器和判别器都会进行不断地训练,以提高各自的生成能力和判断能力,最终达到一个Nash均衡状态。
GAN训练公式如公式(4)所示:
其中:E为求期望值,Pdata为真实数据分布情况,Pz表示生成数据的分布情况。在训练时,对于生成器来说,我们需要loss值(V(D,G))越小越好,对于判别器来说,我们需要loss值越大越好。
生成式对抗网络原理如图4所示,将源数据输入生成器G,由生成器生成数据G(z),然后与真实数据x一起传入判别器D,得到结果D(G(z)),再判断是否为真实数据,最后根据判别结果来调整生成器和判别器,直到判别器无法判断输入的是真实数据还是生成数据为止,此时生成器和判别器达到一个均衡状态。
GAN的判别器输入的是生成器生成的数据,然后输出一个0到1之间的值来表示生成器生成的数据和真实数据的相似程度,判别器输出值越接近0,输入的越可能是生成器生成的数据,越接近1则越可能是真实数据。
在本实施例中,在传统GAN结构中加入了一个新的判别器D2,组成一个具有双判别器的生成式对抗网络,网络中的两个判别器分别进行训练,参数不共享。
所述通过双判别器生成式对抗网络从建筑物的建筑原图中获取第二可能的渗漏源位置,包括如下步骤:
步骤S210:将建筑原图传入生成器,生成器生成一张渗漏源的图片;
步骤S220:将所述渗漏源的图片传入第一判别器,所述第一判别器对所述渗漏源的图片进行判定,得到第一判断结果;
步骤S230:将所述渗漏源的图片传入第二判别器,所述第二判别器对所述渗漏源的图片进行判定,得到第二判断结果;其中,所述第一判别器和所述第二判别器参数不共享;
步骤S240:对所述第一判断结果和所述第二判断结果进行整体判断,获得所述第二可能的渗漏源位置。
进一步的,在所述步骤S210之前还包括生成器训练步骤;在所述步骤S220之前还包括第一判别器训练步骤;在所述步骤S230之前还包括第二判别器训练步骤。
具体的,双判别器生成式对抗网络在本文中应用的整体过程为:将建筑原图传入生成器,生成器生成一张渗漏源头的图片,然后分别将图片传入两个判别器,两个判别器对渗漏源头分别进行判定,得到两个结果,再对两个结果进行整体判断,从而得到真实的渗漏源头。
为了使生成的渗漏源头图片更加真实,需要分别对生成器和判别器进行训练,对于优化GAN的基本思路是让D和G进行迭代优化,优化G时固定D,优化D时固定G,在优化时需要注意整个过程应该呈收敛状态。
对于多判别器的训练,第一判别器D1和第二判别器D2的参数不共享,作为两个独立的判别器。训练时,G,D1,D2遵循公式(5):
在公式(5)中,参数α,β(α>0,β≤1)是为了稳定学习过程和控制KL散度和反KL散度对优化的影响。为了使训练更加稳定,可以尝试调整α和β的值。
给定一个固定的生成器G,计算max V(G,D1,G2)得到如公式(6)、公式(7)的最佳鉴别器
证明:根据有道测度定理,两个期望相等:对于公式(5),当f(x)=-D1(x1)或f(x)=logD2(x2)时,可得即:
给定区间x,通过得到/>和/>令D1,D2=0可得:
因为固证明成立。
得到后,代入公式(5)训练G以得到G*。给定/>在这个生成式对抗网络中的极大极小优化问题的纳什均衡点(G,D1,D2),对每个分量有如公式(9)和公式(10)的形式。
证明:将带入公式(5),得:
其中,DKL(Pdata||PG)和DKL(PG||Pdata)分别为KL和反KL散度,它们只在时为0,其余情况通常大于0。在生成器生成的分布/>与数据分布完全相等时,两个分布的返回值都是1,在这种情况下,两个鉴别器都无法判断样本真假。
在公式(13)中,生成器的误差表明提高参数α的值可以优化KL散度,提高β的值可以优化反KL散度,通过调整α和β可以平衡KL散度和反KL散度的影响,从而提高算法鲁棒性。
在本实施例中,双判别器生成式对抗网络中的第一判别器D1是经典判别器。
对于第一判别器D1的训练步骤包括:
S251:收集n个渗漏建筑原图,以及对应的渗漏源,成立一个样本集合:{(c1,x1),(c2,x2),...,(cn,xn)},其中c为渗漏建筑原图,x为对应渗漏源;
S252:从一个分布中获取n个噪声样本{z1,z2,...,zn};
S253:从生成器获取n个生成的数据
S254:从数据库获取n个随机的渗漏源图片
S255:将步骤S251-S254收集的数据带入公式(14)、公式(15),调整参数θd,使其达到最大;
在公式(14)、公式(15)中,
表示以渗漏建筑原图对应以其相对应的渗漏源,所以应该得到一个较高的分数;
表示以渗漏建筑原图对应一个生成器生成的渗漏源,所以应该的到一个较低的分数;
表示以渗漏建筑原图对应一个非对应的随机渗漏源图片,所以应该得到一个较低的分数。
在本实施例中,第二判别器基于CNN(卷积神经网络)算法和BP算法。
CNN是一种包含卷积且可进行深度结构计算的前馈神经网络,属于深度机器学习的算法之一,常用于特征提取。
CNN的基本步骤为:输入图像;通过卷积层进行卷积计算;通过采样层进行特征提取;然后再次卷积,提取特征,以此循环。多次循环后通过全连接层分类,最后得到特征数据,如图6所示。
如图7所示,BP算法的基本过程是通过输入的数据不断进行训练,在训练的过程中对输入层、隐层和输出层中连接的权值进行调整和修正,最终达到最小误差值。
在本实施例中,所述第二判别器训练步骤包括:
S261:收集n个渗漏建筑原图,以及对应的渗漏源,成立一个样本集合:{(c1,x1),(c2,x2),...,(cn,xn)},其中c为渗漏建筑原图,x为对应渗漏源;
S261:从步骤S261收集的样本集合中取出一个样本(cm,xm);
S262:将cm传入CNN中进行计算,得到一个结果Om;
S263:求出输出值Om与真实目标值xm的差值;
S264:使用BP算法进行权值调整,采用的公式如公式(16)、公式(17)、公式(18)和公式(19)所示:
δi=vi(1-vi)(xm i-vi) (16)
δk←δi (17)
wji←wji+μδjOm ji (19)
其中:δi为神经网络中每个节点的误差,vi为输出层的输出,ai为隐层输出,wki为输入层到隐层的连接权重,μ是学习率常数,wji是i节点到j节点的权重,xji是i节点传递给j节点的值。
在本实施例中,所述生成器训练步骤包括:
S271:收集n个渗漏建筑原图,以及对应的渗漏源,成立一个样本集合:{(c1,x1),(c2,x2),...,(cn,xn)},其中c为渗漏建筑原图,x为对应渗漏源;
S272:从一个分布中获取n个噪声样本[z1,z2,...,zn};
S273:从生成器获取n个生成的数据
S274:从数据库获取n个随机的渗漏源图片
S275:将步骤S271-S274收集的样本数据带入公式(20)、公式(21),调整生成器参数θg,使其达到最大;
其中,
表示将生成器生成的数据传入第一判别器D1得到的分数;
表示将生成器生成的数据传入第二判别器D2得到的分数;
θg表示需要传入生成器的参数;
表示梯度(gradient)乘以学习率(Learning rate)。
正态分布是最重要的一种概率分布。正态分布概念是由德国的数学家和天文学家Moivre于1733年首次提出的,但由于德国数学家Gauss率先将其应用于天文学研究,故正态分布又叫高斯分布。
在本实施例中,通过高斯分布对所述第一可能的渗漏源和所述第二可能的渗漏源进行综合判定,包括:
将所述FCN-DARG分割算法和所述双判别器生成式对抗网络获取的渗漏源框***置和分数导入正态分布后的结果,取规定分数以上的渗漏源位置图片信息作为输出结果;
对输出结果进行损失计算。
具体的,对得到的两个渗漏源和通过FCN-DARG对热像图分隔结果的处理方式如图8所示。
根据正态分布公式(22),其中μ为平均数,σ为标准差,f(x)为正态分布函数。
通过图像分割和两个判别器我们获得了多个渗漏源图片,所有渗漏源框***置与分数成正态分布关系,如图9所示。
根据渗漏源框***置和分数导入正态分布后的结果,取规定分数以上的渗漏源位置图片信息作为输出结果。
最后,计算出来的结果根据公式(23)进行损失计算。
L(reg)(ti,t′i)=R(ti-t′i) (23)
其中ti,t′i代表不同框体的预测值和真实情况。
L(reg)表示ti,t′i的回归损失值;
R表示smoothL1函数;这里σ=3:
通过调节FCN-DARG和双判别器生成式对抗网络的参数,从而降低损失值,提高综合判定后的精准度。
需要注意的是,本说明书中公开的所有特征,或公开的所有方法或过程中的步骤,除了互相排斥的特征和/或步骤以外,均可以以任何方式组合。
另外,上述具体实施例是示例性的,本领域技术人员可以在本发明公开内容的启发下想出各种解决方案,而这些解决方案也都属于本发明的公开范围并落入本发明的保护范围之内。本领域技术人员应该明白,本发明说明书及其附图均为说明性而并非构成对权利要求的限制。本发明的保护范围由权利要求及其等同物限定。