一种面向恶劣环境的轻量级图像去水雾方法与流程

本发明涉及水电站图像监测，尤其是一种面向恶劣环境的轻量级图像去水雾方法。

背景技术：

1、水电站承担调峰调频、事故灾备和调节气候的功能，水电站流域周边地区湿度高、雨水多，夏天和冬天分别会在水上和水面形成水雾，此外，开闸会带来大量水汽。尤其是汛期和雨季检修，水电站环境感知复杂，而坝上摄像头因为水雾的遮挡，容易导致后续目标检测、图像分类任务性能的下降。水电厂周围大气中存在大量水滴、烟尘等微粒子，光线在传播过程中会发生散射和折射，在雨雾天和开闸放水的时候捕获到的图像会给人一种发灰的视觉感受，影响图像的色彩饱和度、对比度等，进而导致图像丢失关键性的细节信息。同时开闸的过程中，水流携带的杂质可能会沉积在摄像头镜头表面，导致镜头污染。污染的镜头会使得图像更加模糊，影响摄像头的性能。因此摄像头需要定期清理和维护，以确保其正常运行。各电厂近年来致力于从有人值守向无人值守转变，运行人员逐渐利用摄像头、机器人对设备进行监控。但是，雾天能见度低，从变电站采集的图像存在不清晰的问题，导致无法有效开展远程监控等工作，增加电网运行安全风险。通过科技创新和水电站典型场景验证，为黄龙滩电厂环境感知和安全事件管控探索高效、完整、可扩展的视频环境感知监测和风险预警机制，提升水电站智能化程度，降低感知监测成本，目前部分基于行人的异常行为监测算法已经得到了成功应用。但对水电站闸门、坝上和坝下等重要场景的场景环境感知还没得到充分验证和投入实际生产使用，通过视频监控对汛期和雨季风险的水电站风险分析和预警几乎为空白。有效的水雾场景下的环境感知是精准风险预警的前提，构建良好的端到端轻量化图像去水雾网络，包括浅层特征提取、深层特征提取和图像重建三个模块，是进行辅助后续目标检测和图像分类任务风险预警的有效工具。

2、现有的水电厂环境感知和风险预警系统主要是针对厂区及水库周边对人员和车辆的位置和活动进行监测和异常预警，通过获取视频流、图像处理分析、风险预警推送等部件，实现简单程度上的环境感知与风险预警系统。综合的环境感知和风险预警系统可能还包括水位检测、水闸启闭、水面漂浮物检测、气象检测、水质检测等后续任务，在遇到恶劣的天气气象时，无法自动对视频图像去水去雾，不清晰、有遮挡的视频图像导致系统无法实现对周边环境的充分感知，难以实现精准智能、自主可控的镜头检测，影响后续的目标检测和图像分类的精度。

技术实现思路

1、本发明的目的是提出一种面向恶劣环境的轻量级图像去水雾方法，基于深度学习的轻量化去水雾模型，以平衡去水雾效果和计算效率。

2、为了解决上述技术问题，本发明的技术方案如下：

3、一种面向恶劣环境的轻量级图像去水雾方法，其步骤如下：

4、s1：获取训练数据集：多视角拍摄并保存水电厂坝上场景有水雾和没有水雾图像，包括多个有水雾和对应的无水雾图像；

5、s2：图像去水雾网络浅层特征提取，将有水雾图像输入到深度可分离卷积层中获得初始化特征图；

6、s3:图像去水雾网络深层特征提取对初始化特征进行图特征提取与局部特征融合拼接，最后输出特征图与浅层特征提取模块输出的初始化特征图相加；

7、s4:图像去水雾网络图像重建将深层特征提取部分输出的特征图送到含有3个卷积核的输出卷积层，最终重建得到去雾图像；

8、s5：根据训练数据集对图像去水雾网络进行训练，直至预先设置的损失函数收敛，得到训练好的图像去雾网络；

9、s6：利用训练好的图像去水雾网络对待处理的有水雾图像进行去雾，得到去雾后的图像。

10、对上述技术方案的改进：所述步骤s2的图像去水雾网络浅层特征提取包括以下三个方面：

11、s21:深度可分离卷积(depthwise separable convolution,dsc)是一种特殊的卷积操作，是由inception模块改进得来，inception模块的不断优化证明了通道和空间位置特征之间是可以解耦的；因此，深度可分离卷积使用逐通道卷积(depthwise convolution)和逐点卷积(pointwise convolution)来提取特征信息，首先深度可分离卷积对输入的每个通道进行独立的卷积操作，即逐通道卷积，然后通过逐点卷积将结果进行组合，生成最终的输出特征图；

12、s22:逐通道卷积通常将特征图的每个通道作为分组单元，利用多个滤波器分别提取各个分组特征图的特征信息；

13、s23:逐点卷积是指对逐通道卷积处理得到的特征图进行卷积核大小为1×1的卷积操作。

14、对上述技术方案的进一步改进：所述步骤s3的图像去水雾网络深层特征提取包括以下三个方面：

15、s31:首先，浅层特征提取部分输出的初始化特征图被送入串联的三个组模块(group-1/2/3)进行特征提取与局部特征融合；

16、s32:输出特征图被送入像素通道注意力模块(pixel and channel attention,pca)和两个深度可分离卷积层，得到维度为256×256×64的输出特征图；

17、s33:将输出特征图与浅层特征提取部分输出的初始化特征图相加，以实现特征融合。

18、有益效果：

19、本发明所述的一种面向恶劣环境的轻量级图像去水雾方法，具有以下优点：

20、(1)轻量化设计：通过使用精简的神经网络结构、参数共享和模型剪枝等技术，实现深度学习去水雾模型的轻量化设计，降低模型复杂度。

21、(2)实时性优化：专注于提高去水雾模型的实时性能，以适应视频实时监控场景的需求，确保及时、有效的图像处理。

22、(3)硬件适配：针对边缘设备的特殊要求，通过优化算法和模型结构，降低对硬件资源的需求，使得去水雾模型更适合在边缘设备上进行部署。

23、(4)端到端性能：保持端到端的深度学习去雾流程，同时在轻量化设计的基础上提高复原图像的质量，平衡了去水雾效果和计算效率的关系。

技术特征：

1.一种面向恶劣环境的轻量级图像去水雾方法，其步骤如下：

2.根据权利要求1所述的面向恶劣环境的轻量级图像去水雾方法，其特征在于：所述步骤s2的图像去水雾网络浅层特征提取包括以下三个方面：

3.根据权利要求1所述的面向恶劣环境的轻量级图像去水雾方法，其特征在于：所述步骤s3的图像去水雾网络深层特征提取包括以下三个方面：

技术总结本发明提供了一种面向恶劣环境的轻量级图像去水雾方法，其步骤为：S1：获取训练数据集；S2：图像去水雾网络浅层特征提取；S3:图像去水雾网络深层特征提取对初始化特征进行图特征提取与局部特征融合拼接，最后输出特征图与浅层特征提取模块输出的初始化特征图相加；S4:图像去水雾网络图像重建将深层特征提取部分输出的特征图送到含有3个卷积核的输出卷积层，最终重建得到去雾图像。本发明通过使用精简的神经网络结构、参数共享和模型剪枝等技术，实现深度学习去水雾模型的轻量化设计，降低模型复杂度；针对边缘设备的特殊要求，通过优化算法和模型结构，降低对硬件资源的需求，使得去水雾模型更适合在边缘设备上进行部署。技术研发人员：唐佳庆,范峰,胡晓连,付险峰,王虎,周京琳,翁靖悠,周文受保护的技术使用者：国网湖北省电力有限公司黄龙滩水力发电厂技术研发日：技术公布日：2024/9/9