[发明专利]一种用于输电线路图像去雾的方法、系统及存储介质

权利要求书

1.一种用于输电线路图像去雾的方法，其特征在于，所述方法包括：

S1：选取网络训练数据集，所述网络训练数据集包括训练数据集和测试集；

S2：构建教师流深度神经网络模型、学生流浅层神经网络模型和知识蒸馏神经网络模型；

S3：通过所述训练数据集，对所述教师流深度神经网络模型进行去雾监督训练；

S4：通过所述知识蒸馏神经网络模型，构建所述知识蒸馏神经网络模型的损失函数；

S5：通过所述损失函数，对所述学生流浅层神经网络模型进行训练，直至所述学生流浅层神经网络模型的损失项不再下降时，停止训练；

S6：训练好的所述学生流浅层神经网络模型向训练好的所述教师流深度神经网络模型学习，得到具有去雾能力的学生流浅层神经网络模型；

S7：将有雾的输电线路图片输入到所述具有去雾能力的学生流浅层神经网络模型中，所述具有去雾能力的学生流浅层神经网络模型对所述有雾的输电线路图片进行去雾处理，输出去雾后的输电线路图片。

2.如权利要求1所述的用于输电线路图像去雾的方法，其特征在于，所述训练数据集为RESIDE数据集。

3.如权利要求1所述的用于输电线路图像去雾的方法，其特征在于，所述测试集为输电线路有雾图像。

4.如权利要求2所述的用于输电线路图像去雾的方法，其特征在于，所述RESIDE数据集包括输电线路有雾图像和清晰图像，所述RESIDE数据集还包括所述有雾图像和所述清晰图像对应的深度图、合成有雾图像和真实有雾图像。

5.如权利要求1所述的用于输电线路图像去雾的方法，其特征在于，所述教师流深度神经网络模型包括121层卷积层，所述教师流深度神经网络模型包括空间金字塔池化算法和空洞卷积算法。

6.如权利要求1所述的用于输电线路图像去雾的方法，其特征在于，所述学生流浅层神经网络模型包括16层卷积层，所述学生流浅层神经网络模型包括跳跃连接算法、空洞卷积算法和多尺度融合算法。

7.一种用于输电线路图像去雾的系统，其特征在于，所述系统包括网络训练数据集选取模块、网络模型构建模块、损失函数构建模块、学生流浅层神经网络模型训练模块、学习模块和去雾模块，其中：

所述网络训练数据集选取模块，用于选取网络训练数据集，所述网络训练数据集包括训练数据集和测试集；

所述网络模型构建模块，用于构建教师流深度神经网络模型、学生流浅层神经网络模型和知识蒸馏神经网络模型；

所述去雾监督训练模块，用于通过所述训练数据集，对所述教师流深度神经网络模型进行去雾监督训练；

所述损失函数构建模块，用于通过所述知识蒸馏神经网络模型，构建所述知识蒸馏神经网络模型的损失函数；

所述学生流浅层神经网络模型训练模块，用于通过所述损失函数，对所述学生流浅层神经网络模型进行训练，直至所述学生流浅层神经网络模型的损失项不再下降时，停止训练；

所述学习模块，用于训练好的所述学生流浅层神经网络模型向训练好的所述教师流深度神经网络模型学习，得到具有去雾能力的学生流浅层神经网络模型；

所述去雾模块，用于将有雾的输电线路图片输入到所述具有去雾能力的学生流浅层神经网络模型中，所述具有去雾能力的学生流浅层神经网络模型对所述有雾的输电线路图片进行去雾处理，输出去雾后的输电线路图片。

8.一种用于输电线路图像去雾的存储介质，其特征在于，所述计算机可执行指令在由计算机处理器执行时实现如权利要求1-6中任一项所述的用于输电线路图像去雾的方法。