[发明专利]基于半监督学习的固废检测模型构建方法及固废检测方法

说明书

本发明公开了一种基于半监督学习的固废检测模型构建方法和固废检测方法，固废检测模型包括生成器和判别器，生成器基于输入的有标签影像特征图和无标签影像特征图输出预测结果，判别器基于生成器的预测结果和相应影像特征图的真实标签输出一致性判别结果，基于有标签影像特征图和无标签影像特征图的样本集组合，通过判别器与生成器的对抗训练使判别器学习到预测结果与真实标签的判别知识，生成器学习到基于输入的影像特征图识别固废目标的能力。通过半监督学习机制综合生成器和判别器提取未标记数据信息，采用融合损失来规范训练实现像素级预测，对标签的低需求量使其具有较高的应用价值和推广性，可有效提高现有方法的召回率。

技术领域

本发明属于固废检测技术领域，具体涉及一种基于半监督学习的固废检测模型构建方法及固废检测方法。

背景技术

据统计，全球每年产生超100亿吨垃圾，我国约10亿吨，占地75万亩，并以10％速率逐年增长，垃圾“围城”、固废“填海”的景象屡见不鲜，特别是部分企业为利益违法倾倒固废现象严重，常选择在夜间偏僻地段偷排、倾倒污染物，这些未经处理的固废随着自然降解和雨水侵蚀，固废渗滤液和有害化学物质破坏土壤结构，污染附近河流和地下水系。固废传统监测以人工巡查与视频监控为主：监控摄像头布设成本高，监控观测区域受限；人工巡查易存在死角，点多面广难以全覆盖，且效率低下，检测方式亟需改变。

而固废检测领域中的深度学习研究仍处于起步阶段，现有应用深度学习的固废检测模型构建和检测方法的不足之处在于：(1)固废的光谱特征、形态特征、纹理特征复杂多样，同时遥感图像分布的背景复杂性极大地增加了深度学习中从场景和对象中学习鲁棒性和区分性表示的难度，导致现有模型的提取能力不足，鲁棒性较弱；(2)训练数据量较少，固体废弃物的边缘复杂、标记成本高，因此普遍缺乏高质量的训练图像，在这种情况下，使用少量训练数据应用深度学习方法效果欠佳，难以得到较为准确的预测结果。

发明内容

本发明的发明目的是提供一种基于半监督学习的固废检测模型构建方法；

本发明的另一发明目的是提供一种基于半监督学习的固废检测方法。

该基于半监督学习的固废检测模型构建方法通过半监督学习机制综合生成器和判别器提取未标记数据信息，采用融合损失来规范训练实现像素级预测；

该基于半监督学习的固废检测方法对标签的低需求量使其具有较高的应用价值和推广性，本发明提出的改造方法可有效提高现有方法的召回率。

为实现上述发明目的，本发明的技术方案为：

一种基于半监督学习的固废检测模型构建方法，所述的固废检测模型包括生成器和判别器，所述的生成器基于输入的有标签影像特征图和无标签影像特征图输出预测结果，所述的判别器基于生成器的预测结果和相应影像特征图的真实标签输出一致性判别结果，基于有标签影像特征图和无标签影像特征图的样本集组合，通过判别器与生成器的对抗训练使判别器学习到预测结果与真实标签的判别知识，生成器学习到基于输入的影像特征图识别固废目标的能力。

本发明是首次将半监督学习运用于固废检测中，其中生成器类似于孪生网络模型(Siamese Net)，判别器通过接受分割结果或者影像标签作为输入，对预测样本和真实样本进行了更高阶的一致性度量，因此固废识别结果对比其他模型具有精度上的优势，无需大量的高质量的训练图像。本发明优选适用于城市固废检测中。

在上述的基于半监督学习的固废检测模型构建方法中，所述的生成器包括编码器、解码器和注意力模块，所述的编码器对影像特征图进行特征提取，所述的注意力模块将编码器的特征远程传递至解码器，由解码器通过卷积和反卷积的组合将特征定位为原始空间位置，输出预测结果。

本发明设计了一种注意力机制SA用于优化特征和远程信息传递，通过特征的自我约束增强模型对固体废弃物深层特征学习能力，实现更高效的特征表征学习和远程信息传递，通过中间特征的可视化分析，与其他模型跳跃连接的方式相比较，本模型显著提高特征表征能力。