基于对抗自编码器的火灾起火点检测方法以及相

本技术涉及人工智能航空，具体涉及一种基于对抗自编码器的火灾起火点检测方法以及相关设备。背景技术：1、机场火灾检测是航空安全领域中非常重要的一个方面，在机场运作过程中，航班起降、加油和货物装卸等环节都会产生各种火灾隐患，一旦机场发生火灾，不仅会对人身安全造成巨大威胁，还会对航空资源和市场经济造成极大损失，因此，如何进行火灾起火点检测，及时识别和定位火源是一个备受关注的研究领域。2、当前，传统的火灾起火点检测一般会采用当前图像和视频分析技术，主要通过烟雾检测、火焰检测、热像仪图像处理以及智能监控等方向进行检测，其中，由于烟雾通常是在火焰之前产生的，容易从远处观察到，并且在大多数情况下，烟雾会在相机的视野中发生得更快，故当前较常使用的为烟雾检测，然而，由于机场具有复杂的环境干扰，导致传统烟雾检测算法的准确性受影响，使得当前图像和视频分析技术在机场火灾检测中具有一定的局限性，检测的准确性和有效性差。技术实现思路1、本技术实施例的主要目的在于提出一种基于对抗自编码器的火灾起火点检测方法、装置、电子设备及计算机可读存储介质，可以通过包含dcgan生成器的对抗自编码器生成火灾烟雾输入图像高质量的重构图像，并基于重构图像进行起火点检测，以有效降低环境干扰的影响，进而提高检测的准确性和有效性。2、第一方面，本技术实施例提供了一种基于对抗自编码器的火灾起火点检测方法，所述方法包括：3、获取火灾烟雾的目标输入图像；4、将所述目标输入图像输入至预先训练的对抗自编码器，以通过所述对抗自编码器得到所述目标输入图像对应的目标重构图像，并基于所述目标重构图像进行起火点检测，得到起火点检测结果；5、其中，所述对抗自编码器包括编码器、dcgan生成器和判别器，所述对抗自编码器通过以下步骤训练得到：6、获取输入图像样本；7、通过所述编码器将所述输入图像样本转化为潜在空间编码；8、通过所述dcgan生成器将所述潜在空间编码映射回图像数据空间，得到重构图像样本；9、通过所述判别器对所述输入图像样本和所述重构图像样本进行分类处理，以确定所述dcgan生成器的重构误差和所述判别器的判别误差；10、以最小化所述重构误差和所述判别误差为训练目标，对所述编码器、所述dcgan生成器和所述判别器的参数进行调整处理，得到对抗自编码器。11、在一些实施例中，所述dcgan生成器包括依次设置的输入层、多层感知机、向量扩展层、归一化层、修正线性单元和输出层，所述向量扩展层包括转置卷积层或者上采样层。12、在一些实施例中，所述通过所述dcgan生成器将所述潜在空间编码映射回图像数据空间，得到重构图像样本，包括：13、通过所述输入层获取所述潜在空间编码；14、通过所述多层感知机将所述潜在空间编码转换为潜在空间向量；15、通过所述向量扩展层、所述归一化层和所述修正线性单元对所述潜在空间向量进行图像扩展处理，得到图像扩展数据；16、通过所述输出层将所述图像扩展数据映射到预设的数据范围，得到重构图像样本。17、在一些实施例中，所述对抗自编码器的损失函数包括重建损失函数、敌对性损失函数和潜在空间正则化损失函数，所述确定所述dcgan生成器的重构误差和所述判别器的判别误差，包括：18、通过所述重建损失函数确定所述dcgan生成器的重构误差；19、通过所述敌对性损失函数确定所述判别器的判别误差；20、其中，在所述通过所述编码器将所述输入图像样本转化为潜在空间编码的过程中，还包括：21、根据所述潜在空间正则化损失函数得到潜在空间的正则化损失；22、通过所述编码器基于所述正则化损失将所述输入图像样本转化为潜在空间编码。23、在一些实施例中，所述重建损失函数包括二进制交叉熵函数，所述敌对性损失函数包括wasserstein距离函数，所述潜在空间正则化损失函数包括条件熵正则化函数。24、在一些实施例中，所述多层感知机和所述向量扩展层之间设置有cbam模块，所述cbam模块包括通道注意力模块和空间注意力模块，在所述通过所述编码器将所述输入图像样本转化为潜在空间编码的过程中，还包括：25、通过所述通道注意力模块获取所述潜在空间向量中每个通道特征图的统计量，并调整相应的通道权重系数；26、通过所述空间注意力模块调整每个所述通道特征图中各空间位置的位置权重系数，并将调整后的所述潜在空间向量输入到所述向量扩展层。27、在一些实施例中，所述判别器包括依次设置的输入层、多个卷积层和批量归一化层、激活函数、最大池化层以及全连接层；其中，所述卷积层上设置有加权双向特征金字塔，多个所述卷积层之间存在跳跃连接。28、为实现上述目的，本技术实施例的第二方面提出了一种基于对抗自编码器的火灾起火点检测装置，所述装置包括：29、图像获取模块，用于获取火灾烟雾的目标输入图像；30、模型推理模块，用于将所述目标输入图像输入至预先训练的对抗自编码器，以通过所述对抗自编码器得到所述目标输入图像对应的目标重构图像，并基于所述目标重构图像进行起火点检测，得到起火点检测结果；31、其中，所述对抗自编码器包括编码器、dcgan生成器和判别器，所述对抗自编码器通过模型训练装置训练得到，所述模型训练装置包括：32、样本获取模块，用于获取输入图像样本；33、模型训练模块，用于通过所述编码器将所述输入图像样本转化为潜在空间编码；通过所述dcgan生成器将所述潜在空间编码映射回图像数据空间，得到重构图像样本；通过所述判别器对所述输入图像样本和所述重构图像样本进行分类处理，以确定所述dcgan生成器的重构误差和所述判别器的判别误差；以最小化所述重构误差和所述判别误差为训练目标，对所述编码器、所述dcgan生成器和所述判别器的参数进行调整处理，得到对抗自编码器。34、为实现上述目的，本技术实施例的第三方面提出了一种电子设备，所述电子设备包括存储器、处理器、存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现上述第一方面所述的方法。35、为实现上述目的，本技术实施例的第四方面提出了一种存储介质，所述存储介质为计算机可读存储介质，用于计算机可读存储，所述存储介质存储有一个或者多个计算机程序，所述一个或者多个计算机程序可被一个或者多个处理器执行，以实现上述第一方面所述的方法。36、本技术至少具有以下有益效果：本技术提出一种基于对抗自编码器的火灾起火点检测方法、装置、电子设备以及计算机可读存储介质，旨在有效辅助机场火灾的检测与防范，该方法通过获取火灾烟雾的目标输入图像；将所述目标输入图像输入至预先训练的对抗自编码器，以通过所述对抗自编码器得到所述目标输入图像对应的目标重构图像，并基于所述目标重构图像进行起火点检测，得到起火点检测结果；其中，所述对抗自编码器包括编码器、dcgan生成器和判别器，所述对抗自编码器通过以下步骤训练得到：获取输入图像样本；通过所述编码器将所述输入图像样本转化为潜在空间编码；通过所述dcgan生成器将所述潜在空间编码映射回图像数据空间，得到重构图像样本；通过所述判别器对所述输入图像样本和所述重构图像样本进行分类处理，以确定所述dcgan生成器的重构误差和所述判别器的判别误差；以最小化所述重构误差和所述判别误差为训练目标，对所述编码器、所述dcgan生成器和所述判别器的参数进行调整处理，得到对抗自编码器；可以想到的是，由于dcgan生成器的生成器网络为深度卷积对抗网络dcgan，可以使得对抗自编码器具有更好的生成质量和可训练性以及潜在空间连续性，故包含dcgan生成器的对抗自编码器可以更加有效的重构出火灾烟雾输入图像中的主要信息，并去除如机场环境因素等次要的干扰信息，进而在基于烟雾检测等传统图像识别算法对重构图像进行起火点检测时，可以有效降低环境干扰对算法精度的影响，以提高检测的准确性、鲁棒性以及有效性，进而使得本技术可以在实时的机场场景中提供可靠的火灾检测支持，为机场提供更加有效的安全保障。