(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211496229.X (22)申请日 2022.11.28 (71)申请人 四川川锅环保工程有限公司 地址 610000 四川省成 都市自由贸易试验 区成都高新区天府二街269号26栋19 层1901号 申请人 晟元先锋 （成都） 环保科技有限责任 公司 (72)发明人 郑宏　万铭　刘逍　曹阳　覃益徍　 陈鹏　 (74)专利代理 机构 成都君合集专利代理事务所 (普通合伙) 51228 专利代理师 尹玉 (51)Int.Cl. G06V 20/52(2022.01)G06V 10/762(2022.01) G06V 10/774(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01) (54)发明名称 一种冷却塔结冰检测识别系统、 方法和存储 介质 (57)摘要 本发明公开了一种冷却塔结冰检测识别系 统、 方法和存储介质， 网络模型包括主干网络部 分、 类内特征增强模块、 跨尺度交叉融合模块以 及检测器， 类内特征增强模块用于提高全局特征 的区分能力及增强局部类内特征的集中性； 跨尺 度交叉融合模块分别与主干网络部分、 类内特征 增强模块连接； 所述检测器用于有监督地对目标 定位识别。 所述类内特征增强模块包括若干个卷 积组合模块、 变形自注意力模块以及类内特征聚 集模块， 所述类内特征聚集模块用于得到聚类掩 码图， 通过特征相加层将输入特征块与处理后的 特征块叠加。 本发明使特征信息从全局和局部角 度更为集中， 并使用跨尺度交叉融合解决复杂的 目标尺度变化， 从而提高模型对 结冰情况的检测 精度。 权利要求书2页 说明书8页 附图3页 CN 115546735 A 2022.12.30 CN 115546735 A 1.一种冷却塔结冰检测识别系统， 其特征在于， 包括数据采集模块、 训练模块、 检测模 块， 所述数据采集模块用于 收集不同外界因素条件下冬季冷却塔的图像数据， 并标注出冰 的定位框核类别标签， 形成训练集； 所述训练模块用于采用训练集训练网络模型， 所述检测 模块用于将待检测图片输入训练后的网络模型并输出冷却塔结冰的检测识别结果； 所述网络模型包括从前至后依次设置的主干网络部分、 类内特征增强模块、 跨尺度交 叉融合模块以及检测器， 所述主干网络部分用于提取样本具有层次性的特征信息； 所述类 内特征增强模块用于提高全局特征的区分能力 及增强局部类内特征的集中性； 所述跨尺度 交叉融合模块分别与主干网络部 分、 类内特征增强模块连接， 用于融合多尺度特征； 所述检 测器用于有监 督地对目标定位识别； 所述类内特征增强模块包括第一卷积组合模块、 第二卷积组合模块、 若干个变形自注 意力模块以及类内特征聚集模块、 特征相乘层、 特征相加层、 特征拼接层， 所述类内特征聚 集模块包括 从前至后依次设置的目标中心定位、 k ‑means聚类以及 掩码图生成层； 所述第一 卷积组合模块与特征拼接层之 间设置有两个分支， 其中一个分支上设置有若干个变形自注 意力模块， 另一个分支上从前至后依次设置有类内特征聚集模块、 特征相乘层、 特征相加 层、 第二卷积组合模块； 所述类内特征聚集模块用于得到样本特征块的聚类掩码图， 样 本的 特征块通过特征相乘层与掩码图生成层连接， 所述特征相乘层的输出端与样本的特征块通 过特征相加层连接 。 2.根据权利要求1所述的一种冷却塔结冰检测 识别系统， 其特征在于， 所述主干网络部 分包括若干组从前之后依次设置的卷积组合块、 最大值池化层， 所述网络模型包括3个从前 至后依次设置的跨尺度交叉融合模块； 所述主干网络部 分尾端的卷积组合块与前端的跨尺 度交叉融合模块连接， 用于输出语义丰富的特征信息至跨尺度 交叉融合模块； 所述主干网 络部分尾端的最大值池化层与类内特征增强模块连接， 所述类内特征增强模块分别与3个 跨尺度交叉融合模块连接 。 3.根据权利要求2所述的一种冷却塔结冰检测识别系统， 其特征在于， 3个从前至后依 次设置的跨尺度交叉融合模块的上采样倍数分别是2倍、 4 倍、 2倍。 4.根据权利要求1 ‑3任一项所述的一种冷却塔结冰检测识别系统， 其特征在于， 所述跨 尺度交叉融合模块包括第一卷积层、 第二卷积层、 第三卷积层、 第四卷积层、 特征上采样层、 柔性最大值层、 特征拼接层以及若干个卷积组合块； 所述类内特征增强模块的输出通过第 一卷积层与特征上采样层连接， 所述主干网络部分的输出与第二卷积层连接， 所述特征上 采样层、 第二卷积层分别与特征拼接层连接； 所述第二卷积层分别与第三卷积层、 第四卷积 层连接， 所述第三卷积层、 第四卷积层分别通过特征相乘层与柔性最大值层连接； 所述柔性 最大值层与特征拼接层通过特征相乘层连接， 且特征相乘层通过特征相加层与特征拼接层 连接， 所述特 征相加层的输出端设置有 若干个卷积组合 块。 5.根据权利要求1所述的一种冷却塔结冰检测 识别系统， 其特征在于， 所述网络模型的 损失函数包括类内特征聚集模块内的目标中心定位损失函数以及主任务损失函数， 所述主 任务损失函数包括类别分类损失函数和位置回归损失函数。 6.根据权利要求5所述的一种冷却塔结冰检测 识别系统， 其特征在于， 所述目标中心定 位损失函数采用L1损失函数， 所述类别分类损失函数采用焦点损失函数， 所述位置回归损 失函数采用s mooth L1损失函数。权　利　要　求　书 1/2 页 2 CN 115546735 A 27.一种冷却塔结冰检测 识别方法， 采用权利要求1 ‑6任一项所述的系统进行， 其特征在 于， 包括以下步骤： 步骤S100： 采集不同外 界因素条件下冬季冷却塔的视频数据， 获取样本图片， 并人工标 注出冰的定位框核类别标签， 并形成训练集、 测试集； 步骤S200： 搭建网络模型， 采用主干网络部分提取出样本的深层特征信息， 其次， 利用 类内特征增强模块从目标中心出发增强全局特征和局部特征， 然后， 使用跨尺度 交叉融合 模块提高网络模型 的尺度不变性， 最后， 有监督地得到类别概率值和回归出目标的中心点 坐标及定位框的高宽值； 步骤S300： 随机初始化网络模型的相 关权重参数， 预先设置学习率、 最大迭代次数， 使 用训练集训练网络模 型， 迭代优化计算， 直至达到最大迭代次数中止训练， 最后采用测试集 测试网络模型， 从保存的模型中测试 择优， 得到训练后的网络模型； 步骤S400： 将待检测图片输入到训练后的网络模型， 并检测输出冷却塔结冰的识别结 果。 8.根据权利要求7所述的一种冷却塔结冰检测识别方法， 其特征在于， 在步骤S200中， 所述类内特征增强模块首先利用第一卷积组合模块降低特征信息的维度， 减少参数量； 其 次分两个分支处理， 一分支用串联的若干个变形自注意力模块处理特征信息， 增强特征信 息的全局感知能力； 另一分支利用类内特征聚集模块得到聚类掩码图， 再通过特征相乘层 使输入特征块内部的局部特征之间的距离拉近， 使类内特征更为集中， 然后利用特征相加 层将输入特征块与 处理后的特征块叠加， 防止特征退化； 最后使用特征拼接层将两分支的 特征信息拼接融合， 得到表达能力更强的特 征信息。 9.根据权利要求8所述的一种冷却塔结冰检测 识别方法， 其特征在于， 所述目标中心定 位通过回归的方式找到目标定位框的中心点坐标； 然后使用k ‑means算法将特征信息以中 心点为簇进行聚类， 并剔除离 散点； 最后由掩码图生成层按聚类结果 生成聚类掩码图。 10.一种计算机可读存储介质， 存储有计算机程序指令， 其特征在于， 所述程序指令被 处理器执行时实现权利要求7 ‑9任一项所述的方法。权　利　要　求　书 2/2 页 3 CN 115546735 A 3