一种基于改进卷积神经网络的火焰识别和检测方法技术

本发明专利技术涉及消防技术领域，尤其涉及火灾探测技术方法，特别涉及一种基于卷积神经网络的火焰识别和检测方法。为了优化借助于深度学习中广泛应用于模式识别、图像处理的卷积神经网络算法来对火焰进行识别和检测问题。本发明专利技术通过增加数据多样性和数据增强的方式，构建火焰图像样本库；通过增加卷积核数量、卷积

【技术实现步骤摘要】
一种基于改进卷积神经网络的火焰识别和检测方法


[0001]本专利技术涉及消防领域，主要涉及火灾探测技术问题，是一种基于卷积神经网络的火焰识别和检测方法。

技术介绍

[0002]目前，在建筑场所广泛使用的火灾探测技术有，感烟、感温、感光探测器及复合型探测器。然而，随着社会经济快速发展，城市化进程不断加快，各种“高、大、新、奇”建筑不断涌现。各传统火灾探测技术的弊端逐步显现出来。感烟探测器在大空间建筑中，由于热障层的存在，造成烟气不能够到达建筑顶部；亦或受空气流动的影响，烟气被空气气流吹散，上升至建筑顶部的烟气浓度会降低很多，达不到感烟探测器的响应阈值，报警信号便不会产生，此外若粉尘浓度过大，则会引起感烟探测器的误报警情况。感温探测器灵敏度低，响应时间长，对阴燃初期几乎不起作用，且监控区域十分有限。感光设备造价比较高昂，其可靠性和有效性也不稳定，因此限定了其在实践中的使用空间。复合型火灾探测器将感烟、感温、感光探测器融合在一起，探测器的整体性能有了提高，但并没有完全消除感烟、感温、感光探测器各自的缺点，但仍无法应用于大空间火灾的探测报警。鉴于火灾的发生具有很大的不确定性、突发性和多变性，传统火灾探测器不适用于大型工厂、仓库及诸如森林公园等室外开放大空间进行火灾探测。此外，传统火灾探测器无法提供火场更多的详细信息，如火灾位置、火势大小等，不能很好的满足现代火灾探测的要求。
[0003]近年来，在各式建筑中都会大量布置安防监控系统，利用监控视频对火灾进行探测成为一种新的研究方向。随着图像处理技术的发展，研究人员发现，火灾中的火焰图像具有特殊的纹理、颜色等方面的视觉特征，故在对实时监控视频图像进行去噪、增强、灰度变换等预处理基础上，通过提取火焰及烟雾的静态、动态视觉特征，然后运用神经网络、模式识别等技术加以分类识别。这种基于视觉特征的火灾探测技术相比于传统的火灾探测技术具有响应速度快，准确度高，信息丰富直观等优点。但这种探测技术效果如何，很大程度上依赖人工对火灾图像特征的选取和提取。人工特征选取的合理有效，识别的效果就好，而人工选择特征在相当大程度上依赖于专业的知识和广泛的实践。
[0004]人工智能、深度学习等专业术语成为社会的一大热词，以深度学习为代表的新一代人工智能技术，如人脸识别、语音识别及图像识别等技术已经融入到人们的日常生活中。深度学习作为人工智能研究领域的一个分支学科，是一门研究如何让计算机获取类似于人的学习能力进而能够不断获取新知识的学科。其之所以称为深度学习，是因为其能够从海量的数据中，自主学习找到数据的本质特征，这在人工智能领域掀起了一场创新性革命。
[0005]本申请提供一种基于卷积神经网络的火焰识别和检测的方法，主要借助于深度学习中广泛应用于模式识别、图像处理的卷积神经网络算法(Convolutional Neural Network，CNN) 来对火焰进行识别和检测。免去前期对图像特征选取所造成的人力物力的消耗，同时提高火焰识别、检测的准确率，为火灾探测提供一个新的方法。

技术实现思路

[0006]本专利技术主要通过数据增强技术手段，构建火焰样本库；基于小卷积核代替大卷积核、双卷积层的优化方法，设计火焰识别模型FlameNet，并对比不同卷积核数量、不同卷积核尺寸的卷积神经网络模型；借鉴Faster
‑
RCNN目标检测技术，设计火焰检测模型。并在在Matlab GUI平台设计并实现，在保证识别和检测效果的同时，也具有一定的抗干扰能力，为火焰探测提供了新思路。具体内容如下：
[0007]1.一种基于卷积神经网络的火焰识别和监测的优化方法，包括：
[0008]a)优化卷积神经网络性能；
[0009]b)通过增加数据多样性和数据增强的方式，构建火焰图像样本库；
[0010]c)通过优化卷积核数量和卷积核尺寸以及模型层数，设计火焰识别模型；
[0011]d)基于Faster
‑
RCNN算法，设计火焰检测模型。
[0012]2.基于卷积神经网络的火焰识别和监测方法，所述优化卷积神经网络性能，包括：
[0013]a)增加卷积核数量可以加强卷积神经网络对于图像的提取能力，进一步提升图像识别的准确度，但是训练收敛的时间会变长；
[0014]b)可以通过卷积
‑
卷积
‑
池化的结构来实现相同的目的，在卷积层后面设置一个或多个相同的卷积层构成多组卷积结构。采用多组卷积结构可以在一定程度上提升测试性能；
[0015]c)可以使用多个小尺寸卷积核替代大尺寸卷积核，既实现了原有的卷积运算，又大大降低了模型的参数量，替代前后卷积核的参数量。
[0016]3.构建火焰图像样本库，首先从大型可视化图像数据网站下载部分图像样本；将自己实验拍摄的视频，逐帧提取出来。
[0017]构建火焰图像样本库，所述的样本库构建方法，包括：
[0018]a)增加数据多样性，能够有效的提升测试准确度；
[0019]b)通过数据增强的方式，如：图像翻转、剪切、改变对比度和添加噪声等，测试准确度有一定的提高，但是收敛速度变慢。
[0020]4.一种火焰识别模型，包括：
[0021]第1层为模型的输入层，规定必须为尺寸为64
×
64的RBG图像；
[0022]第2层为多重卷积层Conv1，其中多重卷积层内都包含两个小卷积层，Conv1内的小卷积层Conv1
‑
1和Conv1
‑
2的卷积核尺寸均为3
×
3，卷积核数量均为32，步长均为1，2个小卷积层输出后都经过激活函数ReLU激活后，进入下一环节；
[0023]第3层是池化层，采用区域为2
×
2，步长为2的最大池化模式；
[0024]第4层为多重卷积层Conv2，其中多重卷积层内都包含两个小卷积层，Conv2内的小卷积层Conv2
‑
1和Conv2
‑
2的卷积核尺寸均为3
×
3，卷积核数量均为64，步长均为1，2个小卷积层输出后都经过激活函数ReLU激活后，进入下一环节；
[0025]第5层是池化层，采用区域为2
×
2，步长为2的最大池化模式；
[0026]第6层为模型的全连接层，包含500个隐含神经节点；
[0027]第7层为模型的输出层，采用Softmax分类器，判断输入图片为火焰还是背景图像。
[0028]5.火焰识别模型FlameNet，整个网络层层相连，连续的卷积、池化结构可以从火焰样本库中提取更多的有效信息。
[0029]2个3
×
3的卷积层连续卷积，在感受野方面等同于尺寸为5
×
5的卷积层，却大大减少了网络模型的参数。
[0030]使用ReLU激活函数增强了模型非线性程度的表达，有利于增强局部模型的抽象能力。
[0031]Dropout本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于卷积神经网络的火焰识别和监测的优化方法，其特征在于，包括：a)优化卷积神经网络性能；b)通过增加数据多样性和数据增强的方式，构建火焰图像样本库；c)通过优化卷积核数量和卷积核尺寸以及模型层数，设计火焰识别模型FlameNet；d)基于Faster
‑
RCNN算法，设计火焰检测模型FRCNN
‑
ZF模型。2.根据专利要求1所述的优化卷积神经网络性能，其特征在于，包括：增加卷积核数量可以加强卷积神经网络对于图像的提取能力，进一步提升图像识别的准确度，但是训练收敛的时间会变长；通过卷积
‑
卷积
‑
池化的结构来提取图像样本的特征，在卷积层后面设置一个或多个相同的卷积层构成多组卷积结构，采用多组卷积结构在一定程度上提升测试性能；使用多个小尺寸卷积核替代大尺寸卷积核，既实现了原有的卷积运算，又大大降低了模型的参数量，替代前后卷积核的参数量。3.根据专利要求1所述构建火焰图像样本库，其特征在于，包括：从大型可视化图像数据网站ImageNet(http://image
‑
net.org/)下载部分图像样本；将自己实验拍摄的视频，逐帧提取出来；增加数据多样性，有效的提升测试准确度；数据增强，通过图像翻转、剪切、改变对比度和添加噪声等，提高测试准确度，但是收敛速度变慢。4.一种火焰识别模型FlameNet，其特征在于，包括：第1层为模型的输入层，规定必须为尺寸为64
×
64的RBG图像；第2层为多重卷积层Conv1，其中多重卷积层内都包含两个小卷积层，Conv1内的小卷积层Conv1
‑
1和Conv1
‑
2的卷积核尺寸均为3
×
3，卷积核数量均为32，步长均为1，2个小卷积层输出后都经过激活函数ReLU激活后，进入下一环节；第3层是池化层，采用区域为2
×
2，步长为2的最大池化模式；第4层为多重卷积层Conv2，其中多重卷积层内都包含两个小卷积层，Conv2内的小卷积层Conv2
‑
1和Conv2
‑
2的卷积核尺寸均为3
×
3，卷积核数量均为64，步长均为1，2个小卷积层输出后都经过激活函数ReLU激活后，进入下一环节；第5层是池化层，采用区域为2
×
2，步长为2的最大池化模式；第6层为模型的全连接层，包含500个隐含神经节点...

【专利技术属性】
技术研发人员：栗婧，刘紫薇，张志珍，宋天宝，辛艳丽，
申请(专利权)人：中国矿业大学北京，
类型：发明
国别省市：