[發(fā)明專利]一種基于CNN卷積神經(jīng)網(wǎng)絡(luò)的圖像火焰識別系統(tǒng)

在審

• 申請?zhí)枺?/td>: 201710148649.1
• 申請日: 2017-03-10
• 公開（公告）號: CN106934404A
• 公開（公告）日: 2017-07-07
• 發(fā)明（設(shè)計）人: 裴瑞宏;朱江;葉威;韓暢;齊振濤;張浩宇;王虹林
• 申請（專利權(quán)）人: 深圳市瀚暉威視科技有限公司
• 主分類號: G06K9/46
• 分類號: G06K9/46
• 代理公司: 深圳市中科創(chuàng)為專利代理有限公司44384
• 代理人: 高早紅,謝亮

1.一種基于CNN卷積神經(jīng)網(wǎng)絡(luò)的圖像火焰識別系統(tǒng)，其特征在于：

包括用于識別火焰的CNN神經(jīng)網(wǎng)絡(luò)，其中，CNN神經(jīng)網(wǎng)絡(luò)包括3個CNN子網(wǎng)絡(luò)，其分別為CNN子網(wǎng)絡(luò)1、CNN子網(wǎng)絡(luò)2和CNN子網(wǎng)絡(luò)3；

3個CNN子網(wǎng)絡(luò)的輸入數(shù)據(jù)分別為大小為m×n的RGB圖像分解為R、G和B的三個通道數(shù)據(jù)；

并且，每個CNN子網(wǎng)絡(luò)包括4個卷積層、3個池化層、1個全連接層和1個子網(wǎng)絡(luò)輸出層。

2.根據(jù)權(quán)利要求1所述的圖像火焰識別系統(tǒng)，其特征在于：每個CNN子網(wǎng)絡(luò)依次包括3×3大小的卷積核64個的第一卷積層、3×3卷積核64個的第二卷積層、2×2的核第一池化層、5×5卷積核96個的第三卷積層、2×2的核第二池化層、5×5卷積核96個的第四卷積層、2×2的核第三池化層、全連接層和子網(wǎng)絡(luò)輸出層。

3.根據(jù)權(quán)利要求1或2所述的圖像火焰識別系統(tǒng)，其特征在于：還包括由3個CNN子網(wǎng)絡(luò)的輸出加權(quán)求和得到最終的輸出結(jié)果的求和輸出層。

4.根據(jù)權(quán)利要求3所述的圖像火焰識別系統(tǒng)，其特征在于：每一子網(wǎng)絡(luò)輸出層輸出的結(jié)果數(shù)據(jù)包括無火概率、陰燃火概率、小明火概率和大明火概率。

5.根據(jù)權(quán)利要求4所述的圖像火焰識別系統(tǒng)，其特征在于：求和輸出層輸出的結(jié)果數(shù)據(jù)也包括無火概率、陰燃火概率、小明火概率和大明火概率；并且，其輸出式為：輸出權(quán)值W＝w₁×CNN子網(wǎng)絡(luò)1輸出+w₂×CNN子網(wǎng)絡(luò)2輸出+w₃×CNN子網(wǎng)絡(luò)3輸出；其中，w₁＝0.4，w₂＝0.3，w₃＝0.3。

6.根據(jù)權(quán)利要求5所述的圖像火焰識別系統(tǒng)，其特征在于：每個CNN子網(wǎng)絡(luò)的4個卷積層、3個池化層、1個全連接層的激活函數(shù)均采用ReLU函數(shù)；

其表達(dá)式為：

ReLU(x)＝max(0,x)；

并且，子網(wǎng)絡(luò)輸出層的激活函數(shù)為Softmax函數(shù)，其表達(dá)式為

$f\left(z_j\right)=\frac{e^{z_j}}{{\mathrm{\Σ}}_{i=1}^n{e}^{z_i}}.$

7.根據(jù)權(quán)利要求6所述的圖像火焰識別系統(tǒng)，其特征在于：各池化層采用選取區(qū)域中的最大值Max pooling作為輸出值。

8.根據(jù)權(quán)利要求7所述的圖像火焰識別系統(tǒng)，其特征在于：權(quán)值W的初始化采用零均值、常數(shù)標(biāo)準(zhǔn)差STD，其中，各層常數(shù)標(biāo)準(zhǔn)差STD分別為:[0.0001，0.001，0.001，0.001，0.01，0.1]。