[發(fā)明專利]一種基于CNN卷積神經網絡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）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

技術領域

本發(fā)明涉及計算機軟件領域，尤其涉及的是一種基于CNN卷積神經網絡的圖像火焰識別系統(tǒng)。

背景技術

現有技術中，由于火災的頻發(fā)性，盡早預防和避免火災事故越來越重要。近年來，隨著視頻監(jiān)視設備的普及和視頻圖像處理技術的發(fā)展，通過分析圖像信息識別有火焰成為一種新技術。

火焰視覺識別系統(tǒng)通常包括三部分：火焰數據采集、特征提取、火焰識別等。在獲得數據之后，然后對數據進行特征提取。最后，將提取到的特征數據輸入到模糊推理機、神經網絡、支持向量機等分類器中，得到識別結果。

然而，計算機為按上述流程完成圖像中火焰識別任務,需要大量的訓練數據來降低模型系統(tǒng)的不確定性。但是，目前尚未形成火焰的自然大數據集，這就意味著,現有的火焰識別模型系統(tǒng)中存在著大量不確定性。盡管在一個數據集的測試集上表現良好,但當實際應用時，模型對隨機的新數據泛化能力就會變得很差，魯棒性很低，精度急劇下降,無法重現實驗室模型的準確率。為此，亟需一種能識別率高、魯棒性好的火焰識別方法。

因此，現有技術存在缺陷，需要改進。

發(fā)明內容

本發(fā)明所要解決的技術問題是：提供一種識別率高、魯棒性好的基于CNN卷積神經網絡的圖像火焰識別系統(tǒng)。

本發(fā)明的技術方案如下：一種基于CNN卷積神經網絡的圖像火焰識別系統(tǒng)，包括用于識別火焰的CNN神經網絡，其中，CNN神經網絡包括3個CNN子網絡，其分別為CNN子網絡1、CNN子網絡2和CNN子網絡3；3個CNN子網絡的輸入數據分別為大小為m×n的RGB圖像分解為R、G和B的三個通道數據；并且，每個CNN子網絡包括4個卷積層、3個池化層、1個全連接層和1個子網絡輸出層。

應用于上述技術方案，所述的圖像火焰識別系統(tǒng)中，每個CNN子網絡依次包括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、全連接層和子網絡輸出層。

應用于各個上述技術方案，所述的圖像火焰識別系統(tǒng)中，還包括由3個CNN子網絡的輸出加權求和得到最終的輸出結果的求和輸出層。

應用于各個上述技術方案，所述的圖像火焰識別系統(tǒng)中，每一子網絡輸出層輸出的結果數據包括無火概率、陰燃火概率、小明火概率和大明火概率。

應用于各個上述技術方案，所述的圖像火焰識別系統(tǒng)中，求和輸出層輸出的結果數據也包括無火概率、陰燃火概率、小明火概率和大明火概率；并且，其輸出式為：輸出權值W＝w₁×CNN子網絡1輸出+w₂×CNN子網絡2輸出+w₃×CNN子網絡3輸出；其中，w₁＝0.4，w₂＝0.3，w₃＝0.3。

應用于各個上述技術方案，所述的圖像火焰識別系統(tǒng)中，每個CNN子網絡的4個卷積層、3個池化層、1個全連接層的激活函數均采用ReLU函數；其表達式為：ReLU(x)＝max(0,x)；并且，子網絡輸出層的激活函數為Softmax函數，其表達式為

應用于各個上述技術方案，所述的圖像火焰識別系統(tǒng)中，各池化層采用選取區(qū)域中的最大值Max pooling作為輸出值。

應用于各個上述技術方案，所述的圖像火焰識別系統(tǒng)中，權值W的初始化采用零均值、常數標準差STD，其中，各層常數標準差STD分別為:[0.0001，0.001，0.001，0.001，0.01，0.1]。

采用上述方案，本發(fā)明在火焰圖像數據尚未形成大數據集的當下，訓練得到的CNN神經網絡識別率和魯棒性高；即使獲取得到的火焰圖像存在位移、縮放及其他形式扭曲不變性，也有較好識別效果；避免了顯示的特征抽取，而隱式地從訓練數據中進行學習，避免了火焰出現的場合、形式不一樣，造成的識別錯誤。

附圖說明

圖1為本發(fā)明的連接示意圖。

具體實施方式

以下結合附圖和具體實施例，對本發(fā)明進行詳細說明。