[發明專利]基于深度卷積神經網絡的堆場煙霧監測及在線模型更新方法

在審

• 申請號: 201710221097.2
• 申請日: 2017-04-06
• 公開（公告）號: CN107025443A
• 公開（公告）日: 2017-08-08
• 發明（設計）人: 黃敏;王正來;朱啟兵;郭亞
• 申請（專利權）人: 江南大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04
• 代理公司: 無錫市大為專利商標事務所(普通合伙)32104
• 代理人: 曹祖良,劉海

技術領域

本發明涉及一種煙霧監測方法，尤其是一種基于深度卷積神經網絡的堆場煙霧監測及在線模型更新方法。

背景技術

火災是危害公眾安全和社會發展的一類最為普遍和最為重要的災害。火災不僅毀壞物質財產，還嚴重威脅著人的生命健康和安全，一旦發生會給我們造成不可挽回的損失。2015年8月12日，天津港發生火災爆炸事故，造成165人遇難，798人受傷，已核定的直接經濟損失達68.66億元。堆場的安全問題，尤其是火災預警一直是消防安全領域的一個重要課題。如果能夠在火災發生初期及早發現，并將其撲滅就可以最大限度的降低火災造成的危害。“煙為火始”，火災發生的前期通常會產生煙霧，因此如果能夠及時地檢測到煙霧，那么可以提供更早的火災預警，減少人員傷亡和財產損失。

煙霧的檢測從本質上來說是一個模式識別問題，煙霧特征的充分獲取是識別精度和模型泛化能力的保證。現有的煙霧識別方法中，多是利用單一特征(如顏色特征等)，但是由于煙霧本身存在著形狀、顏色不固定等特點，存在著特征充分提取困難的問題，造成模型分類精度不佳，影響煙霧實時檢測，因而有必要尋找新的特征提取手段。

顏色、紋理、運動檢測是目前煙霧檢測方法使用的三種主要特征。顏色特征是最為廣泛的視覺特征，目前通常是尋找合適的顏色空間進行煙霧區域分割，如RGB顏色空間、HIS顏色空間等。紋理特征是一種反映圖像中同質現象的視覺特征，主要有統計型紋理特征、模型型紋理特征、信號處理型紋理特征、結構型紋理特征等四種。運動特征首先要提取運動矢量，如基于塊匹配的相關技術、光流法等。一方面，這些方法使用時難以剔除類煙物體的干擾，例如使用顏色特征時云霧的干擾等。另一方面，這些方面不能較好的描述煙霧的本質，對環境變化的適應能力不強，比如光照對運動檢測的影響，不能確保選用的特征對于不同堆場環境下的適用性。在如何充分提取煙霧特征，并同時滿足視頻監控條件下煙霧監測的實時性和高分類精度仍存在改進的空間。

發明內容

本發明的目的是克服現有技術中存在的不足，提供一種基于深度卷積神經網絡的堆場煙霧監測及在線模型更新方法，其能夠實現在堆場環境視頻監控條件下進行實時煙霧檢測，同時根據漏報、誤報情況實現模型的在線更新，進一步提升檢測精度，實現火災預警，減少財產損失，穩定性更高，使用更加方便。

按照本發明提供的技術方案，所述基于深度卷積神經網絡的堆場煙霧監測及在線模型更新方法，其特征是，包括以下步驟：

(1)將收集的視頻數據轉為圖片序列，并對煙霧區域進行位置、類標標注，將位置、類標信息保存為類標文件夾，圖片與位置、類標信息兩個文件夾組成了初始正負樣本集Y；

(2)將步驟(1)獲得的初始正負樣本集Y按設定的比例分為訓練集Y₁₁、測試集Y₂和驗證集Y₁₂；將訓練集Y₁₁和驗證集Y₁₂放入通用的深度卷積神經網絡模型進行訓練，對通用模型進行參數微調，不斷進行迭代訓練同時計算損失函數，根據損失函數挑選多個初始模型，通過對測試集Y₂進行測試，根據ROC曲線挑選最優初始模型X；

(3)利用步驟(2)得到的初始模型X，對堆場環境下視頻監控進行煙霧檢測，同時保存檢測結果及置信值，每隔一段時間根據檢測結果更新正負樣本集并進行模型更新得到更新模型X'，通過測試模型精度進行評價。

進一步的，所述步驟(1)包含以下步驟：

步驟1.1、將收集的視頻數據轉為圖片序列，將所有圖片中存在煙霧的區域以矩形框的形式標注出來，并打上Smoke的類標；

步驟1.2、圖片中矩形框的位置以及類標信息以標準VOC2007格式保存在位置、類標文件夾中，名字與對應圖片同名，圖片與位置、類標信息兩個文件夾組成了初始正負樣本集Y。

進一步的，所述步驟(2)包含以下步驟：

步驟2.1、將初始正負樣本集Y按9:1的比例以隨機的方式分為訓練集Y₁和測試集Y₂，將訓練集Y₁同樣按9:1的比例隨機方式分為訓練集Y₁₁與驗證集Y₁₂；