[發明專利]一種結合DCLRN網絡和光流法的實時火災監測方法

在審

• 申請號: 201810539506.8
• 申請日: 2018-05-30
• 公開（公告）號: CN108830305A
• 公開（公告）日: 2018-11-16
• 發明（設計）人: 唐鵬;胡超;金煒東
• 申請（專利權）人: 西南交通大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04
• 代理公司: 成都信博專利代理有限責任公司 51200
• 代理人: 劉凱

1.一種結合DCLRN網絡和光流法的實時火災監測方法，其特征在于，包括下步驟：

步驟1：建立由卷積神經網絡和深度長短時記憶神經網絡組成DCLRN神經網絡，并設計DCLRN神經網絡的拓撲結構；

步驟2：獲取大量火災圖片作為數據集，采用光流法處理火災圖片，并輸入到所述DCLRN神經中進行神經網絡模型的訓練；

步驟3：將DCLRN網絡與光流法結合訓練得到的模型運用于工控計算機中，進行開闊場景的火災監測。

2.如權利要求1所述的一種結合DCLRN網絡和光流法的實時火災監測方法，其特征在于，所述DCLRN神經網絡包含十個學習層：其中卷積神經網絡基于AlexNet網絡，包括五個卷積層和一個全連接層fc6，共六個學習層；所述深度長短時記憶神經網絡包括三層級聯LSTM網絡和一個全連接層fc10，共四個學習層；LSTM1網絡的輸入是AlexNet網絡的全連接層fc6的輸出，LSTM1網絡將學習到的時序特征輸入到LSTM2網絡中；所述LSTM2網絡將學習到的時序特征輸入到LSTM3網絡中；所述LSTM3網絡的輸出接到 “Drop_Out”層，防止網絡過擬合；所述“Drop_Out”層接入到全連接層f10，全連接層f10的輸出維度即是分類的類別數。

3.如權利要求2所述的結合DCLRN網絡和光流法的實時火災監測方法，其特征在于，所述AlexNet網絡輸入的圖片大小為16*227*227，AlexNet網絡的全連接層fc6輸出維度為16*4096；所述LSTM1網絡的輸出維度為16*512，LSTM2網絡的輸出維度為16*256， LSTM3網絡的輸出維度為16*128；所述分類的類別數為16*3類，包括火焰、煙霧和正常。

4.如權利要求1所述的結合DCLRN網絡和光流法的實時火災監測方法，其特征在于，所述步驟2具體為：采用光流法將連續的火災RGB圖片轉換為光流圖片，并將光流圖片輸入到DCLRN神經網絡中，進行火災光流圖片的時序特征學習，結合DCLRN神經網絡對時序信號處理能力和光流法對火災動態部分過濾的功能，使整個網絡達到對火災的分類識別效果。

5.如權利要求4所述的結合DCLRN網絡和光流法的實時火災監測方法，其特征在于，所述光流法中縮放和移動圖片的x和y的flow值在 [-128，+ 128]。

6.如權利要求1所述的結合DCLRN網絡和光流法的實時火災監測方法，其特征在于，所述進行開闊場景的火災監測包括以下步驟：

步驟31：通過工業攝像機采集環境視頻；

步驟32：工控計算機中的腳本程序分解視頻為圖片幀，FPS為5；

步驟33：將分解的圖片轉換為光流圖片；

步驟34：將轉換的光流圖片每連續16幀送入模型中檢測；

步驟35：輸出測試結果。