[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

本發明公開一種結合DCLRN網絡和光流法的實時火災監測方法，提出了一種DCLRN神經網絡，并將DCLRN網絡和光流法結合進行開放空間環境的火災監測，通過攝像頭實時采集火災視頻，將火災視頻分解為RGB圖像幀，再把RGB圖像轉換為光流圖片，再通過卷積神經網絡進行光流圖片的空間特征學習，進而利用深度LSTM網絡對光流圖片進行時序特征學習，最終訓練得到分類模型Model，再用該Model進行火災的分類識別，最終達到目的火災監測。本發明是一種端到端的訓練方式，既能檢測煙霧也能檢測火焰，適用于火災監測的大規模視覺理解任務，無需人工選擇特征，魯棒性好，可有效利用現有智能設備、便于管理員席位審核等優點，可用于倉庫、電站、深林等大型開闊區域的火災監測。

技術領域

本發明涉及火災監控技術領域，具體為一種結合DCLRN(Deep ConvolutionalLong-Recurrent Networks深卷積長周期網絡)網絡和光流法的實時火災監測方法。

背景技術

火災監控一直是被關注的熱點，特別是倉庫，森林，變電站，鐵路隧道等重要場所，這些場所一旦發生火災，后果將是災難性的。

現有的火災探測技術主要通過相關傳感器對煙霧、有害氣體和溫度進行探測，這類傳感器例如煙霧探測器具有靈敏度高，響應速度快，抗干擾性強能力強，成本低，使用壽命長，應用廣泛等特點。但是在開放的空間環境中，由于空間開闊、地勢大、空氣流動性強等原因，煙霧和溫度這些模擬信號在傳輸過程中的很容易被削弱，使最終到達探測器的火災信號很弱，使得煙霧，溫度，有害氣體等探測器得探測精度大大降低，延誤了火災報警的最佳時間。尤其是像森林這樣的一些開放的室外環境，使用煙霧傳感器檢測火災根本是不可行的。因此，對于大空間環境，需要以其他方式監測火災。為了克服傳統火災探測器的不足，隨著計算機視覺，數字圖像處理和模式識別技術的發展，基于視頻的火災探測技術逐漸被研究和開發，與傳統的感溫感煙探測技術相比，圖像探測技術在火災探測中具有諸多優勢，如適合于大面積大環境下使用；適用于惡劣的環境(多粉塵，高濕度)下使用，可以提供直觀的火災信息等等。此外，可以通過分析火災圖像的早期特征達到火災早期報警和早期防護的作用，即在煙霧或者火焰產生的初期就可以根據早期圖像觸發火警。

發明內容

針對上述問題，本發明的目的在于提供一種既能檢測煙霧也能檢測火焰，適用于火災監測的大規模視覺理解任務，無需人工選擇特征，魯棒性好的結合DCLRN網絡和光流法的實時火災監測方法。技術方案如下：

一種結合DCLRN網絡和光流法的實時火災監測方法，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。

進一步的，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。