[發明專利]一種火災圖像深度學習模式識別方法

在審

• 申請號: 201810638166.4
• 申請日: 2018-06-20
• 公開（公告）號: CN109063728A
• 公開（公告）日: 2018-12-21
• 發明（設計）人: 張秀玲;侯代標;董逍鵬
• 申請（專利權）人: 燕山大學
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 秦皇島一誠知識產權事務所(普通合伙) 13116
• 代理人: 李合印

1.一種火災圖像深度學習模式識別方法，其特征在于，所述方法包括以下步驟：

步驟1，通過python爬蟲技術，從百度圖片網絡中獲取復雜背景下火災各階段的圖像，并同時獲取干擾圖像，選取兩種典型的圖像作為干擾源，蠟燭圖像和煙花圖像；對輸入圖像進行預處理，預處理之后火災圖像作為訓練樣本和測試樣本；

步驟2，設計一個n層GoogleNet卷積神經網絡模型，使用樣本訓練網絡，通過訓練讓網絡自動提取深層顏色特征用以排除人工的痕跡；

步驟3，使用卷積網絡提取的高級圖像特征訓練分類器，進行火災圖像識別。

2.根據權利要求1所述的一種火災圖像深度學習模式識別方法，其特征在于，步驟1中，測試樣本與訓練樣本的預處理包括：

對訓練、測試樣本實施去均值，訓練樣本圖像減去訓練樣本均值；測試樣本圖像減去訓練樣本均值；

隨機選擇對訓練樣本增加轉動角度，提升圖像在角度方面的圖像多樣性；

隨機選擇對訓練樣本在水平方向上進行拉伸或壓縮，提升圖像在視覺方面的圖像多樣性；

統一訓練樣本、測試樣本尺寸大小。

3.根據權利要求1所述的一種火災圖像深度學習模式識別方法，其特征在于：步驟2中，設計一個n層GoogleNet卷積神經網絡；

采用的火災圖像數據庫有3種，網絡輸出為aⁱ,i＝1,2,3...m，其中m為輸出個數,m＝3；則網絡每一層的計算公式如下：

其中l為網絡的第l層；w_lj為第l層網絡通道；x_l為第l層輸入；K是每層連接神經元的個數。

4.根據權利要求1所述的一種火災圖像深度學習模式識別方法，其特征在于：步驟2中，使用樣本訓練卷積神經網絡，提取深層特征包括：

使用隨機和稀疏連接表在特征維度上構建每個卷積層，并根據多個卷積層構建卷積神經網絡對火災圖像圖像進行卷積與池化操作；

使用Inception-v3網絡模塊對不同通道的圖像特征圖進行加權運算，使用模塊中全連接層對圖像特征進行加強；

將不同尺寸的特征通道模塊融合為多尺度特征；

將不同深度上的特征進行歸一化并融合為深層特征；

對提取到的特征輸入全連接層進行分類輸出。

5.根據權利要求4所述的一種火災圖像深度學習模式識別方法，其特征在于：所述使用隨機和稀疏連接表在特征維度上構建每個卷積層，根據多個卷積層構建卷積網絡對火災圖像圖像進行卷積與池化操作包括：

卷積層在特征維度上使用隨機和稀疏連接表組合密集的網絡形成逐層結構，分析最后一層的數據統計并聚集成具有高相關性的神經元組，該神經元形成下一層的神經元并連接上一層的神經元；相關的神經元集中在輸入數據圖像的局部區域，在下一層覆蓋小尺寸的卷積層，小數量展開的神經元組被較大的卷積所覆蓋，其中，融合多尺度特征的采用1×3和3×1大小的卷積層和3×3大小的池化層過濾器，所有輸出的濾波器組連接作為下一層的輸入；在高計算量的3×3和5×5的卷積核之前添加1×1的卷積核。

6.根據權利要求4所述的一種火災圖像深度學習模式識別方法，其特征在于，所述使用Inception-v3網絡模塊對不同通道的圖像特征圖進行加權運算，使用模塊中全連接層對圖像特征進行加強包括：

在前經過前兩卷積層核池化層之后，輸入到Inception-v3結構中，使用多種小卷積核進行多尺度特征提取，而且小卷積核可以大大減少參數量，最后融合多通道的多尺度特征，輸出1×1×n的特征，作為下個Inception-v3的輸入；對Inception-v3結構串行連接，形成有3個Inception的結構，在網絡最后添加全連接層和分類器，最后建立了22層GoogleNet模型。

7.根據權利要求1所述的一種火災圖像深度學習模式識別方法，其特征在于，所述步驟2的具體步驟為：

步驟2-1，確定用于火災圖像模式識別的卷積神經網絡訓練學習的控制參數：

具體控制參數包括：用于網絡訓練初始種類個數NP，最大學習代數N，網絡訓練效果的目標值e，以及訓練樣本數目M；

步驟2-2，訓練樣本數據的處理：

將火災圖像預處理圖像直接輸入到網絡，讓網絡前端的多層卷積神經網絡進行自動特征提取，然后輸入到輸出層激勵函數中去；

步驟2-3，多層卷積神經網絡的設置：

多層卷積神經網絡模型采用網狀拓撲結構，是由特征提取層、特征加權通道、特征融合層和輸出層構成；特征提取層也稱淺層特征提取層；

步驟2-4，Inception-v3型塊的設置：

將3×3和5×5、7×7的大卷積拆分成1×3、3×1、7×1、1×7的小卷積核，分成4個通道，并在開始使用1×1卷積核減少運算量，最后對多通道多尺度特征進行特征融合；

步驟2-5，記錄訓練學習的網絡參數，得到一個22層網絡模型3輸出的多層激勵函數的改進型卷積神經網絡；

按照上述步驟建立好網絡后，再進行火災圖像識別。