[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

本發明公開了一種火災圖像深度學習模式識別方法，包括以下步驟：對火災圖像的測試樣本與訓練樣本進行預處理；設計基于改進的GoogleNet深度學習網絡，主要通過訓練讓網絡自動提取特征以排除人工的痕跡；使用深層特征訓練分類器并對火災測試樣本識別。本發明將圖像多尺度卷積融合網絡應用到火災圖像模式識別技術中，顯著提高了網絡的訓練效率，有效解決了火災識別方法中遇到的精度和實時性不夠理想、網絡結構復雜且訓練時間長和穩定性和魯棒性差等問題。訓練好的網絡在3類火災圖像識別精度達到99.2％。

技術領域

本發明涉及火災探測領域，尤其是一種火災圖像深度學習模式識別方法。

背景技術

火災發生時，對人的生命財產造成極大的危害，如果在火災發生初期就可以發現及時作出報警，對減少人身財產損失、爭取救援時間具有重要的現實意義。通過傳感器、攝像頭等檢測設備對火災現場進行火災數據采集，對采集到的數據輸入火災識別模型中，判別火災發生情況，并把識別結果反饋到報警控制系統，對火災情況進行報警，為了對火災發生時達到及時精確的識別與報警，需要一種可靠、識別精度高的火災識別方法。

火災識別作為整個火災檢測技術的核心，其識別效果的好壞直接影響火災報警系統能否對火災發生前期準確的做出預警。火災檢測技術的發展主要有一下兩個方向，第一是使用各種傳感器探測火災發生時的溫度，煙霧等信號以識別是否發生火災，該探測系統存在易受到周圍環境以及電子噪聲的干擾，誤報率非常高，而且這種系統不能掌握火災現場的情況；第二是使用圖像檢測技術識別火災，圖像探測作為基于計算機信息處理技術的一種新興火災探測方法，傳統火災圖像識別方法相比傳感器火災信號識別，在識別效果、應用范圍、抗干擾方面有了很大的進步，但是也存在需要人工進行特征提取，人工提取特征的圖像型火災檢測在多干擾的情況下準確率有限，而且人工特征提取過程復雜，模型泛化能力差等問題，為解決以上問題提出一種利用深度學習方法的火災圖像識別新方法。

而且現有火災圖像缺少各種環境下的各種火災階段的完備的數據庫，單一數據庫建立的火災識別模型泛化能力差，缺少防止識別過程出現的誤報的告饒圖像，例如煙花、蠟燭、霓虹燈等。也對識別準確率造成了影響。

隨著計算機技術和智能算法的快速發展，智能算法結合計算機技術為火災圖像識別提供了新方法和理論依據，將智能優化算法技術應用到深度學習訓練中，提高了網絡模型精度和效。

綜上所述，針對現有技術火災圖像識別的準確率低、誤報、漏報、參數冗余與小樣本過擬合的問題，目前尚未有有效的解決方案。

發明內容

本發明目的在于提供一種能夠提高火災圖像識別的準確率、精簡結構參數、消除過擬合的火災圖像深度學習模式識別方法。

為實現上述目的，采用了以下技術方案：本發明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。

進一步的，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。