[發(fā)明專利]一種基于遷移學習的雙通道卷積神經(jīng)網(wǎng)絡的煙霧圖像分類方法

在審

• 申請?zhí)枺?/td>: 201811420877.0
• 申請日: 2018-11-27
• 公開（公告）號: CN109522965A
• 公開（公告）日: 2019-03-26
• 發(fā)明（設計）人: 劉彥北;秦雯;肖志濤;張芳;耿磊;吳駿
• 申請（專利權）人: 天津工業(yè)大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發(fā)明提供了一種基于遷移學習的雙通道卷積神經(jīng)網(wǎng)絡的煙霧圖像分類方法，該方法包括：準備煙霧圖像和非煙霧圖像兩類樣本，將其歸一化為相同尺寸，對圖像進行旋轉以擴充數(shù)據(jù)，隨機分為訓練集、驗證集和測試集，作為后續(xù)網(wǎng)絡訓練的數(shù)據(jù)輸入；然后，用設計的雙通道卷積神經(jīng)網(wǎng)絡對數(shù)據(jù)集進行訓練，其中第一條通道網(wǎng)絡結合遷移學習策略，利用在大型數(shù)據(jù)集ImageNet上訓練生成的模型對其進行預訓練；第二條通道采用經(jīng)過實驗改進的AlexNet精簡網(wǎng)絡，提取煙霧圖像的細節(jié)特征；兩條通道分別訓練，最后特征融合，生成訓練模型對煙霧圖像進行分類；結果表明，該方法不但解決了數(shù)據(jù)集不足的問題，還提高了煙霧圖像分類的準確率。

技術領域

本發(fā)明涉及一種基于遷移學習的雙通道卷積神經(jīng)網(wǎng)絡的煙霧圖像分類方法，屬于圖像處理、機器視覺、深度學習、環(huán)境保護領域。

背景技術

火災探測任務對人員安全至關重要。傳統(tǒng)的火災探測器基于粒子采樣，溫度采樣，相對濕度采樣和煙霧進行分析，由于成本低且原理簡單，得到廣泛應用。因為傳感器需要與燃燒產(chǎn)物或環(huán)境氣體進行物理接觸，所以必須安裝在靠近火源的地方，否則難以迅速檢測到火災。人們發(fā)現(xiàn)煙霧經(jīng)常發(fā)生在火災之前，因此檢測煙霧比檢測火災更有價值。隨著圖像處理和數(shù)碼相機的高速發(fā)展，研究人員將注意力轉移到基于圖像的煙霧檢測技術，該技術可以在圖像中識別煙霧，同時采取報警措施。顯然，在大多數(shù)情況下，圖像的煙霧檢測比傳統(tǒng)檢測器更合適應用在空間較大的環(huán)境中，例如森林火災的應用。

近年來，深度學習在圖像分類和識別方面取得了巨大成功，它可以自動提取特征，省去了一般圖像處理方法中繁瑣的數(shù)據(jù)處理過程，并且較一般的方法具有很高的準確率。深度學習的局限性在于需要大量手動標記的樣本圖，而數(shù)據(jù)的收集非常困難且昂貴，遷移學習的出現(xiàn)可以很好的解決這個問題，通過預訓練模型參數(shù)初始化可以為新模型遷移優(yōu)化的參數(shù)，使模型很快收斂，并且具有很高的精度。

因此，本發(fā)明提出了一種基于遷移學習的雙通道卷積神經(jīng)網(wǎng)絡的煙霧圖像分類方法進行煙霧圖片的檢測分類。

發(fā)明內(nèi)容

本發(fā)明提出了一種基于遷移學習的雙通道卷積神經(jīng)網(wǎng)絡的煙霧圖像分類方法，將數(shù)據(jù)集輸入到兩條通道分別訓練，并且在第一條通道中使用遷移學習以保證模型迅速優(yōu)化收斂，同時學習到泛化性能較好的特征，第二條通道用來提取煙霧圖片的細節(jié)特征，最后進行特征融合以得到更全面的特征，提高網(wǎng)絡模型的分類性能。

本發(fā)明的技術方案，包括下列步驟：

步驟1：準備煙霧和非煙霧圖像作為兩類數(shù)據(jù)樣本。

步驟2：對步驟1中的圖像歸一化大小并進行數(shù)據(jù)擴充；

步驟3：將卷積神經(jīng)網(wǎng)絡的結構設計為雙通道網(wǎng)絡，兩條通道網(wǎng)絡同時獨立訓練，其中第一條網(wǎng)絡結合遷移學習提取泛化性能較好的特征，第二條網(wǎng)絡對數(shù)據(jù)集直接細節(jié)特征提取，在兩條網(wǎng)絡末端進行特征連接、融合，生成訓練網(wǎng)絡模型文件并保存；

步驟4：以訓練好的模型對實際煙霧和非煙霧圖像進行分類，得到分類結果。

與現(xiàn)有技術相比，本發(fā)明的有益效果是：

本發(fā)明解決了數(shù)據(jù)集不足模型易過擬合的問題，采用了數(shù)據(jù)擴充和遷移學習的方法，使模型更快收斂到高精度。并且，雙通道的網(wǎng)絡結構使得模型可以獨立訓練，保證了模型的魯棒性，提高了泛化性能，提高了模型的分類性能。

附圖說明

圖1總體框架示意圖，即摘要附圖；

圖2(a)煙霧圖像；

圖2(b)云圖像；

圖2(c)墻圖像；

圖2(d)水面圖像；

圖3遷移學習原理圖；