[發(fā)明專利]基于深度神經(jīng)網(wǎng)絡(luò)的森林火災(zāi)自動檢測方法和裝置

有效

• 申請?zhí)枺?/td>: 201811567947.5
• 申請日: 2018-12-21
• 公開（公告）號: CN109635814B
• 公開（公告）日: 2022-11-04
• 發(fā)明（設(shè)計）人: 趙運基;張海波;張新良;馬義超;范存良
• 申請（專利權(quán)）人: 河南理工大學(xué)
• 主分類號: G06V10/26
• 分類號: G06V10/26;G06V10/50;G06V10/764
• 代理公司: 廣州智斧知識產(chǎn)權(quán)代理事務(wù)所(普通合伙) 44649
• 代理人: 孔德超

本發(fā)明公開了一種基于深度神經(jīng)網(wǎng)絡(luò)的森林火災(zāi)自動檢測方法，其包括以下步驟：對訓(xùn)練樣本圖像進行擬合，獲取擬合后的擬合圖像集，尋求組合圖像；獲取所述組合圖像中的最優(yōu)數(shù)字組合；將待檢測圖像擬合得到初始處理圖像；采用自適應(yīng)閾值分割法選定初始處理圖像的候選區(qū)域，并對所述候選區(qū)域進行分割，得到疑似火災(zāi)圖像；構(gòu)建基于空間尺度HOG池化的卷積神經(jīng)網(wǎng)絡(luò)模型，將所述疑似火災(zāi)圖像輸入至所述卷積神經(jīng)網(wǎng)絡(luò)模型，當存在兩個或以上的火災(zāi)時，則所述待檢測圖像存在火災(zāi)點。本發(fā)明還提供了一種基于深度神經(jīng)網(wǎng)絡(luò)的森林火災(zāi)自動檢測裝置。本發(fā)明通過多通道融合后的融合圖像集訓(xùn)練創(chuàng)建樹狀CNN模型，進而獲取發(fā)生火災(zāi)的概率，精度高。

技術(shù)領(lǐng)域

本發(fā)明涉及圖像處理技術(shù)領(lǐng)域，具體為一種基于深度神經(jīng)網(wǎng)絡(luò)的森林火災(zāi)自動檢測方法和裝置。

背景技術(shù)

火災(zāi)是一種人為災(zāi)害，造成經(jīng)濟、社會、生態(tài)的災(zāi)難。為了降低災(zāi)害的損失，火災(zāi)的檢測具有非常重要的意義。隨著深度神經(jīng)網(wǎng)絡(luò)算法的不斷發(fā)展完善，學(xué)術(shù)界出現(xiàn)了多種基于深度神經(jīng)網(wǎng)絡(luò)的森林火災(zāi)檢測算法。其中，基于CNN(Convolutional Neural Network)的火災(zāi)檢測方法應(yīng)用較為廣泛。傳統(tǒng)的CNN算法要求輸入圖像尺寸固定，而在基于圖像的火災(zāi)檢測中，通常獲得的疑似火災(zāi)區(qū)域的尺寸不能滿足CNN網(wǎng)絡(luò)的尺寸要求。為了滿足CNN網(wǎng)絡(luò)的要求，需要對圖像進行變形、剪裁等處理，這種處理的結(jié)果可能造成失真，影響最終的識別結(jié)果。同時傳統(tǒng)的CNN網(wǎng)絡(luò)的池化方法基本采用最大、平均值池化的方法。這類方法沒有考慮特征圖像中像素間的幾何關(guān)系。

發(fā)明內(nèi)容

為了克服現(xiàn)有技術(shù)的不足，本發(fā)明的目的之一在于提供一種基于深度神經(jīng)網(wǎng)絡(luò)的森林火災(zāi)自動檢測方法，其將SPP應(yīng)用于CNN，解決輸入圖像的尺度轉(zhuǎn)換問題；通過驗證，該方法識別率較高，魯棒性較強。

本發(fā)明的目的之二在于提供一種基于深度神經(jīng)網(wǎng)絡(luò)的森林火災(zāi)自動檢測裝置，其將SPP應(yīng)用于CNN，解決輸入圖像的尺度轉(zhuǎn)換問題；通過驗證，該方法識別率較高，魯棒性較強。

為實現(xiàn)上述目的之一，本發(fā)明提供如下技術(shù)方案：

一種基于深度神經(jīng)網(wǎng)絡(luò)的森林火災(zāi)自動檢測方法，包括以下步驟：

對訓(xùn)練樣本圖像進行擬合，獲取擬合后的擬合圖像集，尋求擬合圖像集中火焰區(qū)域和背景區(qū)域的對比度最大的一組擬合圖像作為組合圖像；

獲取所述組合圖像中各個擬合圖像的RGB三通道系數(shù)，將各個擬合圖像的RGB三通道系數(shù)的組合定義為最優(yōu)數(shù)字組合；

將待檢測圖像通過所述最優(yōu)數(shù)字組合進行RGB三通道擬合，得到初始處理圖像；

采用自適應(yīng)閾值分割法選定初始處理圖像的候選區(qū)域，并對所述候選區(qū)域進行分割，分割后的圖像，記為疑似火災(zāi)圖像；

構(gòu)建基于空間尺度HOG池化的卷積神經(jīng)網(wǎng)絡(luò)模型，將所述疑似火災(zāi)圖像輸入至所述卷積神經(jīng)網(wǎng)絡(luò)模型，當存在兩個或以上的疑似火災(zāi)圖像經(jīng)卷積神經(jīng)網(wǎng)絡(luò)模型的輸出結(jié)果為火災(zāi)時，則所述待檢測圖像存在火災(zāi)點。

優(yōu)選地，所述對訓(xùn)練樣本圖像進行擬合，獲取擬合后的擬合圖像集，包括：

對所述訓(xùn)練樣本圖像的R，G，B三個通道的圖像按照公式(1)所示進行擬合，得到擬合圖像集：

I(x_i,y_i)＝{k₁*R(x_i，y_i)+k₂*G(x_i,y_i)+k₃*B(x_i,y_i)|k∈[-2 -1 0 1 2]} (1)