[發明專利]一種集成卷積神經網絡的煙霧檢測方法

在審

• 申請號: 201911057914.0
• 申請日: 2019-11-01
• 公開（公告）號: CN110956611A
• 公開（公告）日: 2020-04-03
• 發明（設計）人: 余鋒;姜明華;周昌龍;馬佩;宋坤芳
• 申請（專利權）人: 武漢紡織大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06N3/04;G08B17/10
• 代理公司: 武漢維盾知識產權代理事務所(普通合伙) 42244
• 代理人: 彭永念

1.一種集成卷積神經網絡的煙霧檢測方法，其特征是：包括疑似煙霧獲取模塊、疑似煙霧確認模塊和煙霧報警模塊，具體實現的步驟為：

S1.疑似煙霧獲取模塊從將實時獲取的圖像通過Faster R-CNN模型檢測后，獲取含有疑似煙霧的圖像；

S2.疑似煙霧檢測模塊利用卷積神經網絡對疑似煙霧圖像的候選區進行檢測，確定含有煙霧的圖像；

S3.煙霧報警模塊對疑似煙霧確認模塊處理的結果進行應答。

2.根據權利要求1所述的一種集成卷積神經網絡的煙霧檢測方法，其特征是：在FasterR-CNN模型原有的基礎上進行網絡結構的精簡，將原來的13層卷積、13層ReLU函數減為10層卷積、10層ReLU函數。

3.根據權利要求1所述的一種集成卷積神經網絡的煙霧檢測方法，其特征是：步驟S1中疑似煙霧獲取模塊從通過Faster RCNN模型檢測后獲取含有疑似煙霧的圖像的具體實現步驟為：

S11.根據大量的煙霧數據樣本通過Faster R-CNN網絡訓練后得到煙霧檢測Faster R-CNN模型；

S12.利用訓練好的煙霧檢測Faster R-CNN模型，對實時的視頻目標圖像進行檢測，并得到疑似煙霧候選區的圖像；

S13.根據步驟S12獲得包含有疑似煙霧候選框的圖像，根據每個圖像相對應煙霧相似度的分數，當分數大于某一閾值時，則判定為煙霧。

4.根據權利要求1所述的一種集成卷積神經網絡的煙霧檢測方法，其特征是：步驟S2中疑似煙霧檢測模塊對疑似煙霧圖像的候選區進行檢測的具體實現步驟為：

S21.利用CNN模型對含步驟S1中有疑似煙霧圖片的候選區再次進行煙霧檢測；

S22.在疑似煙霧圖片中確定含有煙霧的圖像。

5.根據權利要求1所述的一種集成卷積神經網絡的煙霧檢測方法，其特征是：步驟S3中煙霧報警模塊進行應答的具體實現步驟為：

S31. 煙霧報警模塊對步驟2中檢測出含有煙霧的圖像進行應答；

S32. 將報警信息以短信、郵件的方式傳遞給工作人員。

6.根據權利要求3所述的一種集成卷積神經網絡的煙霧檢測方法，其特征是：步驟S12中Faster R-CNN模型檢測煙霧的具體實現步驟為：

S21.對前一幀圖像輸進CNN，得到煙霧的Feature Map；

S22.卷積特征輸入到RPN，得到候選框的特征信息；

S23.對候選框中提取出的煙霧特征，使用分類器判別是否屬于煙霧；

S24.對于屬于煙霧的候選框，用回歸器進一步調整煙霧的位置。

7.根據權利要求4所述的一種集成卷積神經網絡的煙霧檢測方法，其特征是：在CNN模型中向CONV層引入了一個超參數；

用于在更少的圖層中合并輸入更多的空間信息，提高Faster R-CNN對于小目標的檢測準確度。

8.根據權利要求2所述的一種集成卷積神經網絡的煙霧檢測方法，其特征是：在原有的神經網絡激活函數的基礎上加入Leaky ReLU函數，

用于解決ReLU函數進入負區間后，神經元不學習的問題，在網絡中向后推進計算相對于權重的誤差梯度時執行反向優化，相應地使用梯度下降來優化權重以減少誤差。

9.根據權利要求1所述的一種集成卷積神經網絡的煙霧檢測方法，其特征是：FasterR-CNN引入局部標注和時空上下文策略；

用于降低遮擋物對煙霧檢測的影響。

10.根據權利要求1所述的一種集成卷積神經網絡的煙霧檢測方法，其特征是：FasterR-CNN設定自適應閾值，用于通過壓縮Faster R-CNN候選區域的數量， 在確保檢測準確度的同時提高了速度。