[發明專利]基于膠囊網絡的火焰目標識別方法、設備及介質

有效

• 申請號: 202110813904.6
• 申請日: 2021-07-19
• 公開（公告）號: CN113408488B
• 公開（公告）日: 2022-11-25
• 發明（設計）人: 岑麗輝;吳玉明;陳曉方;謝永芳;唐朝暉
• 申請（專利權）人: 中南大學
• 主分類號: G06V20/40
• 分類號: G06V20/40;G06V10/774;G06V10/82;G06N3/04;G06N3/08
• 代理公司: 長沙軒榮專利代理有限公司 43235
• 代理人: 叢詩洋

本公開實施例中提供了一種基于膠囊網絡的火焰目標識別方法、設備及介質，屬于圖像處理技術領域，具體包括：利用樣本數據集進行二階訓練得到目標膠囊網絡；將待檢測圖像輸入多個卷積層，提取包含空間特征的特征圖集合；將特征圖集合輸入膠囊轉換層，得到包含特征向量的初級膠囊；得到高級膠囊；判斷高級膠囊中的向量模長是否大于或等于閾值；若是，則判定待檢測圖像中存在火焰目標；若否，則判定待檢測圖像中不存在火焰目標。通過本公開的方案，二階訓練得到目標膠囊網絡，對于輸入目標膠囊網絡的待檢測圖像，利用多層膠囊網絡前向計算的聯合動態路由算法計算向量模長，以預測火焰目標是否存在，提高了識別的適應性、識別速度和識別精準度。

技術領域

本公開實施例涉及圖像處理技術領域，尤其涉及一種基于膠囊網絡的火焰目標識別方法、設備及介質。

背景技術

目前，基于圖像的火焰目標識別方法是智能安防，森林防火的重要組成部分，也是目前計算機視覺領域的主流方法。基于圖像的火焰目標識別方法主要有兩大類方法，一種是基于傳統圖像處理的識別方法，一種是基于深度學習的識別方法。

基于傳統圖像處理的火焰識別，主要是人工提取的火焰特征和分類器模型相結合的方法。例如面積大小，紋理特征+貝葉斯分類器，YCrCb特征+K-means聚類等。該類方法的特征由人為選擇提取，主觀性強，抗干擾性，適應性較弱，缺乏泛化能力。

基于深度學習的火焰識別主要是指利用卷積神經網絡(Convolutional NeuralNetwork,簡稱CNN)直接從圖像中提取人難以從直觀上理解的深度抽象特征，其表征能力強，對火焰目標的識別分類效果好，但CNN的平移不變性破壞了目標的空間特征，從而降低了對識別目標的整體特性表達能力，并且CNN的訓練成本高，計算量龐大，對火焰識別的實時性差。

可見，亟需一種適應性、識別速度和識別精準度較高的基于膠囊網絡的火焰目標識別方法。

發明內容

有鑒于此，本公開實施例提供一種基于膠囊網絡的火焰目標識別方法、設備及介質，至少部分解決現有技術中存在適應性、識別速度和識別精準度較差的問題。

第一方面，本公開實施例提供了一種基于膠囊網絡的火焰目標識別方法，包括：

利用樣本數據集進行二階訓練得到目標膠囊網絡，其中，所述樣本數據集包括多張含火焰目標的圖像和多種不含火焰目標的圖像，所述目標膠囊網絡包括多個卷積層和膠囊轉換層；

將待檢測圖像輸入所述多個卷積層，提取包含空間特征的特征圖集合；

將所述特征圖集合輸入所述膠囊轉換層，得到包含特征向量的初級膠囊；

根據聯合動態路由算法對所述初級膠囊進行前向計算，得到高級膠囊；

判斷所述高級膠囊中的向量模長是否大于或等于閾值；

若所述高級膠囊中的向量模長大于或等于所述閾值，則判定所述待檢測圖像中存在火焰目標；

若所述高級膠囊中的向量模長小于所述閾值，則判定所述待檢測圖像中不存在火焰目標。

根據本公開實施例的一種具體實現方式，所述利用樣本數據集進行二階訓練得到目標膠囊網絡的步驟，包括：

根據所述樣本數據集和平方差損失函數對所述初始膠囊網絡進行訓練，得到輸出向量；

在所述初始膠囊網絡末端連接一個全連接層，并將所述輸出向量訓練所述全連接層，得到復合損失函數以形成所述目標膠囊網絡。

根據本公開實施例的一種具體實現方式，所述將待檢測圖像輸入所述多個卷積層，提取包含空間特征的特征圖集合的步驟，包括：

將所述待檢測圖像進行預處理操作，得到與所述目標膠囊網絡的輸入端規格一致的目標圖像，其中，所述預處理操作包括拉伸操作或縮放操作中至少一種；