一种在复杂环境下判断物体燃烧区域的方法技术

本发明专利技术属于火灾探测技术领域，解决现有技术中燃烧区域判断过于复杂和判断不准确的问题，尤其涉及一种在复杂环境下判断物体燃烧区域的方法，首先进行图像预处理，然后计算火焰图像样本的期望最大回报值，然后构建深度学习网络的权值更新方程，接着训练深度学习网络，最后利用训练好的深度学习网络来识别火焰。相对于现有技术，本发明专利技术具有深度学习的特点，且燃烧区域判断全面，可操作性强，对于燃烧区域的判断更准确，更快速。

A method to judge the burning area of an object in a complex environment

The invention belongs to the technical field of fire detection, solves the combustion area of judgment is too complicated and inaccurate, especially relates to a method to determine the object of the combustion area in a complex environment, firstly, image preprocessing, and then calculate the maximum expected return value of flame image sample, and then construct the deep learning network weights update the equation, then training deep learning network, finally the trained deep learning network to identify the flame. Compared with the existing technology, the invention has the characteristics of deep learning, and the combustion area is comprehensive, and the operability is strong, and the combustion area is more accurate and fast.

【技术实现步骤摘要】
一种在复杂环境下判断物体燃烧区域的方法
本专利技术属于火灾探测
，尤其涉及一种在复杂环境下判断物体燃烧区域的方法。
技术介绍
火灾是破坏性非常大的灾害之一，在全球范围内，每年发生的火灾都会对经济、社会、环境等造成非常大的影响。当背景环境比较复杂时，火势的变化会比较不规律，燃烧呈现出立体多层次的特点，火势难以控制，给扑救造成一定的困难，因此，会带来更严重的损失和风险。目前，大部分场所采用的是传感器探测，例如感温型、感烟型、感光型及复合型的传感器。这些传感器在火灾监测中应用非常普遍，但并没有完全解决传统监测手段较偏向于室内小空间的问题，和在与室内环境截然不同的大空间或大面积场所下监测不足的问题。随着图像处理技术和计算机科学的不断发展，使基于图像处理的火灾识别监测技术迎来了迅猛成长的阶段。这种技术以计算机为核心，将机器学习中的模式识别方法与数字化图像处理技术相结合。一般在监控地段会设置摄像头，实时捕捉的数宇图像，送入计算机进行分析和判别，分析判别火灾的图像特征，可以有效避免外界环境对识别的干扰。由于图像信息的传播以光作为传播载体，相比于传统方法，图像检测可以更加迅速的对火情进行预报。本文档来自技高网...

【技术保护点】
一种在复杂环境下判断物体燃烧区域的方法，其特征在于，包含如下步骤：(1)图像预处理：通过监控摄像头采集监控场景下的火焰视频图像作为火焰样本库中的样本，将火焰视频图像抽成帧，然后转换为灰度图并归一化，然后对归一化后的图像添加数值标签，即：没有火焰的图像添加数值“0”、有火焰的图像添加数值“1”，再将这些图像作为火焰图像样本；(2)计算第t个火焰图像样本的期望最大回报值：将第t个火焰图像样本组成行向量，按照Q‑学习理论，计算出第t个火焰图像样本的未来汇报，然后利用最优动作‑值函数，代入第t个火焰图像样本的未来汇报，计算出第t个火焰图像样本的期望最大回报值，通过选择不同的数值标签来计算奖励的期望，期...

【技术特征摘要】
1.一种在复杂环境下判断物体燃烧区域的方法，其特征在于，包含如下步骤：(1)图像预处理：通过监控摄像头采集监控场景下的火焰视频图像作为火焰样本库中的样本，将火焰视频图像抽成帧，然后转换为灰度图并归一化，然后对归一化后的图像添加数值标签，即：没有火焰的图像添加数值“0”、有火焰的图像添加数值“1”，再将这些图像作为火焰图像样本；(2)计算第t个火焰图像样本的期望最大回报值：将第t个火焰图像样本组成行向量，按照Q-学习理论，计算出第t个火焰图像样本的未来汇报，然后利用最优动作-值函数，代入第t个火焰图像样本的未来汇报，计算出第t个火焰图像样本的期望最大回报值，通过选择不同的数值标签来计算奖励的期望，期望值最大时对应的数值标签即该火焰图像样本的数值标签；(3)构建深度学习网络的权值更新方程：由第t个火焰图像样本的期望最大回报值，计算第t个火焰图像样本的目标输出，然后通过第t个火焰图像样本的目标输出，用最小化损失函数来更新深度学习网络的权值参数，最后将最小化损失函数对第t个火焰图像样本的权值参数求导，得到深度学习网络的权值更新方程，并更新第t个火焰图像样本的权值；(4)训练深度学习网络：a)将火焰样本库中的火焰图像样本作为训练样本，将训练样本分为N份，且每一个训练样本均处理成行向量xt，并作为深度学习网络的输入，设置两个输出神经元；b)根据先验知识确定出训练样本中的火焰图像样本，再以第一份训练样本的行向量xt为输入，若输出为“10”，样本中不含火焰；输出为“01”，样本中含有火焰；通过权值更新方程调节深度学习网络中的权值，第一次训练深度学习网络；c)找出第一份训练样本中实际输出与先验知识不同的训练样本，设共找出n个不同的训练样本，再将该n个不同的训练样本分别进行逆时针旋转2°并加入σ＝0.2的高斯噪音；d)在第二份训练样本中随机抽出n个训练样本，并将用第c)步处理后的n个不同的训练样本补齐到第二份训练样本中，再用新得到的第二份训练样本按第b)步进行第二次训练深度学习网络；e)以此类推，直到完成第N次训练深度学习网络，得到最终的深度学习网络；(5)利用训练好的深度学习网络来识别火焰：将待检测的火焰样本图像处理成行向量xt，再输入到训练完毕的深度学习网络，根据深度学习网络的输出结果识别出图像中的火焰的有无。2.根据权利要求1所述的一种在复杂环境下判断物体燃烧区域的方法...

【专利技术属性】
技术研发人员：马忠丽，李慧欣，张兰勇，李陇南，李倩倩，李志鹏，
申请(专利权)人：哈尔滨工程大学，
类型：发明
国别省市：黑龙江,23