【技术实现步骤摘要】
一种基于深度学习的火灾图像识别方法
本专利技术属于图像信息处理
，具体涉及一种基于深度学习的火灾图像识别方法。
技术介绍
火灾检测一直是图像信息处理技术的一个重要领域，如何应用图像信息处理技术从而有效控制火情并防止火势蔓延更是引起了众多研究者的注意，成为计算机视觉领域中的研究热点之一。一般而言，火灾的演变可以分为四个阶段：不可见阶段、可见烟雾阶段、明火阶段和扩散阶段。为了将火灾造成的损失降到最低，火灾预警工作通常集中在前两个阶段。传统的火灾检测主要使用温度传感器、气体传感器、湿度传感器等传感器来分析环境温度、烟雾颗粒以及相对湿度等参数以判断是否发生火灾。但是这些检测方法自身局限性也十分明显，即这些传感器必须很靠近着火点的情形下才能发出预警，所以为了能够及时预警就必须将这些传感器大范围高密度地铺设，使得整个系统过于复杂，性价比低。随着科技不断进步，人们开始应用视频图像等方式来实现大规模监控，因此基于视频和图像的火灾报警算法成为研究热门。而烟雾具有明显的颜色、纹理、边缘、动态等视觉特征，所以基于视频和图像的检测算法都是通过对烟雾的上述特征进行提取和分类达到烟雾检...
【技术保护点】
1.一种基于深度学习的火灾图像识别方法，其特征在于，包括以下步骤：步骤1：构建神经网络样本的训练集和测试集；步骤2：使用训练集的图像和测试集中的图像分别生成各自对应的暗通道图像，将训练集图像生成的暗通道图像构成最终的训练集，将测试集图像生成的暗通道图像构成最终的测试集；步骤3：构建能够检测是否出现烟雾的卷积神经网络；步骤4：使用步骤2得到的最终的训练集对步骤3构建的卷积神经网络进行训练得到烟雾检测模型；并且用步骤2得到的最终的测试集对步骤4得到的烟雾检测模型进行测试，检验卷积神经网络性能，获取烟雾检测模型的最佳参数；步骤5，当对火灾进行识别时，使用获取的图像生成对应的暗通道...
【技术特征摘要】
1.一种基于深度学习的火灾图像识别方法，其特征在于，包括以下步骤：步骤1：构建神经网络样本的训练集和测试集；步骤2：使用训练集的图像和测试集中的图像分别生成各自对应的暗通道图像，将训练集图像生成的暗通道图像构成最终的训练集，将测试集图像生成的暗通道图像构成最终的测试集；步骤3：构建能够检测是否出现烟雾的卷积神经网络；步骤4：使用步骤2得到的最终的训练集对步骤3构建的卷积神经网络进行训练得到烟雾检测模型；并且用步骤2得到的最终的测试集对步骤4得到的烟雾检测模型进行测试，检验卷积神经网络性能，获取烟雾检测模型的最佳参数；步骤5，当对火灾进行识别时，使用获取的图像生成对应的暗通道图像，并将生成的暗通道图像作为测试集，将测试集输入步骤4测试好的卷积神经网络中进行识别。2.根据权利要求1所述的一种基于深度学习的火灾图像识别方法，其特征在于，步骤1中，训练集包括两部分，两部分分别为有火灾前期烟雾出现的图片组成的正样本和没有火灾烟雾出现的图片组成的负样本；测试集包括两部分，两部分分别为有火灾前期烟雾出现的图片组成的正样本和没有火灾烟雾出现的图片组成的负样本；训练集和测试集都是不均衡样本集合，负样本的数量大于正样本的数量。3.根据权利要求1所述的一种基于深度学习的火灾图像识别方法，其特征在于，步骤2中，训练集的图像和测试集中的图像均为RGB图像，对于RGB输入图像J，x为该图像的一个像素点，x点在对应的暗通道图像中的像素Jdark(x)为：Jdark(x)＝miny∈Ω(x)(minC∈r,g,bJC(z))其中，JC是图像J的颜色通道，C∈r,g,b，Ω(x)是以x为中心的一个窗口，z为窗口中每一个像素点，min(·)为求最小值函数；训练集的图像和测试集中的图像分别生成各自对应的暗通道图像过程如下：将RGB图像表示为三维矩阵，然后求出RGB图像中每个像素RGB分量的最小值，将每个像素RGB分量的最小值存入一副和原始RGB图像大小相同的灰度图中，最后再对灰度图进行最小值滤波，得到RGB图像的暗通道图像。4.根据权利要求1所述的一种基于深度学习的火灾图像识别方法，其特征在于，步骤3中，所构建出的卷积神经网络共包括17层，17层中包括10个卷积层、4个最大池化层、2个全连接层以及1个输出层；其中，卷积神经网络的第1层、第2层、第3层、第5层、第6层、第8层、第9层、第11层、第12层和第14层为卷积层，所述卷积层对应的卷积核数量分别为64个、64个、64个、128个、128个、256个、256个、512个、512个和256个，卷积核的大小为3×3，步长均为1，激活函数为ReLU函数；卷积神经网络的第4层、第7层、第10层...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。