基于深度学习的烟雾识别方法及设备技术

本申请涉及一种基于深度学习的烟雾识别方法及设备，方法包括：获取待识别图像；根据待识别图像，基于预先训练的卷积神经网络模型，得到待识别图像中的烟雾区域。由于烟雾具有移动缓慢的提点，现有技术中对运动的烟雾的检测算法效果不佳。针对这些不足，本申请中的卷积神经网络模型通过将帧间插法和背景插法的识别结果叠加从而准确有效地得到待识别图像中的烟雾区域。的烟雾区域。的烟雾区域。

【技术实现步骤摘要】
基于深度学习的烟雾识别方法及设备


[0001]本申请涉及深度学习
，尤其涉及一种基于深度学习的烟雾识别方法及设备。

技术介绍

[0002]火灾对人类社会造成的伤害无可估量，每年都有大量的生命财产因为火灾而蒙受了巨大的损失，不同于室内火灾监控技术的成熟，户外火情由于各种因素的影响为实时监控带来了困难。随着计算机技术的发展和图像识别技术的广泛普及，通过视频监控智能地进行火灾监控将是未来火灾预警的重要手段。由于野外火情具有相当的隐蔽性，直接对火焰检测效果甚微，现有技术中，通过对烟雾进行检测来识别野外火灾的发生。但是现有技术中烟雾识别领域的主流方法，多是基于单一颜色和运动变化等方面对烟雾检测，或需要大量运算难以保证检测的实时性，在复杂环境条件下应用尚有不足，实时性和准确性相对较低。

技术实现思路

[0003]为至少在一定程度上克服相关技术中烟雾检测实时性和准确性相对较低的问题，本申请提供一种基于深度学习的烟雾识别方法及设备。
[0004]本申请的方案如下：
[0005]根据本申请实施例的第一方面，提供一种基于深度学习的烟雾识别方法，包括：
[0006]获取待识别图像；
[0007]根据所述待识别图像，基于预先训练的卷积神经网络模型，得到所述待识别图像中的烟雾区域；其中，所述卷积神经网络模型通过将帧间插法和背景插法的识别结果叠加得到所述待识别图像中的烟雾区域。
[0008]优选的，在本申请一种可实现的方式中，还包括：
[0009]获取样本数据；
[0010]对所述样本数据进行预处理；
[0011]根据预处理后的样本数据训练所述卷积神经网络模型。
[0012]优选的，在本申请一种可实现的方式中，所述对所述样本数据进行预处理，包括：
[0013]对所述样本数据使用经验值法进行灰度化处理；
[0014]基于主成分分析算法对灰度化处理后的样本数据进行降维处理。
[0015]优选的，在本申请一种可实现的方式中，所述对所述样本数据进行预处理，还包括：
[0016]基于多线程并发处理提取降维处理后的样本数据中的烟雾特征。
[0017]优选的，在本申请一种可实现的方式中，所述卷积神经网络模型包括多个Inception结构，各Inception结构中并联有多层所述卷积层。
[0018]优选的，在本申请一种可实现的方式中，所述卷积神经网络模型还包括多个
Resnet残差网络；
[0019]所述Resnet残差网络通过shortcut函数将相邻的两个卷积层的输入和输出连接起来构成一个残差块。
[0020]优选的，在本申请一种可实现的方式中，所述卷积神经网络模型还包括最大池化层、平均池化层和全局池化层；
[0021]所述全局池化层设置在所述卷积神经网络模型的网络最后层，所述全局池化层用于全部输出特征图进行全局均值池化得到输出。
[0022]根据本申请实施例的第二方面，提供一种基于基于深度学习的烟雾识别设备，其特征在于，包括：
[0023]处理器和存储器；
[0024]所述处理器与存储器通过通信总线相连接：
[0025]其中，所述处理器，用于调用并执行所述存储器中存储的程序；
[0026]所述存储器，用于存储程序，所述程序至少用于执行以上任一项所述的一种基于深度学习的烟雾识别方法。
[0027]本申请提供的技术方案可以包括以下有益效果：本申请中的基于深度学习的烟雾识别方法，包括：获取待识别图像；根据待识别图像，基于预先训练的卷积神经网络模型，得到待识别图像中的烟雾区域。由于烟雾具有移动缓慢的提点，现有技术中对运动的烟雾的检测算法效果不佳。针对这些不足，本申请中的卷积神经网络模型通过将帧间插法和背景插法的识别结果叠加从而准确有效地得到待识别图像中的烟雾区域。
[0028]应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。
附图说明
[0029]此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。
[0030]图1是本申请一个实施例提供的一种基于深度学习的烟雾识别方法的流程示意图；
[0031]图2是本申请另一个实施例提供的一种基于深度学习的烟雾识别方法的流程示意图；
[0032]图3是本申请一个实施例提供的一种基于深度学习的烟雾识别方法中卷积神经网络模型的部分结构示意图；
[0033]图4是本申请一个实施例提供的一种基于深度学习的烟雾识别方法中Inception结构的示意图；
[0034]图5是本申请一个实施例提供的一种基于深度学习的烟雾识别设备的结构示意图。
[0035]附图标记：处理器
‑
31；存储器
‑
32。
具体实施方式
[0036]这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及
附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
[0037]一种基于深度学习的烟雾识别方法，参照图1，包括：
[0038]S11：获取待识别图像；
[0039]S12：根据待识别图像，基于预先训练的卷积神经网络模型，得到待识别图像中的烟雾区域；其中，卷积神经网络模型通过将帧间插法和背景插法的识别结果叠加得到待识别图像中的烟雾区域。
[0040]本申请中的基于深度学习的烟雾识别方法，包括：获取待识别图像；根据待识别图像，基于预先训练的卷积神经网络模型，得到待识别图像中的烟雾区域。由于烟雾具有移动缓慢的提点，现有技术中对运动的烟雾的检测算法效果不佳。针对这些不足，本申请中的卷积神经网络模型通过将帧间插法和背景插法的识别结果叠加从而准确有效地得到待识别图像中的烟雾区域。
[0041]一些实施例中的基于深度学习的烟雾识别方法，参照图2，还包括：
[0042]S21：获取样本数据；
[0043]S22：对样本数据进行预处理；
[0044]对样本数据进行预处理，包括：
[0045]对样本数据使用经验值法进行灰度化处理；
[0046]基于主成分分析算法对灰度化处理后的样本数据进行降维处理。
[0047]基于多线程并发处理提取降维处理后的样本数据中的烟雾特征。
[0048]深度学习通过对数据的特征分析从而完成对模型的训练，通常一个图像数据中心包含了大量信息，而对最终的学习效果产生影响的只有主要特征，而大量特征造成了数据冗余而使得运算效率大打折扣。由于本申请的目的是对烟雾进行实时的监控报警，对算法实时性有较高要求，因此为了减少图像在训练、测试和检测过程中的远算量、提高运算效率，对图像数据使用本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的烟雾识别方法，其特征在于，包括：获取待识别图像；根据所述待识别图像，基于预先训练的卷积神经网络模型，得到所述待识别图像中的烟雾区域；其中，所述卷积神经网络模型通过将帧间插法和背景插法的识别结果叠加得到所述待识别图像中的烟雾区域。2.根据权利要求1所述的方法，其特征在于，还包括：获取样本数据；对所述样本数据进行预处理；根据预处理后的样本数据训练所述卷积神经网络模型。3.根据权利要求1所述的方法，其特征在于，所述对所述样本数据进行预处理，包括：对所述样本数据使用经验值法进行灰度化处理；基于主成分分析算法对灰度化处理后的样本数据进行降维处理。4.根据权利要求3所述的方法，其特征在于，所述对所述样本数据进行预处理，还包括：基于多线程并发处理提取降维处理后的样本数据中的烟雾特征。5.根据权利要求1所述的方法，其特征在于，所述卷积神经网络模型包括多个Incepti...

【专利技术属性】
技术研发人员：王凤石，于树怀，冯涛，
申请(专利权)人：江苏奥易克斯汽车电子科技股份有限公司，
类型：发明
国别省市：