一种基于深度神经网络多源域迁移学习的室内火灾检测方法技术

本发明专利技术提供一种基于深度神经网络多源域迁移学习的室内火灾检测方法，属于火灾监测技术领域，用于监控室内火灾的发生。该方法包括如下步骤：1、收集不同来源的火灾数据集样本作为神经网络的训练集；2、采用一种特别的神经网络结构，使该神经网络能够根据不同的样本输入生成不同的权重参数；3、将训练集作为输入来训练神经网络；4、将火灾数据集测试样本输入至神经网络中，神经网络输出分类结果。本发明专利技术提出的方法能够有效地利用不同来源的数据集来训练神经网络，避免了样本数量较少而无法进行训练神经网络的尴尬局面，具有一定的实用性。具有一定的实用性。具有一定的实用性。

【技术实现步骤摘要】
一种基于深度神经网络多源域迁移学习的室内火灾检测方法


[0001]本专利技术属于火灾检测
，尤其涉及一种基于深度神经网络多源域迁移学习的室内火灾检测方法。

技术介绍

[0002]传统的基于烟雾传感器、温度传感器和空气质量传感器等各类传感器监控火灾发生的方法，具有易于部署、成本较低的优势，但同时也有如下的缺陷：1.诸如此类的传感器无法部署在较为宽敞的空间，2.其对于火灾的检测有延后性，无法做到对于火灾监控的实时性。
[0003]而在现代社会中，摄像头部署是极为普遍的，让基于视觉的火灾监控成为了可能。基于视觉的火灾监控不需要部署额外的除了摄像头之外的传感器，这有效地节省了火灾监控系统的部署成本，其次，部署的监控系统不会因为所处环境为宽敞空间而造成监控精度的下降，且能够做到对于火灾的即时发现、即时报警，这就解决了上文中传统监控系统的两大缺陷。
[0004]在深度学习没有兴起之前，基于视觉的火灾检测充分利用如火焰颜色、纹理和形状等特征，这些方法的性能主要取决于手动设计火焰的特征。然而，实际上火焰的颜色、形状和亮度等情况会随实际情况本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度神经网络多源域迁移学习的室内火灾检测方法，其特征在于，包括如下步骤：S1：收集不同来源的火灾数据样本作为神经网络的训练集；S2：设计神经网络结构，所述神经网络具备根据不同的样本生成不同的权重参数，并对不同来源的样本进行有效分类的能力；S3：将S1的训练集作为输入来训练S2的神经网络，使所述神经网络收敛到合适的点；S4：输入测试样本至训练好的神经网络中，所述神经网络对所述测试样本进行分类，判断测试样本中是否发生火灾。2.根据权利要求1所述的基于深度神经网络多源域迁移学习的室内火灾检测方法，其特征在于，所述S1中，不同的所述火灾数据样本同时具有正例和负例。3.根据权利要求1所述的基于深度神经网络多源域迁移学习的室内火灾检测方法，其特征在于，所述S2中，所述神经网络为卷积神经网络，通过在原始网络参数上增加一个与网络参数相关的增量实现所述卷积神经网络的参数具备随不同样本输入而不同的功能，定义公式表示为：f
0(x)
＝f0+Δf
′
θ(x)
其中，f0为训练前的神经网络的参数；f
0(x)
为训练后的神经网络参数；Δf'
θ(x)
为与输入相关的参数增量。4.根据权利要求3所述的基于深度神经网络多源域迁移学习的室内火灾检测方法，其特征在于，增量的生成与输入样本直接相关，且处理后的神经网络只有卷积层发生改变。5.根据权利要求4所述的基于深度神经网络多源域迁移学习的室内火灾检测方法，其特征在于，所述增量的产生具体为：将单一卷积层的参数为c
out
*c
in
*k2的卷积核定义为W0，则训练后的卷积层参数为：W(x)＝W0+ΔW(x)W0中，c
out
和c...

【专利技术属性】
技术研发人员：尤鸣宇，熊攀，
申请(专利权)人：同济大学，
类型：发明
国别省市：