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而变，这使得传统的基于视觉的火灾检测方法效果不理想。
[0005]而在深度学习发展如此迅猛的今天，使用深度学习来解决各种各样的基于视觉的难题已成为首选。深度学习的成功得益于使用海量的数据对神经网络进行训练，使网络的参数能够收敛到最优解，而在室内火灾检测问题中，室内火灾的样本数较少，且其来源也不同，难以训练出一个较好的室内火灾监控的网络模型。

技术实现思路

>[0006]本专利技术的目的在于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，其特征在于，包括如下步骤：
[0007]S1：收集不同来源的火灾数据样本作为神经网络的训练集；
[0008]S2：设计神经网络结构，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；
[0009]S3：将S1的训练集作为输入来训练S2的神经网络，使神经网络收敛到合适的点；
[0010]S4：输入测试样本至训练好的神经网络中，神经网络对测试样本进行分类，判断测试样本中是否发生火灾。
[0011]进一步地，S1中，不同的火灾数据样本同时具有正例和负例。
[0012]进一步地，S2中，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：
[0013]f
0(x)
＝f0+Δf
′
θ(x)
[0014]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。
[0015]进一步地，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。
[0016]进一步地，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：
[0017]W(x)＝W0+ΔW(x)
[0018]W0中，c
out
和c
in
分别与下一层的输入维数和上一层的输出维数相同；训练后的卷积层参数中，x为该卷积层的输入；ΔW(x)为与输入相关的参数增量；W(x)随输入x的变化而变化。
[0019]进一步地，ΔW(x)通过如下步骤产生：
[0020]SA1：输入x依次经过神经网络的平均池化层、全连接层、Relu层、全连接层、sigmoid层，输出一个c
out
*c
out
的方阵p(x)，则增量ΔW(x)的第一部分表示为：
[0021]ΔW1(x)＝p(x)*W0；
[0022]SA2：输入x经过softmax层，输出一个c
out
*c
out
的方阵π(x)，而θ
π
为限定范围的随机数组成的c
out
*c
in
*k2的矩阵，则增量ΔW(x)的第二部分表示为：
[0023]ΔW2(x)＝π(x)*θ
π
；
[0024]综合增量ΔW(x)的第一部分和第二部分，则训练后的卷积层参数为：
[0025]W(x)＝ΔW1(x)+ΔW2(x)。
[0026]进一步地，限定范围为(
‑
10～10)；k的取值为1。
[0027]进一步地，S3的训练过程中，损失函数采用交叉熵损失函数，表示为：
[0028][0029]其中，N为输入的样本的数量；x
i
为输入的第i个样本；y
i
为第i个样本的标签；在训练过程中，损失L逐渐减小直至相对收敛时，对神经网络的训练停止。
[0030]与现有技术相比，本专利技术的有益效果为：本专利技术提出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，方法具有一定的实用性。
附图说明
[0031]图1为本专利技术所采用的神经网络部分结构的示意图；
[0032]图2为本专利技术的方法的流程示意图。
具体实施方式
[0033]下面将结合示意图对本专利技术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进行更详细的描述，其中表示了本专利技术的优选实施例，应该理解本领域技术人员可以修改在此描述的本专利技术，而仍然实现本专利技术的有利效果，因此，下列描述应当被理解为对于本领域技术人员的广泛知道，而并不作为对本专利技术的限制。
[0034]如图2所示，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，的方法
主要步骤包括：
[0035]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，火灾数据集样本同时具有正例和负例
[0036]步骤2：设计神经网络的结构，与其他神经网络不同，该神经网络根据不同的样本输入会生成不同的权重参数。使其能够对不同来源的样本也能进行有效的分类
[0037]步骤3：将训练集作为输入来训练神经网络，使其收敛到合适的点。
[0038]步骤4：输入测试样本至神经网络中，网络对测试样本进行分类。
[0039]对于步骤1中的火灾数据集样本必须是与火灾相关的数据集而不能是随意选择的数据集。许多研究机构都公开过火灾数据集，其中大多数是属于室外火灾数据集，在本专利技术的方法中，可以用作神经网络的训练集。
[0040]对于步骤2中的网络结构设计，在本实施例中采用Resnet50作为神经网络的主干网络，在Resnet50的每一卷积层的前面增加一层额外的卷积层。该额外的卷积层卷积核为c
out
*c
in
*k*k的卷积核，该额外卷积层的结构如图1所本文档来自技高网...

【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：