[发明专利]一种基于CNN卷积神经网络的图像火焰识别系统

权利要求书

1.一种基于CNN卷积神经网络的图像火焰识别系统，其特征在于：

包括用于识别火焰的CNN神经网络，其中，CNN神经网络包括3个CNN子网络，其分别为CNN子网络1、CNN子网络2和CNN子网络3；

3个CNN子网络的输入数据分别为大小为m×n的RGB图像分解为R、G和B的三个通道数据；

并且，每个CNN子网络包括4个卷积层、3个池化层、1个全连接层和1个子网络输出层。

2.根据权利要求1所述的图像火焰识别系统，其特征在于：每个CNN子网络依次包括3×3大小的卷积核64个的第一卷积层、3×3卷积核64个的第二卷积层、2×2的核第一池化层、5×5卷积核96个的第三卷积层、2×2的核第二池化层、5×5卷积核96个的第四卷积层、2×2的核第三池化层、全连接层和子网络输出层。

3.根据权利要求1或2所述的图像火焰识别系统，其特征在于：还包括由3个CNN子网络的输出加权求和得到最终的输出结果的求和输出层。

4.根据权利要求3所述的图像火焰识别系统，其特征在于：每一子网络输出层输出的结果数据包括无火概率、阴燃火概率、小明火概率和大明火概率。

5.根据权利要求4所述的图像火焰识别系统，其特征在于：求和输出层输出的结果数据也包括无火概率、阴燃火概率、小明火概率和大明火概率；并且，其输出式为：输出权值W＝w₁×CNN子网络1输出+w₂×CNN子网络2输出+w₃×CNN子网络3输出；其中，w₁＝0.4，w₂＝0.3，w₃＝0.3。

6.根据权利要求5所述的图像火焰识别系统，其特征在于：每个CNN子网络的4个卷积层、3个池化层、1个全连接层的激活函数均采用ReLU函数；

其表达式为：

ReLU(x)＝max(0,x)；

并且，子网络输出层的激活函数为Softmax函数，其表达式为

$f\left(z_j\right)=\frac{e^{z_j}}{{\mathrm{\Σ}}_{i=1}^n{e}^{z_i}}.$

7.根据权利要求6所述的图像火焰识别系统，其特征在于：各池化层采用选取区域中的最大值Max pooling作为输出值。

8.根据权利要求7所述的图像火焰识别系统，其特征在于：权值W的初始化采用零均值、常数标准差STD，其中，各层常数标准差STD分别为:[0.0001，0.001，0.001，0.001，0.01，0.1]。