[发明专利]一种基于迁移学习的双通道卷积神经网络的烟雾图像分类方法

权利要求书

1.一种基于迁移学习的双通道卷积神经网络的烟雾图像分类方法，包括下列步骤：

步骤1：准备烟雾和非烟雾图像，在数据中加入天空中的云、光滑的墙壁、车身和水面图像以丰富训练样本；

步骤2：对步骤1中的图像大小归一化为227*227，并进行数据扩充，作为后续网络训练的数据集；

步骤3：将卷积神经网络的结构设计为双通道网络，两条通道网络同时训练，其中第一条网络结合迁移学习策略提取泛化性能较好的特征，第二条网络对数据集直接细节特征提取，两条网络末端进行特征连接、融合，生成训练网络模型文件并保存；

步骤4：用训练模型对实际烟雾和非烟雾图片进行分类，得到分类结果。

2.根据权利要求1所述的一种基于迁移学习的双通道卷积神经网络的烟雾图像分类方法，其特征在于，步骤1中，加入与烟雾具有相同的物理形成过程、透明度和同质性的物体图像增强模型的分类精度。

3.根据权利要求1所述的一种基于迁移学习的双通道卷积神经网络的烟雾图像分类方法，其特征在于，步骤2中，将数据集归一化为网络输入需要的227*277尺寸大小，然后将所有图片顺时针旋转90°进行数据扩充，适应网络训练的数据集规模。

4.根据权利要求1所述的一种基于迁移学习的双通道卷积神经网络的烟雾图像分类方法，其特征在于，步骤3中，双通道网络具有相同的数据输入，在第一条网络通道中，结合迁移学习策略，使用以ImageNet大数据集为训练数据的AlexNet预训练模型，对第一条网络通道进行参数初始化，提取广义特征。

5.根据权利要求1所述的一种基于迁移学习的双通道卷积神经网络的烟雾图像分类方法，其特征在于，步骤3中，第二条网络通道由AlexNet网络改进得到，以实验数据集为目标数据集直接训练，用来提取烟雾图片的细节特征。

6.根据权利要求1所述的一种基于迁移学习的双通道卷积神经网络的烟雾图像分类方法，其特征在于，步骤3中，两条通道的网络分别训练，在concat层进行特征融合，再输入到全连接层以获取烟雾图片更加全面的特征。

7.根据权利要求1所述的一种基于迁移学习的双通道卷积神经网络的烟雾图像分类方法，其特征在于，步骤4中，对实际烟雾图片和非烟雾图片进行分类，得到分类结果。