[发明专利]基于卷积神经网络的烟雾图像检测方法及装置

说明书

本发明提供一种基于卷积神经网络的烟雾图像检测方法及装置。其中，基于卷积神经网络的烟雾图像检测方法，所述卷积神经网络包括：主体网络，其包括至少两个卷积层、至少一个合并层、全局均值池化层和全连接层，所述主体网络利用修正的卷积神经网络算法对输入的烟雾图像进行处理，和分支网络，其包括至少一个均值池化层，所述均值池化层对对应的卷积层的输出进行均值池化处理；其中，烟雾图像检测方法包括使烟雾图像依次经由第一卷积层、第二卷积层、第一合并层、全局均值池化层和全连接层进行处理，其中第一均值池化层对第一卷积层输出的数据进行均值池化处理，且该均值池化处理的结果与第二卷积层的输出数据一同输入到第一合并层中。

技术领域

本发明涉及基于卷积神经网络的烟雾图像检测方法及装置。

背景技术

火灾是社会灾害与自然灾害中出现频率最高的灾害之一。火灾的频繁发生不仅给社会造成了巨大的经济损失，危及生命安全，同时还引发了生态环境破坏、环境污染和文物损坏等诸多问题。因此，快速准确地反馈火灾信息，在火情预警和后续的灭火工作中都有着十分重要的意义。

火灾防治方案主要根据火灾特性对某种现象进行检测。传统的火灾防治主要利用各类感应式传感器进行探测，这些传感器具有价格便宜、准确度高等特点，但监测范围小，在仓库、森林等较大的区域难以大面积铺设，且此类传感器容易老化，导致灵敏度降低。

随着社会发展与基础建设的逐步完善，为了提高城市治安防控力度，政府部门发起了天网工程的建设。天网工程通过大量的摄像头对固定的公共区域进行实时监控。由此，烟雾图像检测技术成为了更加方便，高效的火灾探测手段。

基于图像识别的烟雾检测算法主要有两类，第一类算法基于传统机器学习算法进行设计，主要分三步：疑似烟区提取、特征提取和分类操作。这一类算法在小数据集下性能较好，运行速度较快，但在大数据集下难以收敛，且误检率较高。第二类算法主要基于深度神经网络框架进行设计，与传统的机器学习方案相比，深度学习是一种自动学习的端到端的机器学习方法，通过若干线性与非线性神经元的组合提取图像特征，并将特征映射到各个类别下。这类算法能够有效地降低误检率，应用范围广，鲁棒性高。但是，以上卷积网络模型较大，需要训练的模型参数较多，导致训练与识别速度较慢，很难应用于配置较差的嵌入式芯片。

发明内容

本发明针对常规卷积神经网络结构冗余，所需资源较多的缺点，设计了一种带有分支网络结构的深度可分离卷积神经网络，采用了深度可分离卷积结构替代了常规卷积结构，减少网络参数，并提取不同网络层的特征，抑制由于网络泛化导致的有效烟雾特征弥散现象，针对烟雾正负样本不均衡的问题，采用负样本分批训练的方法，在减小网络模型的同时，得到更高的分类精度和识别速度。

本发明的带有分支网络结构的深度可分离卷积神经网络，将烟雾图像作为网络的输入而无需任何预处理，对烟雾图像本身性质具有很强的针对性。

根据本发明的一方面，提供了一种基于卷积神经网络的烟雾图像检测方法，所述卷积神经网络包括：主体网络，其包括至少两个卷积层、至少一个合并层、全局均值池化层和全连接层，所述主体网络利用修正的卷积神经网络算法对输入的烟雾图像进行处理，和分支网络，其包括至少一个均值池化层，所述均值池化层对对应的卷积层的输出进行均值池化处理；其中，烟雾图像检测方法包括使烟雾图像依次经由第一卷积层、第二卷积层、第一合并层、全局均值池化层和全连接层进行处理，其中第一均值池化层对第一卷积层输出的数据进行均值池化处理，且该均值池化处理的结果与第二卷积层的输出数据一同输入到第一合并层中。

本发明还提供一种基于卷积神经网络的烟雾图像检测装置，所述卷积神经网络包括主体网络和分支网络，所述主体网络包括卷积层、合并层、全局均值池化层和全连接层，所述分支网络包括均值池化层，所述均值池化层将浅层卷积层的卷积输出作为更深层的卷积层的输入特征图的一部分，其中所述烟雾图像检测装置执行权利要求1-8所述的方法。