[发明专利]一种基于迁移学习的煤场自燃检测方法

说明书

本发明公开了一种基于迁移学习的煤堆自燃自动检测方法，首先获取有标记的煤堆自燃的普通火焰图像数据集和未标注的煤堆红外自燃图像，将煤堆自燃的普通火焰图像数据集输入到卷积神经网络模型A中进行训练；然后复制训练好的卷积神经网络模型A的参数到另外一个卷积神经网络模型B中，再设计辨识神经网络D，将卷积神经网络模型A或B产生的特征图作为训练集来训练辨识神经网络D；最后利用辨识神经网络D的识别结果，更新卷积神经网络模型B的参数，得到完成对抗训练后的卷积神经网络模型B。本发明可以有效地提高煤堆自燃的检出率；并且可以在复杂条件下全天候自动检测煤堆自燃；本发明方法过程简单、计算量小、可靠度较高。

技术领域

本发明涉及一种基于红外成像的煤场自燃检测方法，尤其涉及一种利用对抗神经网络的自燃检测迁移学习算法。

背景技术

近年来，随着我国经济和社会的不断发展，燃煤发电厂、钢铁厂、化工厂对煤炭的需求量激增。大量煤炭在露天存放时，长期受风雨、日晒和空气中氧的作用，煤场煤的氧化加剧，温度升高，产生大量热量，进而引发煤的自燃。煤堆自然是常见的重大安全隐患。在露天煤矿和煤场中，存储着大量的备用煤，因气象或人为原因，储备煤经常发生自燃，此外，阴燃状态下的煤，在运输过程中还会发生猛烈的燃烧爆炸事故。由于煤场地处偏僻、人工成本过高，生产实践中亟需自动化的煤场自然检测方法。其中，基于红外成像的自燃检测是一种切实可行的方法。但是，自燃的种类很多、环境复杂，而有标记样本少，造成现有方法不够性能不高。煤炭自燃直接损失了大量的煤炭资源，危害着工厂的安全生产，特别是通过大量有害气体的传播直接污染了大气，恶化了区域生态环境，降低了当地居民的生活环境质量，对区域社会经济发展和人类的生存和健康也有较大的潜在危险。因此，对煤场自燃自动检测的研究是安全生产迫切需求解决的实际问题。

现有的煤炭自燃检测方法可大致分为基于传感器的传统方法和基于计算机视觉的先进方法。前者通过架设感温型、感烟型、感光型或气体测量型传感器来检查自燃。但感温型传感器对煤堆中的阴燃火不敏感，在环境温度较高时又会产生误报；感烟型传感器在空旷环境下灵敏度低；感光型传感器易受强光、高功率光源干扰；气体测量型传感器在空旷场所下检测灵敏度低。因此，传统传感器法已不适于煤堆自燃检测。后者利用红外热像仪探测煤堆场表面温度分布来达到实时监测，预防煤堆自燃的目的。红外热成像有其独特的优势，如可用于夜间及恶劣环境下的检测，可以有效发现阴燃火及准确判定火灾地点，实现预防火灾的目的。然而，煤炭的自燃发火是一个缓慢的过程，征兆不明显，人工难以24小时不间断地观测红外图像。因此一种基于计算机视觉自动从红外图像中检查自燃的方法亟待开发。

基于计算机视觉的自燃检测方法需要有标注图像用于训练算法模型，然而现实中标注了自燃的红外图像非常少，而人工标注数据是一个耗时且昂贵的操作，目前为止，尚未有行之有效的方式来解决这一问题。迁移学习是指利用数据、任务、或模型之间的相似性，将在旧领域学习过的模型，应用于新领域的一种学习过程。为解决红外图像自燃标记稀少的问题，采用迁移学习的思路，找到红外自燃图像和普通火焰图像之间的相似性，实现对自燃检测的知识迁移。

发明内容

本发明的目的在于设计一种基于迁移学习的煤场自燃检测方法，解决有标注红外自燃图像稀少的问题，实现对煤场自燃的自动检测。

为了解决有标注红外自燃图像稀少的问题，本发明提出一种基于迁移学习的煤堆自燃自动检测方法，该方法包括以下步骤：

S1：获取互联网上有标记的煤堆自燃的普通火焰图像数据集，作为卷积神经网络模型A的训练集。

S2：获取未标注的煤堆红外自燃图像。

S3：所述卷积神经网络模型A共分为五层，层与层之间靠特征图feature map传递信号，输入为煤堆自燃的普通火焰图像，输出为煤堆是否有火焰的检测结果，将煤堆自燃的普通火焰图像数据集输入到卷积神经网络模型A中进行训练，得到训练好的卷积神经网络模型A。