[发明专利]端到端的3D-CapsNet火焰检测方法及装置

说明书

本发明公开了一种端到端的3D‑CapsNet火焰检测方法和装置，火焰检测方法包括以下步骤：选择火焰样本图像，构建火焰样本集合；创建火焰检测初始模型；通过Mnist数据集对CapsNet网络进行训练，将对CapsNet网络进行训练形成的主胶囊层参数、数字胶囊层参数以及全连接层参数迁移至火焰检测初始模型的主胶囊层、数字胶囊层以及全连接层；通过火焰样本集合对火焰检测初始模型进行训练，形成最终的火焰检测模型；采集目标图像，将火焰标准图像和目标图像的RGB三通道图像分别输入火焰检测模型的第一输入端和第二输入端，经由火焰检测模型输出最终的检测结果。本发明实现火焰的精准检测。

技术领域

本发明涉及图像处理技术领域，尤其涉及一种端到端的3D-CapsNet火焰检测方法和装置。

背景技术

森林火灾是一种严重影响生态环境的因素之一。它给森林带来的危害是毁灭性的，给环境带来的危害也是毁灭性的。森林火灾一旦发生，扑灭难度较大。因此，对森林火灾的及时预警显得格外重要。随着科技的进步，对森林火灾的预警取得了长足的进步。

森林火灾检测方法有多种，基于图像识别的森林火灾检测算法较多。其中，有多种算法是基于颜色空间的火灾检测与识别算法。基于颜色的火灾识别算法在检测过程中无法摆脱颜色空间固有的缺陷——颜色容易受到光照的影响，最终造成基于颜色空间的火灾检测算法存在较高的误报率。

传统的卷积神经网络特征是基于局部信息的，而胶囊网络提取的特征是基于整体的，在数字识别，自然语言的理解中胶囊网络的优越性得到了有效的验证。胶囊网络不但能够提取到识别对象的局部特征，同时能够提取局部特征之间的相对信息，因此，将胶囊网络引入于火灾的识别。火焰的不同位置特征之间存在某种约束关系，基于局部纹理的火灾识别类方法已经初步验证了火焰图像不同分布区域之间存在的约束关系。

由于胶囊网络模型自身的应用局限性，如果直接应用CapsNet网络对整帧图像进行检测，则需要将整帧图像分块为不同的区域，然后针对不同的区域块应用预训练的火焰检测CapsNet网络进行检测，检测效率低下，应对实时性要求较高的场合则不能够满足要求。

发明内容

为了克服传统的CapsNet网络模型在火焰检测应用中的局限性，克服传统的卷积神经网络对火焰局部特征之间约束关系相对较弱的描述能力，导致在检测应用中的局限性，本发明提供一种端到端的3D-CapsNet火焰检测方法和装置。

第一方面，本发明实施例公开了一种端到端的3D-CapsNet火焰检测方法，其包括以下步骤：

选择火焰样本图像，构建火焰样本集合；所述火焰样本集合包括正样本和负样本；

创建火焰检测初始模型，所述火焰检测初始模型包括两个VGG16网络、深度特征预选层以及CapsNet网络的部分结构，所述CapsNet网络的部分结构包括主胶囊层、数字胶囊层以及全连接层；所述两个VGG16网络的输出端依次经由深度特征预选层以及CapsNet网络的部分结构输出检测结果；

通过Mnist数据集对CapsNet网络进行训练，将对CapsNet网络进行训练形成的主胶囊层参数、数字胶囊层参数以及全连接层参数迁移至火焰检测初始模型的主胶囊层、数字胶囊层以及全连接层；

通过火焰样本集合对火焰检测初始模型进行训练，形成最终的火焰检测模型；

采集目标图像，将火焰标准图像的RGB三通道图像输入火焰检测模型的第一输入端，将所述目标图像的RGB三通道图像输入火焰检测模型的第二输入端，经由火焰检测模型输出最终的检测结果；所述第一输入端和第二输入端分别为两个VGG16网络的输入端。

作为一种优选实施例，所述深度特征预选层包括：全卷积层以及提取层；