[发明专利]一种基于小样本学习的烟雾检测算法

说明书

本发明提供了一种基于小样本学习的烟雾检测算法，包括数据生成；通过修改改进的生成对抗网络中的判别器，将判别器模型的输出层替换成softmax分类器，使之可以实现对真实数据的分类，形成半监督生成对抗网络；通过在生成器网络的损失函数中增加特征匹配和紧密度计算这两个约束函数来稳定半监督生成对抗网络模型的收敛，提高模型最终的性能；利用小样本图像，通过改进的生成对抗网络生产大量的样本数据，将数据输入到卷积神经网络进行学习训练，调整神经网络的参数，达到精确监测火灾的目的；本发明提供的烟雾检测算法包括与传统方法相比，能实现对不同类型火灾中烟雾图像的检测，具有更高的精确度。

技术领域

本发明涉及智能图像识别技术领域，主要涉及一种基于小样本学习的烟雾检测算法。

背景技术

随着大数据时代的到来和深度学习等技术的快速发展，人们可以在强大的计算机算力的支持下，利用复杂的神经网络模型挖掘和提取海量数据中的关键信息。尤其在大规模的火灾监控中，成千上万的传感器每天会产生大量的数据，数据可能会存在火灾类别标记缺失或者类别标记太过笼统的问题，即含有效火灾类别标签的数据在总数据中占比较小，从而对于卷积神经网络(CNN)这种有监督的深度学习算法而言，处理这类数据可能就无法取得较为理想的效果。因此为了使烟雾检测算法拥有较高的精确度，需要更多的图像训练CNN，避免训练样本不足导致的过拟合。

生成式对抗网络(GAN)是蒙特利尔大学的伊恩·古德费洛(Ian Goodfellow)和其他研究人员在2014年6月提出的一种新型神经结构，是近年来复杂分布上无监督学习最具前景的方法之一。模型通过框架中生成模型和判别模型的互相博弈学习产生相当好的输出。因此我们可以将它应用到数据生成中，通过改进GAN使之可以对真实数据进行分类，对真实烟雾图像进行训练生成新的烟雾图像数据，用以构建图像感烟探测深度学习库。

GAN被广泛应用于生成海量数据，用来训练深度学习模型。因此，本专利受其启发将GAN用于生成火灾烟雾图像数据中，通过生成的大量数据训练CNN，避免训练样本不足导致的过拟合，达到提升火灾烟雾检测算法精确度的目标。

发明内容

发明目的：本发明的目的是提供基于小样本学习的烟雾检测算法，即基于改进的生成对抗网络(GAN)的火灾烟雾检测算法，将改进的GAN与CNN结合提高烟雾检测算法的精确度。该方法采用GAN网络生成真实烟雾的“伪图像”，修改GAN判别器使之形成半监督生成对抗网络(SGAN)。并且在生成器网络的损失函数中增加特征匹配和紧密度来稳定模型的收敛和最终的性能。最后将数据输入到CNN网络进行学习训练，调整神经网络的参数，达到精确监测火灾的目的。

技术方案：为实现上述目的，本发明采用的技术方案为：

一种基于小样本学习的烟雾检测算法，其特征在于，包括如下步骤：

步骤S1、采用改进的生成对抗网络生成真实烟雾的伪图像，修改改进的生成对抗网络中的判别器，将判别器模型的输出层替换成softmax分类器，对真实数据进行分类，生成半监督生成对抗网络；

记训练数据类别有K个，softmax分类器数量则为K+1类，其中第K+1类就代表生成器生成的假数据，其余则对应训练数据中的K类，即形成半监督生成对抗网络；

判别器D结构改变，半监督生成对抗网络的损失函数L_G也发生了相应的变化如下：

其中代表生成器生成数据；是的概率分布函数；表示生成数据被判别器D判别为第K+1类的概率；

判别器D的损失函数L_D分为有监督损失部分和无监督损失部分，具体如下：

其中x是真实数据，y是x的类别标签，p(x,y)是(x,y)服从的概率分布，是生成器生成数据，是其服从的概率分布，E表示数学期望；