[发明专利]一种基于多尺度特征学习网络的火灾图片分类方法

权利要求书

1.一种基于多尺度特征学习网络的火灾图片分类方法，其特征在于，包括以下步骤：

步骤(1).构建训练集和测试集图片，并且给每张图片添加正负标签；

步骤(2).利用多尺度方法中的下采样运算方法将火灾图像划分为不同尺度的图像块集合，并且实现图像增强；

步骤(3).分别构建多个尺度的卷积神经网络模型，每个卷积神经网络模型对应着一个尺度的火灾图像；

步骤(4).利用多个尺度的火灾图像作为训练数据，对图像像素值进行归一化处理，再分别代入上一步的卷积神经网络模型中进行特征提取；

步骤(5).将所提取的多尺度的火灾图像的特征进行融合，利用融合的特征对图像进行分类并与标签进行比对，再通过比对的结果对卷积神经网络模型进行训练调整。

2.根据权利要求1所述的火灾图片分类方法，其特征在于：

所述步骤(2)中利用下采样运算将图像下采样到多个尺度，公式如下：

I_p＝P(I,s)

其中，P(.)表示下采样函数，I表示输入的图像，s表示下采样参数；

对下采样后的图像I_P进行转换，转换为多级的图像块I_n,公式如下：

I_n＝T(I_p,d)

其中T(.)表示转换函数，d表示转换参数，

T(.)公式如下：

其中a₁₁,a₁₂,La_dd表示图像中的多个图像块，cat(.)表示矩阵联结函数。

3.根据权利要求1所述的火灾图片分类方法，其特征在于：

所述步骤(3)中构建的卷积神经网络模型是采用的残差神经网络，残差神经网络用于解决在加深网络层的情况下产生的梯度消失的问题，该网络含有残差块和卷积块，该网络通过恒等映射层增加网络的深度并且不会增加误差。

4.根据权利要求1所述的火灾图片分类方法，其特征在于：

所述步骤(5)中还包括了利用预测得到的概率结果和真实标签比对结合得到二分类交叉熵损失函数，该损失函数用于卷积神经网络模型的优化。

5.根据权利要求1所述的火灾图片分类方法，其特征在于：

所述步骤(5)中还包括了引入spp层，引入spp层的目的是为了不管输入尺寸大小如何，spp层均能产生固定大小的输出，同时使用了多个窗口，使用同一图像不同尺寸作为输入，得到同样长度的池化特征，这也是实现多尺度特征学习的重要一步。