[发明专利]一种深度神经网络的图像烟火检测方法及系统

权利要求书

1.一种深度神经网络的图像烟火检测方法，其特征在于，包括以下步骤：

步骤S1，获取多张具有烟火目标的样本图像，将包含了烟火目标的样本图像形成图像样本集，描出图像样本集中样本图像上烟火区域的边界点，并生成对应的掩膜图像，将掩膜图像与样本图像相乘得到仅包含烟火区域的区域图像；

步骤S2，构建条件深度卷积生成对抗网络的烟火目标仿真框架，将区域图像送入条件深度卷积生成对抗网络中训练，拟合产生新的烟火样本；

步骤S3，获取森林火灾监控系统不包含烟火目标的初始图像，将初始图像与S2中烟火样本融合，构建成训练数据集。

2.根据权利要求1所述的深度神经网络的图像烟火检测方法，其特征在于：所述步骤S2包括以下子步骤：

S2.1：采用反卷积神经网络构建生成对抗网络中的生成网络，输入为随机噪声，输出为仿真样本；

S2.2：将样本图像与生成的仿真样本用于训练生成对抗网络中的判别网络，输出仿真样本属于烟火类别的概率；

S2.3：通过反向传播算法更新生成网络参数后，生成一组新的仿真样本，用于判别网络的训练；

S2.4：重复S2.1、S2.2和S2.3，训练生成网络和判别网络，让生成的仿真样本与样本图像的数据分布具有90％相同，使判别网络无法区分仿真样本与样本图像，以随机产生烟火目标的仿真图像。

3.根据权利要求2所述的深度神经网络的图像烟火检测方法，其特征在于：所述步骤S3包括以下子步骤：

S3.1：将图像样本集中的样本图像依次按照摄像机的实际缩放参数进行缩放；

S3.2：将缩放后的样本图像与监控系统录取的不含烟火目标的初始图像，在随机选取的位置处相叠加，并记录烟火目标的区域信息，以完成图像融合操作；

S3.3：依次对全部图像融合操作后，即完成训练数据集的构建。

4.根据权利要求3所述的深度神经网络的图像烟火检测方法，其特征在于：还包括以下步骤：

步骤S4，将训练数据集中的融合图像按照摄像机的实际缩放参数，进行尺度缩放；

步骤S5，对尺度缩放后的融合图像进行光度畸变操作，生成不同光照下的亮度样本；

步骤S6，对光度畸变后的亮度样本，再进行几何畸变操作得到处理样本，所述几何畸变操作包括拉伸、旋转和平移操作；

步骤S7，随机抽取两幅处理样本按照预设比例系数进行融合，并多次重复该融合操作；

步骤S8，将经过步骤S4-步骤S7处理后的训练数据集送入预设深度网络，进行烟火检测训练，得到完整权值模型。

5.根据权利要求4所述的深度神经网络的图像烟火检测方法，其特征在于：还包括以下步骤：

步骤S9，将步骤S8中的完整权值模型的16位浮点精度压缩至8位整型数据精度；

步骤S10，对预设深度网络结构进行重构和优化。

6.根据权利要求5所述的深度神经网络的图像烟火检测方法，其特征在于：所述步骤S10包括以下子步骤：

S10.1：通过解析预设深度网络模型，消除预设深度网络中的无用输出层；

S10.2：将预设深度网络中的卷积层、批量归一化层和整流线性单元三个层融合为一个层，垂直整合网络结构；

S10.3：将预设深度网络中输入为相同张量和执行相同操作的层融合一起，水平组合网络结构。