[发明专利]工业物联网复杂环境下的小样本烟雾监测方法

权利要求书

1.一种工业物联网复杂环境下的小样本烟雾监测方法，其特征在于：所述监测方法利用两条并行分支实现烟雾检测，具体包括如下步骤：

S1、第一条分支利用条件生成对抗网络生成数据集，将生成的数据集输入卷积神经网络中进行训练，将参数固定，得到类别概率；

S2、第二条分支采用迁移学习方法对源域图片和目标域的图片传入卷积神经网络进行训练，得到类别概率；

S3、将步骤S1和S2得到的概率进行加权得到新的概率，概率最高的标签即为所属类别，从而实现小样本下的烟雾检测。

2.根据权利要求1所述工业物联网复杂环境下的小样本烟雾监测方法，其特征在于：所述条件生成对抗网络采用一个生成器和鉴别器D₁和鉴别器D₂，图片在擦混入所述鉴别器D₁之前被分割成小块。

3.根据权利要求1所述工业物联网复杂环境下的小样本烟雾监测方法，其特征在于：所述步骤S1中，生成的数据集输入卷积神经网络中进行训练，具体的训练步骤包括：

S1.1：生成器根据输入噪声及标签生成带标签的伪图像；

S1.2：将步骤S1.1的伪图像传送到鉴别器D₂中，同时将步骤S1.1的伪图像切割成小块后传入到鉴别器D₁中；

S1.3：前馈通过后，鉴别器将误差梯度发送给生成器，鉴别器更新自身；

S1.4：通过损失函数来更新鉴别器D₁和鉴别器D₂。

4.根据权利要求3所述工业物联网复杂环境下的小样本烟雾监测方法，其特征在于：所述步骤S1.4中，所述条件生成对抗网络的整体损失由下式表示：

其中：μ、σ、是参数，表示的是鉴别器D₁的损失，表示的是鉴别器D₂的损失，L_G表示的是生成器D的损失：

L_G＝E[log(D₁(G(z|y))+D₂(G(z|y)))]

其中z是输入噪声矢量，E是期望运算符，y是类别标签，x表示目标真实图像，x′表示的是被切割成小块的真实图片。

5.根据权利要求1所述工业物联网复杂环境下的小样本烟雾监测方法，其特征在于：传入卷积神经网络进行训练的所述源域图片使用的是多种环境下的有雪环境下的烟雾、无雪环境下的烟雾、有雪环境下无烟雾、无雪环境下无烟雾四类图片，传入卷积神经网络进行训练的所述目标域图片使用工业环境下的有雪环境下的烟雾、无雪环境下的烟雾、有雪环境下无烟雾、无雪环境下无烟雾四类图片。

6.根据权利要求1或5所述工业物联网复杂环境下的小样本烟雾监测方法，其特征在于：所述步骤S2对源域图片和目标域的图片传入卷积神经网络训练具体包括如下步骤：

S2.1、将源域的图片传入卷积神经网络进行训练；

S2.2、将训练好的卷积神经网络的卷积层和全连接层的知识迁移到目标域图像数据集上，再添加一层全连接层，组成新的模型；

S2.3、用目标域的数据集对步骤S2.2新的模型进行微调训练。