[发明专利]工业物联网复杂环境下的小样本烟雾监测方法

说明书

本发明是一种工业物联网复杂环境下的小样本烟雾监测方法，该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；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，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。本发明结合了生成对抗网络和迁移学习方法，前者通过扩充数据集来解决小样本的问题，后者通过迁移学习来解决，二者结合，使得该模型即使在只有少量样本的情况下也能很好地在有雪环境下对烟雾进行监控。

技术领域

本发明属于智能图像识别技术领域，具体的说是一种工业物联网复杂环境下的小样本烟雾监测方法，尤其是一种基于生成对抗网络和迁移学习的工业物联网复杂环境下的小样本烟雾监测方法。

背景技术

在工业环境中，火灾会对经济和社会造成巨大的危害，所以必须要重视对其进行监控，而火灾的同时会产生烟雾，并且烟雾会比火灾更快的向上移动，因此可以从远处看到烟雾，而烟雾的早期发现可以帮助发现火灾，这对灾难管理系统很有帮助。所以这些年有许多的监测烟雾的方法被提出，如：将颜色信息与运动结合起来以进行烟雾检测，使用光流计算运动特征，然后使用反向传播神经网络将其分类为烟雾和非烟雾；将颜色特征与图像的能量相结合，以执行烟雾检测等。这些方法虽然在普通的视频监控中表现良好，但在有雪监视环境中的表现出的性能并不令人满意。如CN112101473A公开了一种基于小样本学习的烟雾检测算法，该方法是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，达到精确检测火灾的目的，但是此方法需要大量的样本数据，在复杂的环境尤其是有雪的环境和样本较少的情况下检测效果很差。

有雪环境中的烟雾探测是一项具有挑战性的任务，在工业系统的灾害管理中起着关键作用，现有技术中的烟雾检测方法大都存在杂乱和内容不清晰的问题，因此对于从有雪环境中捕获的视频流，其结果不令人满意，但因为灾害管理的性质，烟雾检测的准确性必须要足够高，虚警的次数需要大大减少，否则将会造成大量的资源浪费，且安全性得不到保证，所以这些方法难以应用到有雪环境下的烟雾检测中。虽然最近也有很多基于深度学习的有雪环境下的烟雾监测方法，但是由于能够获取到的图片样本较少，这大大的影响了监测的效果。

发明内容

为了解决上述问题，本发明提供了一种基于生成对抗网络和迁移学习的方法用于烟雾检测，本发明使用两条并行分支，第一条分支选用一种改进的条件生成对抗网络来扩充数据集，并且将其输入卷积神经网络如mobilenet v2中进行训练，第二条采用迁移学习方法，源域使用多种环境下即非工业环境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，目标域使用工业环境下的同样四类图片，两条分支的神经网络均会输出图片可能是某个类别的概率值，将两条支线得到的概率进行加权得到新的概率，概率最大的即为所属类别，从而实现小样本下的烟雾检测。

具体的，本发明的小样本烟雾监测方法包括如下步骤：

步骤a：训练好第一条分支，固定其参数。采用改进的条件生成对抗网络生成真实烟雾的伪图像，具体分为四类：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。不同于传统的条件生成对抗网络，该网络采用的是一个生成器G和两个鉴别器，由生成器生成的图片和真实图片会被同时传入两个鉴别器，但图片在传入鉴别器D₁之前会被分割成小块，从而提高网络在生成数据集时在局部特征上的真实性。网络整体的损失由下式表示：

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，表示为；

L_G＝E[log(D₁(G(z|y))+D₂(G(z|y)))]