[发明专利]基于深度学习的烟雾识别方法及设备

说明书

本申请涉及一种基于深度学习的烟雾识别方法及设备，方法包括：获取待识别图像；根据待识别图像，基于预先训练的卷积神经网络模型，得到待识别图像中的烟雾区域。由于烟雾具有移动缓慢的提点，现有技术中对运动的烟雾的检测算法效果不佳。针对这些不足，本申请中的卷积神经网络模型通过将帧间插法和背景插法的识别结果叠加从而准确有效地得到待识别图像中的烟雾区域。

技术领域

本申请涉及深度学习技术领域，尤其涉及一种基于深度学习的烟雾识别方法及设备。

背景技术

火灾对人类社会造成的伤害无可估量，每年都有大量的生命财产因为火灾而蒙受了巨大的损失，不同于室内火灾监控技术的成熟，户外火情由于各种因素的影响为实时监控带来了困难。随着计算机技术的发展和图像识别技术的广泛普及，通过视频监控智能地进行火灾监控将是未来火灾预警的重要手段。由于野外火情具有相当的隐蔽性，直接对火焰检测效果甚微，现有技术中，通过对烟雾进行检测来识别野外火灾的发生。但是现有技术中烟雾识别领域的主流方法，多是基于单一颜色和运动变化等方面对烟雾检测，或需要大量运算难以保证检测的实时性，在复杂环境条件下应用尚有不足，实时性和准确性相对较低。

发明内容

为至少在一定程度上克服相关技术中烟雾检测实时性和准确性相对较低的问题，本申请提供一种基于深度学习的烟雾识别方法及设备。

本申请的方案如下：

根据本申请实施例的第一方面，提供一种基于深度学习的烟雾识别方法，包括：

获取待识别图像；

根据所述待识别图像，基于预先训练的卷积神经网络模型，得到所述待识别图像中的烟雾区域；其中，所述卷积神经网络模型通过将帧间插法和背景插法的识别结果叠加得到所述待识别图像中的烟雾区域。

优选的，在本申请一种可实现的方式中，还包括：

获取样本数据；

对所述样本数据进行预处理；

根据预处理后的样本数据训练所述卷积神经网络模型。

优选的，在本申请一种可实现的方式中，所述对所述样本数据进行预处理，包括：

对所述样本数据使用经验值法进行灰度化处理；

基于主成分分析算法对灰度化处理后的样本数据进行降维处理。

优选的，在本申请一种可实现的方式中，所述对所述样本数据进行预处理，还包括：

基于多线程并发处理提取降维处理后的样本数据中的烟雾特征。

优选的，在本申请一种可实现的方式中，所述卷积神经网络模型包括多个Inception结构，各Inception结构中并联有多层所述卷积层。

优选的，在本申请一种可实现的方式中，所述卷积神经网络模型还包括多个Resnet残差网络；

所述Resnet残差网络通过shortcut函数将相邻的两个卷积层的输入和输出连接起来构成一个残差块。

优选的，在本申请一种可实现的方式中，所述卷积神经网络模型还包括最大池化层、平均池化层和全局池化层；

所述全局池化层设置在所述卷积神经网络模型的网络最后层，所述全局池化层用于全部输出特征图进行全局均值池化得到输出。

根据本申请实施例的第二方面，提供一种基于基于深度学习的烟雾识别设备，其特征在于，包括：

处理器和存储器；

所述处理器与存储器通过通信总线相连接：

其中，所述处理器，用于调用并执行所述存储器中存储的程序；