CN106934404A - 一种基于cnn卷积神经网络的图像火焰识别系统 - Google Patents
一种基于cnn卷积神经网络的图像火焰识别系统 Download PDFInfo
- Publication number
- CN106934404A CN106934404A CN201710148649.1A CN201710148649A CN106934404A CN 106934404 A CN106934404 A CN 106934404A CN 201710148649 A CN201710148649 A CN 201710148649A CN 106934404 A CN106934404 A CN 106934404A
- Authority
- CN
- China
- Prior art keywords
- cnn
- sub
- networks
- layer
- flame
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
Abstract
本发明公开了一种基于CNN卷积神经网络的图像火焰识别系统,包括用于识别火焰的CNN神经网络,其包括3个CNN子网络,分别为CNN子网络1、CNN子网络2和CNN子网络3;3个CNN子网络的输入数据分别为大小为m×n的RGB图像分解为R、G和B的三个通道数据;每个CNN子网络包括4个卷积层、3个池化层、1个全连接层和1个子网络输出层。本发明在火焰图像数据尚未形成大数据集的当下,训练得到的CNN神经网络识别率和鲁棒性高;即使获取得到的火焰图像存在位移、缩放及其他形式扭曲不变性,也有较好识别效果;避免了显示的特征抽取,而隐式地从训练数据中进行学习,避免了火焰出现的场合、形式不一样,造成的识别错误。
Description
技术领域
本发明涉及计算机软件领域,尤其涉及的是一种基于CNN卷积神经网络的图像火焰识别系统。
背景技术
现有技术中,由于火灾的频发性,尽早预防和避免火灾事故越来越重要。近年来,随着视频监视设备的普及和视频图像处理技术的发展,通过分析图像信息识别有火焰成为一种新技术。
火焰视觉识别系统通常包括三部分:火焰数据采集、特征提取、火焰识别等。在获得数据之后,然后对数据进行特征提取。最后,将提取到的特征数据输入到模糊推理机、神经网络、支持向量机等分类器中,得到识别结果。
然而,计算机为按上述流程完成图像中火焰识别任务,需要大量的训练数据来降低模型系统的不确定性。但是,目前尚未形成火焰的自然大数据集,这就意味着,现有的火焰识别模型系统中存在着大量不确定性。尽管在一个数据集的测试集上表现良好,但当实际应用时,模型对随机的新数据泛化能力就会变得很差,鲁棒性很低,精度急剧下降,无法重现实验室模型的准确率。为此,亟需一种能识别率高、鲁棒性好的火焰识别方法。
因此,现有技术存在缺陷,需要改进。
发明内容
本发明所要解决的技术问题是:提供一种识别率高、鲁棒性好的基于CNN卷积神经网络的图像火焰识别系统。
本发明的技术方案如下:一种基于CNN卷积神经网络的图像火焰识别系统,包括用于识别火焰的CNN神经网络,其中,CNN神经网络包括3个CNN子网络,其分别为CNN子网络1、CNN子网络2和CNN子网络3;3个CNN子网络的输入数据分别为大小为m×n的RGB图像分解为R、G和B的三个通道数据;并且,每个CNN子网络包括4个卷积层、3个池化层、1个全连接层和1个子网络输出层。
应用于上述技术方案,所述的图像火焰识别系统中,每个CNN子网络依次包括3×3大小的卷积核64个的第一卷积层、3×3卷积核64个的第二卷积层、2×2的核第一池化层、5×5卷积核96个的第三卷积层、2×2的核第二池化层、5×5卷积核96个的第四卷积层、2×2的核第三池化层、全连接层和子网络输出层。
应用于各个上述技术方案,所述的图像火焰识别系统中,还包括由3个CNN子网络的输出加权求和得到最终的输出结果的求和输出层。
应用于各个上述技术方案,所述的图像火焰识别系统中,每一子网络输出层输出的结果数据包括无火概率、阴燃火概率、小明火概率和大明火概率。
应用于各个上述技术方案,所述的图像火焰识别系统中,求和输出层输出的结果数据也包括无火概率、阴燃火概率、小明火概率和大明火概率;并且,其输出式为:输出权值W=w1×CNN子网络1输出+w2×CNN子网络2输出+w3×CNN子网络3输出;其中,w1=0.4,w2=0.3,w3=0.3。
应用于各个上述技术方案,所述的图像火焰识别系统中,每个CNN子网络的4个卷积层、3个池化层、1个全连接层的激活函数均采用ReLU函数;其表达式为:ReLU(x)=max(0,x);并且,子网络输出层的激活函数为Softmax函数,其表达式为
应用于各个上述技术方案,所述的图像火焰识别系统中,各池化层采用选取区域中的最大值Max pooling作为输出值。
应用于各个上述技术方案,所述的图像火焰识别系统中,权值W的初始化采用零均值、常数标准差STD,其中,各层常数标准差STD分别为:[0.0001,0.001,0.001,0.001,0.01,0.1]。
采用上述方案,本发明在火焰图像数据尚未形成大数据集的当下,训练得到的CNN神经网络识别率和鲁棒性高;即使获取得到的火焰图像存在位移、缩放及其他形式扭曲不变性,也有较好识别效果;避免了显示的特征抽取,而隐式地从训练数据中进行学习,避免了火焰出现的场合、形式不一样,造成的识别错误。
附图说明
图1为本发明的连接示意图。
具体实施方式
以下结合附图和具体实施例,对本发明进行详细说明。
本实施例提供了一种基于CNN卷积神经网络的图像火焰识别系统,其中,其包括用于识别火焰的CNN神经网络,如图1所示,CNN神经网络包括3个CNN子网络,其分别为CNN子网络1、CNN子网络2和CNN子网络3;3个CNN子网络的输入数据分别为大小为m×n的RGB图像分解为R、G和B的三个通道数据;例如,CNN子网络1的输入数据分别为大小为m×n的RGB图像分解为R、G和B的R通道数据,CNN子网络2的输入数据分别为大小为m×n的RGB图像分解为R、G和B的G通道数据,CNN子网络3的输入数据分别为大小为m×n的RGB图像分解为R、G和B的B通道数据;即大小为m×n的RGB图像分解为R、G和B三个通道数据,分别作为CNN子网络1、CNN子网络2和CNN子网络3的输入。
并且,每个CNN子网络包括4个卷积层、3个池化层、1个全连接层和1个子网络输出层。其中,每个CNN子网络依次包括3×3大小的卷积核64个的第一卷积层、3×3卷积核64个的第二卷积层、2×2的核第一池化层、5×5卷积核96个的第三卷积层、2×2的核第二池化层、5×5卷积核96个的第四卷积层、2×2的核第三池化层、全连接层和子网络输出层。
例如,每一个CNN子网络中依次包括:
第一层卷积:3×3大小的卷积核64个。
第二层卷积:与上一层,即第一层卷积为全连接,3×3卷积核64个。
第一层池化:2×2的核。
第三层卷积:5×5卷积核96个。
第二层池化:2×2的核。
第四层卷积:5×5的卷积核96个。
第三层池化:2×2的核。
第五层为全连接层。
第六层为子网络输出层:输出有四个,分别为无火、阴燃火、小明火和大明火,输出的每一维都是图像属于该类别的概率;每一子网络输出层输出的结果数据包括无火概率、阴燃火概率、小明火概率和大明火概率。
并且,还包括由3个CNN子网络的输出加权求和得到最终的输出结果的求和输出层,即整个CNN神经网络的最后一层,求和输出层输出的结果数据也包括无火概率、阴燃火概率、小明火概率和大明火概率;其中,最后一层为输出层,由三个CNN子网络的输出加权求和得到最终的输出结果,同样最终输出有四个分别为无火、阴燃火、小明火和大明火,输出的每一维都是图像属于该类别的概率。
其输出式为:输出权值W=w1×CNN子网络1输出+w2×CNN子网络2输出+w3×CNN子网络3输出;其中,w1=0.4,w2=0.3,w3=0.3。
CNN子网络中,除最后一层之外,其余各层激活函数均采用ReLU函数,即每个CNN子网络的4个卷积层、3个池化层、1个全连接层的激活函数均采用ReLU函数。
其表达式为:ReLU(x)=max(0,x)。
各个卷积层输出激活后,再输出。
最后一层的函数为Softmax,其表达式为
每一池化层采用Max pooling即选取区域中的最大值作为输出值。
权值W的初始化采用零均值、常数标准差(Standard deviation,STD)方案。各层STD分别为:
[0.0001,0.001,0.001,0.001,0.01,0.1]。
以上仅为本发明的较佳实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于CNN卷积神经网络的图像火焰识别系统,其特征在于:
包括用于识别火焰的CNN神经网络,其中,CNN神经网络包括3个CNN子网络,其分别为CNN子网络1、CNN子网络2和CNN子网络3;
3个CNN子网络的输入数据分别为大小为m×n的RGB图像分解为R、G和B的三个通道数据;
并且,每个CNN子网络包括4个卷积层、3个池化层、1个全连接层和1个子网络输出层。
2.根据权利要求1所述的图像火焰识别系统,其特征在于:每个CNN子网络依次包括3×3大小的卷积核64个的第一卷积层、3×3卷积核64个的第二卷积层、2×2的核第一池化层、5×5卷积核96个的第三卷积层、2×2的核第二池化层、5×5卷积核96个的第四卷积层、2×2的核第三池化层、全连接层和子网络输出层。
3.根据权利要求1或2所述的图像火焰识别系统,其特征在于:还包括由3个CNN子网络的输出加权求和得到最终的输出结果的求和输出层。
4.根据权利要求3所述的图像火焰识别系统,其特征在于:每一子网络输出层输出的结果数据包括无火概率、阴燃火概率、小明火概率和大明火概率。
5.根据权利要求4所述的图像火焰识别系统,其特征在于:求和输出层输出的结果数据也包括无火概率、阴燃火概率、小明火概率和大明火概率;并且,其输出式为:输出权值W=w1×CNN子网络1输出+w2×CNN子网络2输出+w3×CNN子网络3输出;其中,w1=0.4,w2=0.3,w3=0.3。
6.根据权利要求5所述的图像火焰识别系统,其特征在于:每个CNN子网络的4个卷积层、3个池化层、1个全连接层的激活函数均采用ReLU函数;
其表达式为:
ReLU(x)=max(0,x);
并且,子网络输出层的激活函数为Softmax函数,其表达式为
7.根据权利要求6所述的图像火焰识别系统,其特征在于:各池化层采用选取区域中的最大值Max pooling作为输出值。
8.根据权利要求7所述的图像火焰识别系统,其特征在于:权值W的初始化采用零均值、常数标准差STD,其中,各层常数标准差STD分别为:[0.0001,0.001,0.001,0.001,0.01,0.1]。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710148649.1A CN106934404A (zh) | 2017-03-10 | 2017-03-10 | 一种基于cnn卷积神经网络的图像火焰识别系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710148649.1A CN106934404A (zh) | 2017-03-10 | 2017-03-10 | 一种基于cnn卷积神经网络的图像火焰识别系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106934404A true CN106934404A (zh) | 2017-07-07 |
Family
ID=59433109
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710148649.1A Pending CN106934404A (zh) | 2017-03-10 | 2017-03-10 | 一种基于cnn卷积神经网络的图像火焰识别系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106934404A (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108257347A (zh) * | 2018-01-10 | 2018-07-06 | 安徽大学 | 一种利用卷积神经网络的火焰图像序列分类方法及装置 |
CN108509920A (zh) * | 2018-04-04 | 2018-09-07 | 南京信息工程大学 | 基于CNN的多patch多通道联合特征选择学习的人脸识别方法 |
CN108537215A (zh) * | 2018-03-23 | 2018-09-14 | 清华大学 | 一种基于图像目标检测的火焰检测方法 |
CN108866934A (zh) * | 2018-08-13 | 2018-11-23 | 济南大学 | 一种基于人工智能的洗衣模式控制系统及方法 |
CN108875912A (zh) * | 2018-05-29 | 2018-11-23 | 天津科技大学 | 一种用于图像识别的神经网络模型 |
CN109308678A (zh) * | 2017-07-28 | 2019-02-05 | 株式会社理光 | 利用全景图像进行重定位的方法、装置及设备 |
CN109376747A (zh) * | 2018-12-11 | 2019-02-22 | 北京工业大学 | 一种基于双流卷积神经网络的视频火焰检测方法 |
CN109377713A (zh) * | 2018-09-26 | 2019-02-22 | 石化盈科信息技术有限责任公司 | 一种火灾预警方法及系统 |
CN109598891A (zh) * | 2018-12-24 | 2019-04-09 | 中南民族大学 | 一种利用深度学习分类模型实现烟雾检测的方法和系统 |
CN109815904A (zh) * | 2019-01-25 | 2019-05-28 | 吉林大学 | 一种基于卷积神经网络的火灾识别方法 |
CN110598800A (zh) * | 2019-09-23 | 2019-12-20 | 山东浪潮人工智能研究院有限公司 | 一种基于人工智能的垃圾分类识别方法 |
CN110971837A (zh) * | 2018-09-30 | 2020-04-07 | Tcl集团股份有限公司 | 基于ConvNets的暗光图像处理方法及终端设备 |
CN111340116A (zh) * | 2020-02-27 | 2020-06-26 | 中冶赛迪重庆信息技术有限公司 | 一种转炉火焰识别方法、系统、电子设备及介质 |
WO2021102762A1 (zh) * | 2019-11-27 | 2021-06-03 | 华为技术有限公司 | 一种感知网络及图像处理方法 |
CN113298048A (zh) * | 2021-07-08 | 2021-08-24 | 环球数科集团有限公司 | 一种基于计算机视觉的森林火灾检测及预警系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7034701B1 (en) * | 2000-06-16 | 2006-04-25 | The United States Of America As Represented By The Secretary Of The Navy | Identification of fire signatures for shipboard multi-criteria fire detection systems |
CN105913604A (zh) * | 2016-05-18 | 2016-08-31 | 中国计量大学 | 基于无人机的火灾发生测定方法及其装置 |
CN105938560A (zh) * | 2016-03-23 | 2016-09-14 | 吉林大学 | 一种基于卷积神经网络的车型精细分类系统 |
CN106250845A (zh) * | 2016-07-28 | 2016-12-21 | 北京智芯原动科技有限公司 | 基于卷积神经网络的火焰检测方法及装置 |
-
2017
- 2017-03-10 CN CN201710148649.1A patent/CN106934404A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7034701B1 (en) * | 2000-06-16 | 2006-04-25 | The United States Of America As Represented By The Secretary Of The Navy | Identification of fire signatures for shipboard multi-criteria fire detection systems |
CN105938560A (zh) * | 2016-03-23 | 2016-09-14 | 吉林大学 | 一种基于卷积神经网络的车型精细分类系统 |
CN105913604A (zh) * | 2016-05-18 | 2016-08-31 | 中国计量大学 | 基于无人机的火灾发生测定方法及其装置 |
CN106250845A (zh) * | 2016-07-28 | 2016-12-21 | 北京智芯原动科技有限公司 | 基于卷积神经网络的火焰检测方法及装置 |
Non-Patent Citations (6)
Title |
---|
傅天驹等: "复杂背景下基于深度卷积神经网络的森林火灾识别", 《计算机与现代化》 * |
崔巍等: "基于多通道卷积神经网络的非结构化道路路表分析", 《计算机应用与软件》 * |
李树涛等: "基于色彩通道融合的火焰图像分割", 《湖南大学学报》 * |
江帆等: "基于火焰图像CNN的转炉炼钢吹炼终点判断方法", 《计算机工程》 * |
胡良梅: "《基于信息融合的图像理解方法研究》", 31 October 2007, 合肥工业大学出版社 * |
赵亚琴: "基于模糊神经网络的火灾识别算法", 《计算机仿真》 * |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109308678A (zh) * | 2017-07-28 | 2019-02-05 | 株式会社理光 | 利用全景图像进行重定位的方法、装置及设备 |
CN109308678B (zh) * | 2017-07-28 | 2023-10-27 | 株式会社理光 | 利用全景图像进行重定位的方法、装置及设备 |
CN108257347A (zh) * | 2018-01-10 | 2018-07-06 | 安徽大学 | 一种利用卷积神经网络的火焰图像序列分类方法及装置 |
CN108257347B (zh) * | 2018-01-10 | 2020-09-29 | 安徽大学 | 一种利用卷积神经网络的火焰图像序列分类方法及装置 |
CN108537215A (zh) * | 2018-03-23 | 2018-09-14 | 清华大学 | 一种基于图像目标检测的火焰检测方法 |
CN108509920A (zh) * | 2018-04-04 | 2018-09-07 | 南京信息工程大学 | 基于CNN的多patch多通道联合特征选择学习的人脸识别方法 |
CN108509920B (zh) * | 2018-04-04 | 2022-04-26 | 南京信息工程大学 | 基于CNN的多patch多通道联合特征选择学习的人脸识别方法 |
CN108875912A (zh) * | 2018-05-29 | 2018-11-23 | 天津科技大学 | 一种用于图像识别的神经网络模型 |
CN108866934A (zh) * | 2018-08-13 | 2018-11-23 | 济南大学 | 一种基于人工智能的洗衣模式控制系统及方法 |
CN108866934B (zh) * | 2018-08-13 | 2021-04-23 | 济南大学 | 一种基于人工智能的洗衣模式控制系统及方法 |
CN109377713A (zh) * | 2018-09-26 | 2019-02-22 | 石化盈科信息技术有限责任公司 | 一种火灾预警方法及系统 |
CN110971837A (zh) * | 2018-09-30 | 2020-04-07 | Tcl集团股份有限公司 | 基于ConvNets的暗光图像处理方法及终端设备 |
CN110971837B (zh) * | 2018-09-30 | 2021-07-27 | Tcl科技集团股份有限公司 | 基于ConvNets的暗光图像处理方法及终端设备 |
CN109376747A (zh) * | 2018-12-11 | 2019-02-22 | 北京工业大学 | 一种基于双流卷积神经网络的视频火焰检测方法 |
CN109598891A (zh) * | 2018-12-24 | 2019-04-09 | 中南民族大学 | 一种利用深度学习分类模型实现烟雾检测的方法和系统 |
CN109815904A (zh) * | 2019-01-25 | 2019-05-28 | 吉林大学 | 一种基于卷积神经网络的火灾识别方法 |
CN109815904B (zh) * | 2019-01-25 | 2022-05-13 | 吉林大学 | 一种基于卷积神经网络的火灾识别方法 |
CN110598800A (zh) * | 2019-09-23 | 2019-12-20 | 山东浪潮人工智能研究院有限公司 | 一种基于人工智能的垃圾分类识别方法 |
WO2021102762A1 (zh) * | 2019-11-27 | 2021-06-03 | 华为技术有限公司 | 一种感知网络及图像处理方法 |
CN111340116A (zh) * | 2020-02-27 | 2020-06-26 | 中冶赛迪重庆信息技术有限公司 | 一种转炉火焰识别方法、系统、电子设备及介质 |
CN113298048B (zh) * | 2021-07-08 | 2021-11-02 | 环球数科集团有限公司 | 一种基于计算机视觉的森林火灾检测及预警系统 |
CN113298048A (zh) * | 2021-07-08 | 2021-08-24 | 环球数科集团有限公司 | 一种基于计算机视觉的森林火灾检测及预警系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106934404A (zh) | 一种基于cnn卷积神经网络的图像火焰识别系统 | |
Kotwal et al. | Agricultural plant diseases identification: From traditional approach to deep learning | |
Oh et al. | Approaching the computational color constancy as a classification problem through deep learning | |
Yun et al. | PNN based crop disease recognition with leaf image features and meteorological data | |
CN105825511B (zh) | 一种基于深度学习的图片背景清晰度检测方法 | |
CA2949844C (en) | System and method for identifying, analyzing, and reporting on players in a game from video | |
Colak et al. | Automated McIntosh-based classification of sunspot groups using MDI images | |
CN110363134A (zh) | 一种基于语义分割的人脸遮挡区定位方法 | |
CN104063706B (zh) | 一种基于surf算法的视频指纹提取方法 | |
CN105989330A (zh) | 一种图片检测方法及设备 | |
CN106778506A (zh) | 一种融合深度图像和多通道特征的表情识别方法 | |
CN106790019A (zh) | 基于特征自学习的加密流量识别方法及装置 | |
CN107067043A (zh) | 一种农作物病虫害检测方法 | |
CN109271990A (zh) | 一种针对rgb-d图像的语义分割方法及装置 | |
CN108596892A (zh) | 一种基于改进LeNet-5模型的焊缝缺陷识别方法 | |
CN107844795A (zh) | 基于主成分分析的卷积神经网络特征提取方法 | |
CN101980248A (zh) | 基于改进视觉注意力模型的自然场景目标检测方法 | |
CN103955718A (zh) | 一种图像主体对象的识别方法 | |
CN109785344A (zh) | 基于特征重标定的双通路残差网络的遥感图像分割方法 | |
CN107341440A (zh) | 基于多任务度量多核学习的室内rgb‑d场景图像识别方法 | |
CN104680545B (zh) | 光学图像中存在显著目标的检测方法 | |
CN103745201B (zh) | 一种节目识别方法及装置 | |
CN110516517A (zh) | 一种基于多帧图像的目标识别方法、装置及设备 | |
CN105740790A (zh) | 基于多核字典学习的彩色人脸识别方法 | |
CN107816987A (zh) | 一种基于蜘蛛网模式和卷积神经网络的星图识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170707 |
|
RJ01 | Rejection of invention patent application after publication |