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 PDF

Info

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
Application number
CN201710148649.1A
Other languages
English (en)
Inventor
裴瑞宏
朱江
叶威
韩畅
齐振涛
张浩宇
王虹林
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen City Han Hui Weishi Technology Co Ltd
Original Assignee
Shenzhen City Han Hui Weishi Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen City Han Hui Weishi Technology Co Ltd filed Critical Shenzhen City Han Hui Weishi Technology Co Ltd
Priority to CN201710148649.1A priority Critical patent/CN106934404A/zh
Publication of CN106934404A publication Critical patent/CN106934404A/zh
Pending legal-status Critical Current

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

一种基于CNN卷积神经网络的图像火焰识别系统
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
f ( z j ) = e z j Σ i = 1 n e z i .
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]。
CN201710148649.1A 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 Pending CN106934404A (zh)

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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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

Patent Citations (4)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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