CN110378421B - 一种基于卷积神经网络的煤矿火灾识别方法 - Google Patents
一种基于卷积神经网络的煤矿火灾识别方法 Download PDFInfo
- Publication number
- CN110378421B CN110378421B CN201910657551.8A CN201910657551A CN110378421B CN 110378421 B CN110378421 B CN 110378421B CN 201910657551 A CN201910657551 A CN 201910657551A CN 110378421 B CN110378421 B CN 110378421B
- Authority
- CN
- China
- Prior art keywords
- image
- layer
- pooling
- neural network
- convolutional neural
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 64
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 56
- 239000003245 coal Substances 0.000 title claims abstract description 48
- 238000013528 artificial neural network Methods 0.000 claims abstract 2
- 238000011176 pooling Methods 0.000 claims description 91
- 238000012549 training Methods 0.000 claims description 24
- 238000000605 extraction Methods 0.000 claims description 20
- 210000002569 neuron Anatomy 0.000 claims description 15
- 230000009467 reduction Effects 0.000 claims description 15
- 230000003044 adaptive effect Effects 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 abstract description 10
- 238000012544 monitoring process Methods 0.000 abstract description 7
- 230000001186 cumulative effect Effects 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 22
- 230000006870 function Effects 0.000 description 12
- 238000004590 computer program Methods 0.000 description 7
- 238000013507 mapping Methods 0.000 description 6
- 238000012360 testing method Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 238000005065 mining Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于卷积神经网络的煤矿火灾识别方法，包括步骤一、构建用于进行煤矿火灾图像识别的卷积神经网络结构；步骤二、训练卷积神经网络；步骤三、利用卷积神经网络对煤矿火灾图像进行识别。本发明方法步骤简单，实现方便，能够应用在煤矿火灾的监测中，有效提高对煤矿火灾图像的识别率，使用效果好，便于推广使用。
Description
技术领域
本发明属于图像信息处理技术领域，具体涉及一种基于卷积神经网络的煤矿火灾识别方法。
背景技术
煤炭行业是我们国家支柱产业，是我们国家实现高速发展过程中的必需品。在我国煤炭存储量约1100亿吨左右，煤炭能源消费约占总能源的消费的75％。而在我国不断发展的过程中，煤炭的开采及开采安全问题也越来越突出，比如煤矿瓦斯，火灾等问题。在我国，目前安全生产基础薄弱、工业信息化水平较低，加之开采过程中的设备装备的摩擦等问题较多，使得导致煤矿重大、特大事故频繁发生，其中火灾就是其中之一。所以对煤矿火灾的预测与防治工作变得尤为重要。
早期，人们使用各种感温型、感烟型和感光型探测器采集数据，判断火灾是否发生。然而受限于传感器的安装位置及探测有效距离，其探测范围受到制约，且传感器判断信息单一，易受到环境光照、温度湿度以及气流等干扰，进而产生误报、漏报等情况，可靠性和稳定性难以保证。随着计算机技术的快速发展，图像型火灾监测技术得到广泛应用，它可以有效避免环境干扰，在大尺度空间监测上具有明显优势。
基于卷积神经网络的深度学习已经在字符设别、人脸识别等领域得到了成功应用，有人提出了基于卷积神经网络的火灾识别方法，但煤矿火灾的图像背景复杂，图像样本少，卷积神经网络中传统池化方式会弱化图像特征，导致对煤矿火灾的识别率低；对图像型火灾监测系统采集到的原始图像不进行预处理也会导致对煤矿火灾的识别率降低。
发明内容
本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种基于卷积神经网络的煤矿火灾识别方法，其方法步骤简单，实现方便，能够应用在煤矿火灾的监测中，有效提高对煤矿火灾图像的识别率，使用效果好，便于推广使用。
为解决上述技术问题，本发明采用的技术方案是：一种基于卷积神经网络的煤矿火灾识别方法，包括以下步骤：
步骤一、构建用于进行煤矿火灾图像识别的卷积神经网络结构；
步骤二、训练卷积神经网络；其具体过程为：
步骤201、选取多张原始图像，并对每张原始图像进行预处理，得到卷积神经网络的训练样本集；
步骤202、对步骤201中得到的训练样本集中的每个训练样本设定标签，记为“火焰”和“非火焰”；
步骤203、将步骤201得到各个训练样本与步骤202对应设定的标签一起输入到构建的卷积神经网络中进行训练，得到训练后的卷积神经网络模型；
步骤三、利用卷积神经网络对煤矿火灾图像进行识别；其具体过程为：
步骤301、输入待识别的原始图像；
步骤302、从待识别的原始图像中分割出疑似火焰区域图像；
步骤303、将待识别的原始图像与步骤302得到的图像进行与操作，得到疑似火焰区域的真彩图像，作为识别样本；
步骤304、将步骤303中得到的识别样本输入到步骤203中得到的训练后的卷积神经网络模型中，进行煤矿火灾图像识别，获得“火焰”或“非火焰”的识别结果。
上述的一种基于卷积神经网络的煤矿火灾识别方法，步骤一中所述构建的卷积神经网络结构包括输入层、卷积层C1、池化层S2、卷积层C3、池化层S4、卷积层C5、池化层S6、全连接层F7、全连接层F8和输出层；
输入层:将输入的彩色图像数据的大小统一为224*224*3；
卷积层C1：对输入的彩色图像数据卷积，进行特征提取，卷积核取11*11，步长取4，特征映射图谱数量取12，得到55*55*12的特征图；
池化层S2：对卷积层C1卷积后的特征图进行降维处理，采用自适应的池化方法进行特征提取，矩形区域取3*3，步长取2，得到27*27*12的特征图；
卷积层C3：对池化层S2降维后的特征图数据卷积，进行特征提取，卷积核取5*5，步长取2，特征映射图谱数量取48，得到27*27*48的特征图；
池化层S4：对卷积层C3卷积后的特征图进行降维处理，采用自适应的池化方法进行特征提取，矩形区域取3*3，步长取2，得到13*13*48的特征图；
卷积层C5：对池化层S4降维后的特征图数据卷积，进行特征提取，卷积核取3*3，步长取1，特征映射图谱数量取96，得到13*13*96的特征图；
池化层S6：对卷积层C5卷积后的特征图进行降维处理，采用自适应的池化方法进行特征提取，矩形区域取3*3，步长取1，得到6*6*96的特征图；
全连接层F7：设置1024个神经元，连接池化层S6输出的所有特征，设置ReLU函数为激活函数；
全连接层F8：设置512个神经元，与全连接层F7的神经元全连接，设置ReLU函数为激活函数；
输出层：设置2个神经元，与全连接层F8的神经元全连接，对输出结果进行二分类。
上述的一种基于卷积神经网络的煤矿火灾识别方法，池化层S2、池化层S4和池化层S6中所述采用自适应的池化方法进行特征提取的具体步骤为：
步骤1001、根据公式
计算均值池化的池化因子ω1；其中，Fij为特征图谱在位置(i,j)处的像素值，sum为池化域中所有像素之和，e为自然对数的底，θ为校正误差；
步骤1002、根据公式
计算最大值池化的池化因子ω2；其中，max为池化域中的最大值，mean为池化域中除去最大像素后剩余像素的均值；
步骤1003、根据公式
计算池化区域的像素Pij，其中，i为特征图谱的横坐标，j为特征图谱的纵坐标，s为池化步长。
上述的一种基于卷积神经网络的煤矿火灾识别方法，步骤201中所述选取多张原始图像，并对每张原始图像进行预处理，得到卷积神经网络的训练样本集的具体步骤为：
步骤2011、输入每张原始图像；
步骤2012、从每张原始图像中分割出疑似火焰区域图像；
步骤2013、将各张原始图像与步骤2012得到的与原始图像对应的分割图像进行与操作，得到疑似火焰区域的真彩图像。
上述的一种基于卷积神经网络的煤矿火灾识别方法，步骤2012中所述从每张原始图像中分割出疑似火焰区域图像的具体方法为：将每张原始图像中满足
条件的像素分割出来，视为疑似火焰像素，原始图像中所有疑似火焰像素组成疑似火焰区域，其中，R(i,j)为RGB颜色空间中，位于图像坐标(i,j)处的R通道上的像素值，G(i,j)为RGB颜色空间中，位于图像坐标(i,j)处的G通道上的像素值，Y(i,j)为YCbCr颜色空间中，位于图像坐标(i,j)处的Y通道上的像素值，Ymean为YCbCr颜色空间中，Y通道上图像的平均像素值，Cb(i,j)为YCbCr颜色空间中，位于图像坐标(i,j)处的Cb通道上的像素值，Cbmean为YCbCr颜色空间中，Cb通道上图像的平均像素值，Cr(i,j)为YCbCr颜色空间中，位于图像坐标(i,j)处的Cr通道上的像素值，Crmean为YCbCr颜色空间中，Cr通道上图像的平均像素值。
上述的一种基于卷积神经网络的煤矿火灾识别方法，步骤302中所述从待识别的原始图像中分割出疑似火焰区域图像的方法与所述从每张原始图像中分割出疑似火焰区域图像的方法相同。
本发明与现有技术相比具有以下优点：
1、本发明方法步骤简单，实现方便。
2、本发明卷积神经网络中池化方式采用基于中间值池化法的自适应池化方式，能够动态地根据池化域的信息进行特征提取，充分保证每个像素对池化过程的决策意义，避免了传统池化方法在特征提取过程中对图像信息造成的损失。
3、本发明利用颜色特征先行将疑似火焰区域分割出来，再将该部分图片作为训练集送入卷积神经网络进行训练，更有针对性地进行特征提取，有效提高煤矿火灾图像的识别率。
4、本发明能够应用在煤矿火灾的监测中，有效提高对煤矿火灾图像的识别率，使用效果好，便于推广使用。
综上所述，本发明方法步骤简单，实现方便，能够应用在煤矿火灾的监测中，有效提高对煤矿火灾图像的识别率，使用效果好，便于推广使用。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明的方法流程框图；
图2为本发明构建的卷积神经网络结构图；
图3为现有技术中卷积神经网络中采用均值池化的实验效果图；
图4为现有技术中卷积神经网络中采用最大值池化的实验效果图；
图5为本发明卷积神经网络中采用自适应池化的实验效果图。
具体实施方式
本发明具体实施的实验环境是：
本发明的基于卷积神经网络的煤矿火灾识别方法，如图1所示，包括以下步骤：
步骤一、构建用于进行煤矿火灾图像识别的卷积神经网络结构；
步骤二、训练卷积神经网络；其具体过程为：
步骤201、选取多张原始图像，并对每张原始图像进行预处理，得到卷积神经网络的训练样本集；
具体实施时，所述原始图像的数量为200～1000张；
步骤202、对步骤201中得到的训练样本集中的每个训练样本设定标签，记为“火焰”和“非火焰”；
步骤203、将步骤201得到各个训练样本与步骤202对应设定的标签一起输入到构建的卷积神经网络中进行训练，得到训练后的卷积神经网络模型；
步骤三、利用卷积神经网络对煤矿火灾图像进行识别；其具体过程为：
步骤301、输入待识别的原始图像；
步骤302、从待识别的原始图像中分割出疑似火焰区域图像；
步骤303、将待识别的原始图像与步骤302得到的图像进行与操作，得到疑似火焰区域的真彩图像，作为识别样本；
步骤304、将步骤303中得到的识别样本输入到步骤203中得到的训练后的卷积神经网络模型中，进行煤矿火灾图像识别，获得“火焰”或“非火焰”的识别结果。
如图2所示，步骤一中所述构建的卷积神经网络结构包括输入层、卷积层C1、池化层S2、卷积层C3、池化层S4、卷积层C5、池化层S6、全连接层F7、全连接层F8和输出层；
输入层:将输入的彩色图像数据的大小统一为224*224*3；
卷积层C1：对输入的彩色图像数据卷积，进行特征提取，卷积核取11*11，步长取4，特征映射图谱数量取12，得到55*55*12的特征图；
池化层S2：对卷积层C1卷积后的特征图进行降维处理，采用自适应的池化方法进行特征提取，矩形区域取3*3，步长取2，得到27*27*12的特征图；
卷积层C3：对池化层S2降维后的特征图数据卷积，进行特征提取，卷积核取5*5，步长取2，特征映射图谱数量取48，得到27*27*48的特征图；
池化层S4：对卷积层C3卷积后的特征图进行降维处理，采用自适应的池化方法进行特征提取，矩形区域取3*3，步长取2，得到13*13*48的特征图；
卷积层C5：对池化层S4降维后的特征图数据卷积，进行特征提取，卷积核取3*3，步长取1，特征映射图谱数量取96，得到13*13*96的特征图；
池化层S6：对卷积层C5卷积后的特征图进行降维处理，采用自适应的池化方法进行特征提取，矩形区域取3*3，步长取1，得到6*6*96的特征图；
全连接层F7：设置1024个神经元，连接池化层S6输出的所有特征，设置ReLU函数为激活函数；
全连接层F8：设置512个神经元，与全连接层F7的神经元全连接，设置ReLU函数为激活函数；
输出层：设置2个神经元，与全连接层F8的神经元全连接，对输出结果进行二分类。
池化层S2、池化层S4和池化层S6中所述采用自适应的池化方法进行特征提取的具体步骤为：
步骤1001、根据公式
计算均值池化的池化因子ω1；其中，Fij为特征图谱在位置(i,j)处的像素值，sum为池化域中所有像素之和，e为自然对数的底，θ为校正误差；
具体实施时，θ用于处理池化域中像素全为0的情况；
步骤1002、根据公式
计算最大值池化的池化因子ω2；其中，max为池化域中的最大值，mean为池化域中除去最大像素后剩余像素的均值；
步骤1003、根据公式
计算池化区域的像素Pij，其中，i为特征图谱的横坐标，j为特征图谱的纵坐标，s为池化步长。
步骤201中所述选取多张原始图像，并对每张原始图像进行预处理，得到卷积神经网络的训练样本集的具体步骤为：
步骤2011、输入每张原始图像；
步骤2012、从每张原始图像中分割出疑似火焰区域图像；
步骤2013、将各张原始图像与步骤2012得到的与原始图像对应的分割图像进行与操作，得到疑似火焰区域的真彩图像。
步骤2012中所述从每张原始图像中分割出疑似火焰区域图像的具体方法为：将每张原始图像中满足
条件的像素分割出来，视为疑似火焰像素，原始图像中所有疑似火焰像素组成疑似火焰区域，其中，R(i,j)为RGB颜色空间中，位于图像坐标(i,j)处的R通道上的像素值，G(i,j)为RGB颜色空间中，位于图像坐标(i,j)处的G通道上的像素值，Y(i,j)为YCbCr颜色空间中，位于图像坐标(i,j)处的Y通道上的像素值，Ymean为YCbCr颜色空间中，Y通道上图像的平均像素值，Cb(i,j)为YCbCr颜色空间中，位于图像坐标(i,j)处的Cb通道上的像素值，Cbmean为YCbCr颜色空间中，Cb通道上图像的平均像素值，Cr(i,j)为YCbCr颜色空间中，位于图像坐标(i,j)处的Cr通道上的像素值，Crmean为YCbCr颜色空间中，Cr通道上图像的平均像素值。
步骤302中所述从待识别的原始图像中分割出疑似火焰区域图像的方法与所述从每张原始图像中分割出疑似火焰区域图像的方法相同。
为了验证自适应池化方法对卷积神经网络性能的影响，对步骤一中构建的卷积神经网络结构，设置batch size大小为64，初始学习率为0.005，迭代次数为200来进行实验验证，采用现有技术中均值池化的实验效果如图3所示，采用现有技术中最大值池化的实验效果如图4所示，采用本发明自适应池化的实验效果如图5所示；对比图3～图5可见，在第25次训练之后，自适应池化方式下的准确率保持1.0将不再变化，训练效果优于传统的均值池化与最大值池化。为进一步说明自适应池化方式的优越性，对比各池化方式下的测试准确率，采用16幅非火灾图像与16幅火灾图像组成测试集进行3次测试取平均值，测试准确率如下表所示：
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。
Claims (6)
1.一种基于卷积神经网络的煤矿火灾识别方法，其特征在于：包括以下步骤：
步骤一、构建用于进行煤矿火灾图像识别的卷积神经网络结构；
步骤二、训练卷积神经网络；其具体过程为：
步骤201、选取多张原始图像，并对每张原始图像进行预处理，得到卷积神经网络的训练样本集；
步骤202、对步骤201中得到的训练样本集中的每个训练样本设定标签，记为“火焰”和“非火焰”；
步骤203、将步骤201得到各个训练样本与步骤202对应设定的标签一起输入到构建的卷积神经网络中进行训练，得到训练后的卷积神经网络模型；
步骤三、利用卷积神经网络对煤矿火灾图像进行识别；其具体过程为：
步骤301、输入待识别的原始图像；
步骤302、从待识别的原始图像中分割出疑似火焰区域图像；
步骤303、将待识别的原始图像与步骤302得到的图像进行与操作，得到疑似火焰区域的真彩图像，作为识别样本；
步骤304、将步骤303中得到的识别样本输入到步骤203中得到的训练后的卷积神经网络模型中，进行煤矿火灾图像识别，获得“火焰”或“非火焰”的识别结果。
2.按照权利要求1所述的一种基于卷积神经网络的煤矿火灾识别方法，其特征在于：步骤一中所述构建的卷积神经网络结构包括输入层、卷积层C1、池化层S2、卷积层C3、池化层S4、卷积层C5、池化层S6、全连接层F7、全连接层F8和输出层；
输入层:将输入的彩色图像数据的大小统一为224*224*3；
卷积层C1：对输入的彩色图像数据卷积，进行特征提取，卷积核取11*11，步长取4，特征映射图谱数量取12，得到55*55*12的特征图；
池化层S2：对卷积层C1卷积后的特征图进行降维处理，采用自适应的池化方法进行特征提取，矩形区域取3*3，步长取2，得到27*27*12的特征图；
卷积层C3：对池化层S2降维后的特征图数据卷积，进行特征提取，卷积核取5*5，步长取2，特征映射图谱数量取48，得到27*27*48的特征图；
池化层S4：对卷积层C3卷积后的特征图进行降维处理，采用自适应的池化方法进行特征提取，矩形区域取3*3，步长取2，得到13*13*48的特征图；
卷积层C5：对池化层S4降维后的特征图数据卷积，进行特征提取，卷积核取3*3，步长取1，特征映射图谱数量取96，得到13*13*96的特征图；
池化层S6：对卷积层C5卷积后的特征图进行降维处理，采用自适应的池化方法进行特征提取，矩形区域取3*3，步长取1，得到6*6*96的特征图；
全连接层F7：设置1024个神经元，连接池化层S6输出的所有特征，设置ReLU函数为激活函数；
全连接层F8：设置512个神经元，与全连接层F7的神经元全连接，设置ReLU函数为激活函数；
输出层：设置2个神经元，与全连接层F8的神经元全连接，对输出结果进行二分类。
3.按照权利要求2所述的一种基于卷积神经网络的煤矿火灾识别方法，其特征在于：池化层S2、池化层S4和池化层S6中所述采用自适应的池化方法进行特征提取的具体步骤为：
步骤1001、根据公式
计算均值池化的池化因子ω1；其中，Fij为特征图谱在位置(i,j)处的像素值，sum为池化域中所有像素之和，e为自然对数的底，θ为校正误差；
步骤1002、根据公式
计算最大值池化的池化因子ω2；其中，max为池化域中的最大值，mean为池化域中除去最大像素后剩余像素的均值；
步骤1003、根据公式
计算池化区域的像素Pij，其中，i为特征图谱的横坐标，j为特征图谱的纵坐标，s为池化步长。
4.按照权利要求1所述的一种基于卷积神经网络的煤矿火灾识别方法，其特征在于：步骤201中所述选取多张原始图像，并对每张原始图像进行预处理，得到卷积神经网络的训练样本集的具体步骤为：
步骤2011、输入每张原始图像；
步骤2012、从每张原始图像中分割出疑似火焰区域图像；
步骤2013、将各张原始图像与步骤2012得到的与原始图像对应的分割图像进行与操作，得到疑似火焰区域的真彩图像。
5.按照权利要求4所述的一种基于卷积神经网络的煤矿火灾识别方法，其特征在于：步骤2012中所述从每张原始图像中分割出疑似火焰区域图像的具体方法为：将每张原始图像中满足
条件的像素分割出来，视为疑似火焰像素，原始图像中所有疑似火焰像素组成疑似火焰区域，其中，R(i,j)为RGB颜色空间中，位于图像坐标(i,j)处的R通道上的像素值，G(i,j)为RGB颜色空间中，位于图像坐标(i,j)处的G通道上的像素值，Y(i,j)为YCbCr颜色空间中，位于图像坐标(i,j)处的Y通道上的像素值，Ymean为YCbCr颜色空间中，Y通道上图像的平均像素值，Cb(i,j)为YCbCr颜色空间中，位于图像坐标(i,j)处的Cb通道上的像素值，Cbmean为YCbCr颜色空间中，Cb通道上图像的平均像素值，Cr(i,j)为YCbCr颜色空间中，位于图像坐标(i,j)处的Cr通道上的像素值，Crmean为YCbCr颜色空间中，Cr通道上图像的平均像素值。
6.按照权利要求5所述的一种基于卷积神经网络的煤矿火灾识别方法，其特征在于：步骤302中所述从待识别的原始图像中分割出疑似火焰区域图像的方法与所述从每张原始图像中分割出疑似火焰区域图像的方法相同。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910657551.8A CN110378421B (zh) | 2019-07-19 | 2019-07-19 | 一种基于卷积神经网络的煤矿火灾识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910657551.8A CN110378421B (zh) | 2019-07-19 | 2019-07-19 | 一种基于卷积神经网络的煤矿火灾识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110378421A CN110378421A (zh) | 2019-10-25 |
| CN110378421B true CN110378421B (zh) | 2021-06-25 |
Family
ID=68254338
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910657551.8A Active CN110378421B (zh) | 2019-07-19 | 2019-07-19 | 一种基于卷积神经网络的煤矿火灾识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110378421B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111553298B (zh) * | 2020-05-07 | 2021-02-05 | 卓源信息科技股份有限公司 | 一种基于区块链的火灾识别方法及系统 |
| CN111931817A (zh) * | 2020-07-10 | 2020-11-13 | 首钢集团有限公司 | 一种球团矿矿相识别方法和装置 |
| CN115730641A (zh) * | 2022-05-23 | 2023-03-03 | 海纳云物联科技有限公司 | 卷积神经网络池化层的运算方法、火灾检测方法 |
| CN116271667B (zh) * | 2023-05-12 | 2023-08-04 | 陕西开来机电设备制造有限公司 | 一种矿用皮带机电控防灭火系统 |
Family Cites Families (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| KR101942182B1 (ko) * | 2017-05-15 | 2019-04-11 | 이화여자대학교 산학협력단 | 화재 피해를 입은 구조물의 잔존 강도 평가 방법 |
| CN108052865A (zh) * | 2017-07-06 | 2018-05-18 | 同济大学 | 一种基于卷积神经网络和支持向量机的火焰检测方法 |
| CN107657619B (zh) * | 2017-10-13 | 2019-03-01 | 西安科技大学 | 一种低照度林火图像分割方法 |
| CN109272496B (zh) * | 2018-09-04 | 2022-05-03 | 西安科技大学 | 一种煤矿火灾视频监控用火灾图像识别方法 |
| CN109409224B (zh) * | 2018-09-21 | 2023-09-05 | 河海大学 | 一种自然场景火焰检测的方法 |
| CN109522819B (zh) * | 2018-10-29 | 2020-08-18 | 西安交通大学 | 一种基于深度学习的火灾图像识别方法 |
| CN109635814B (zh) * | 2018-12-21 | 2022-11-04 | 河南理工大学 | 基于深度神经网络的森林火灾自动检测方法和装置 |
| 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 |
-
2019
- 2019-07-19 CN CN201910657551.8A patent/CN110378421B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN110378421A (zh) | 2019-10-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110378421B (zh) | 一种基于卷积神经网络的煤矿火灾识别方法 | |
| CN111507370B (zh) | 获得自动标注图像中检查标签的样本图像的方法和装置 | |
| CN112183667B (zh) | 一种协同深度学习的绝缘子故障检测方法 | |
| WO2020073714A1 (zh) | 训练样本获取方法，账户预测方法及对应装置 | |
| CN108734210B (zh) | 一种基于跨模态多尺度特征融合的对象检测方法 | |
| CN111753290B (zh) | 软件类型的检测方法及相关设备 | |
| CN115719460A (zh) | 一种基于深度学习的气体泄露检测方法、系统及终端设备 | |
| CN114140669B (zh) | 焊接缺陷识别模型训练方法、装置和计算机终端 | |
| CN110909125B (zh) | 推文级社会媒体谣言检测方法 | |
| CN111815576B (zh) | 金属部件腐蚀状况检测方法、装置、设备和存储介质 | |
| CN112784781B (zh) | 基于差异感知元学习的伪造人脸检测方法和装置 | |
| Li et al. | Attention‐guided multiscale neural network for defect detection in sewer pipelines | |
| CN113361420B (zh) | 基于机器人的矿井火灾监测方法、装置、设备及存储介质 | |
| CN111310690A (zh) | 基于cn和三通道胶囊网络的森林火灾识别方法及装置 | |
| CN117346079A (zh) | 一种燃气泄漏浓度监测预警方法及系统 | |
| CN116682030A (zh) | 一种电力巡检图像识别模型的训练方法及存储介质 | |
| CN114743151B (zh) | 一种基于改进YOLOv4-tiny的轻量化抗干扰火焰检测方法 | |
| CN112233105A (zh) | 一种基于改进fcn的道路裂缝检测方法 | |
| CN108596121A (zh) | 一种基于上下文和结构建模的人脸关键点检测方法 | |
| CN117523345B (zh) | 一种目标检测数据平衡方法及装置 | |
| CN112559759A (zh) | 一种识别知识图谱中错误关系的方法和设备 | |
| Xu et al. | Application of deep convolution neural network in crack identification | |
| CN114757945B (zh) | 一种金属基体腐蚀和涂层老化的原位识别方法及装置 | |
| CN117173759A (zh) | 一种基于多尺度特征融合的人脸检测方法 | |
| CN112257768B (zh) | 一种非法金融图片的识别方法、装置、计算机存储介质 |
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 | ||
| CB03 | Change of inventor or designer information |
Inventor after: Wang Yuanbin Inventor after: Wang Yujing Inventor after: Han Jian Inventor after: Ren Jieying Inventor after: Zhou Chong Inventor after: Huang Hailong Inventor before: Wang Yuanbin Inventor before: Huang Hailong Inventor before: Wang Yujing Inventor before: Han Jian Inventor before: Ren Jieying Inventor before: Zhou Chong |
|
| CB03 | Change of inventor or designer information | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |