CN110633675A - 一种基于卷积神经网络的视频中火灾识别系统及方法 - Google Patents
一种基于卷积神经网络的视频中火灾识别系统及方法 Download PDFInfo
- Publication number
- CN110633675A CN110633675A CN201910878983.1A CN201910878983A CN110633675A CN 110633675 A CN110633675 A CN 110633675A CN 201910878983 A CN201910878983 A CN 201910878983A CN 110633675 A CN110633675 A CN 110633675A
- Authority
- CN
- China
- Prior art keywords
- fire
- user
- model
- information
- neural network
- 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
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 31
- 238000000034 method Methods 0.000 title claims abstract description 23
- 238000012549 training Methods 0.000 claims abstract description 27
- 238000012360 testing method Methods 0.000 claims abstract description 23
- 238000013135 deep learning Methods 0.000 claims abstract description 6
- 230000002688 persistence Effects 0.000 claims abstract description 4
- 238000012544 monitoring process Methods 0.000 claims description 24
- 239000000779 smoke Substances 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000003062 neural network model Methods 0.000 claims description 4
- 239000000284 extract Substances 0.000 claims description 3
- 230000002045 lasting effect Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 6
- 238000000605 extraction Methods 0.000 abstract description 4
- 238000013528 artificial neural network Methods 0.000 abstract description 3
- 238000007781 pre-processing Methods 0.000 abstract description 3
- 230000008859 change Effects 0.000 abstract description 2
- 238000011160 research Methods 0.000 description 8
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000012217 deletion Methods 0.000 description 3
- 230000037430 deletion Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 206010000369 Accident Diseases 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 238000002715 modification method Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000006467 substitution reaction 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
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/30—Authentication, i.e. establishing the identity or authorisation of security principals
- G06F21/31—User authentication
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/94—Hardware or software architectures specially adapted for image or video understanding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B17/00—Fire alarms; Alarms responsive to explosion
- G08B17/12—Actuation by presence of radiation or particles, e.g. of infrared radiation or of ions
- G08B17/125—Actuation by presence of radiation or particles, e.g. of infrared radiation or of ions by using a video camera to detect fire or smoke
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B29/00—Checking or monitoring of signalling or alarm systems; Prevention or correction of operating errors, e.g. preventing unauthorised operation
- G08B29/18—Prevention or correction of operating errors
- G08B29/185—Signal analysis techniques for reducing or preventing false alarms or for enhancing the reliability of the system
- G08B29/186—Fuzzy logic; neural networks
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B29/00—Checking or monitoring of signalling or alarm systems; Prevention or correction of operating errors, e.g. preventing unauthorised operation
- G08B29/18—Prevention or correction of operating errors
- G08B29/185—Signal analysis techniques for reducing or preventing false alarms or for enhancing the reliability of the system
- G08B29/188—Data fusion; cooperative systems, e.g. voting among different detectors
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L63/00—Network architectures or network communication protocols for network security
- H04L63/08—Network architectures or network communication protocols for network security for authentication of entities
- H04L63/083—Network architectures or network communication protocols for network security for authentication of entities using passwords
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L63/00—Network architectures or network communication protocols for network security
- H04L63/08—Network architectures or network communication protocols for network security for authentication of entities
- H04L63/0876—Network architectures or network communication protocols for network security for authentication of entities based on the identity of the terminal or configuration, e.g. MAC address, hardware or software configuration or device fingerprint
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L69/00—Network arrangements, protocols or services independent of the application payload and not provided for in the other groups of this subclass
- H04L69/16—Implementation or adaptation of Internet protocol [IP], of transmission control protocol [TCP] or of user datagram protocol [UDP]
- H04L69/161—Implementation details of TCP/IP or UDP/IP stack architecture; Specification of modified or new header fields
Abstract
本发明提供一种基于卷积神经网络的视频中火灾识别系统及方法，涉及深度学习技术领域，本发明包括用户登录注册模块、用户信息管理模块、视频火灾识别模块和预警信息通知模块，其中视频火灾识别模块是核心部分。该部分首先使用OpenCV对目标视频进行抽帧处理，并图像进行参数随机变化和图像增强等预处理，得到神经网络的输入数据，然后借助于TensorFlow创建卷积神经网络模型LeNet‑5，读取训练集中的图像数据对模型进行训练，并对在测试集上表现最好的模型进行持久化，最后将进过预处理的图像数据输入至训练好的模型中进行识别，并对结果进行分析和显示。
Description
技术领域
本发明涉及深度学习技术领域，尤其涉及一种基于卷积神经网络的视频中火灾识别系统及方法。
背景技术
近年来，国内发生了许多次重大火灾事故，造成了极大的人员伤亡和财产损失，这使得火灾预警与消防安全在当今时代变得越来越重要。伴随着现代科学技术的不断发展，图像识别技术逐渐的扩展到工业自动化、自然资源分析、生理病变研究和灾难气候发现等领域，人们开始尝试将图像识别技术运用于火灾预警的研究中。
目前对于火灾预警的研究主要分为硬件、软件和软件与硬件相结合这三个方面。在硬件方面，现有的研究大都是通过提高各类传感器的灵敏程度(如热传感器、烟传感器等)，借以提高火灾信号判断的准确率，设计出了将温度和烟雾探测相结合的双传感器的方法，适用于室内的火灾预警。
在软件方面，主要是对视频监控画面进行处理和判别，来进行火灾预警。其主流思路是先提取局部的火焰或烟雾图像，经过处理后，与图像样本库中的图像进行比对，对火焰、烟雾目标进行匹配和识别，达到检测的目的。而在最近的研究中，提出了基于暗原色先验的视频烟雾检测算法，排除了疑似烟雾区域的干扰，提高了图像样本库匹配速度，有较好的匹配率与识别率。
在软件与硬件相结合的方面，主要是指在非计算机系统的平台上，采用特制的视频采集源，设计相应的配套算法，对特定场景进行火灾预警。设计了一个图像型火灾预警系统，系统中使用串口摄像头作为图像采集源，使用微处理器STM32F407ZGT6作为嵌入式系统平台，对拍摄到的火焰图像进行识别。同时根据火焰的物理特性，编写了相应的识别算法，具有较高的准确率。
在硬件方面的研究，虽然在硬件设备安装初期具有很高的识别率，但是当设备老化或年久失修后，其准确率往往也大大降低。而在软件与硬件相结合方面的研究，虽然在一些特殊场景表现优异，但是由于需要借助于特制的设备，导致成本较高，难以得到普遍推广。
发明内容
针对现有技术的不足，本发明的系统提供一种基于卷积神经网络的视频中火灾识别系统及方法。本发明包括用户登录注册模块、用户信息管理模块、视频火灾识别模块和预警信息通知模块，其中视频火灾识别模块是核心部分。视频火灾识别部分首先使用OpenCV对目标视频进行抽帧处理，并图像进行参数随机变化和图像增强等预处理，得到神经网络的输入数据。然后借助于TensorFlow创建卷积神经网络模型LeNet-5，读取训练集中的图像数据对模型进行训练，并对在测试集上表现最好的模型进行持久化，最后将经过预处理的图像数据输入至训练好的模型中进行识别，并对结果进行分析和显示。
本发明所采取的技术方案是：
一种基于卷积神经网络的视频中火灾识别系统，包括用户登录注册模块、用户信息管理模块、视频火灾识别模块和预警信息提醒模块；
所述用户登录注册模块提供用户注册账号，重置密码功能，同时根据用户输入的账号密码信息判断其身份和权限实现用户登录功能；
所述用户信息管理模块用于对用户的账号密码信息和个人基本信息进行维护，在用户信息发生改变时，用户对信息自助进行修改，此外为了保障账号安全，用户对密码进行修改操作；
所述视频火灾识别模块根据用户的身份对其权限内的监控设备信息和监控视频火灾识别信息进行查看，系统后台会通过读取已持久化的卷积神经网络模型，对视频的各帧图像进行火焰识别和烟雾识别，并将相应信息存入数据库，最后对识别的结果进行分析和整合，实时判别监控视频中的火灾情况；
所述预警信息提醒模块是火灾识别系统根据监控视频的实时对火灾情况进行识别和预警，当识别出火灾情况时实时在系统界面上显示相应的火灾预警信息，并向用户发送预警信息。
一种基于卷积神经网络的视频中火灾识别方法，通过前述的一种基于卷积神经网络的视频中火灾识别系统实现，包括以下步骤：
步骤1：客户端对监控视频流数据进行读取，对视频数据进行解析和抽帧处理后，使用TCP/IP协议将帧图像数据传输至服务器端；
步骤2：服务器接收到传输的帧图像数据后，对每张图像进行缩放、归一化的预处理，之后调用火灾识别算法，将处理后的图像依次输入到已训练的火焰识别模型和烟雾识别模型中进行识别；
步骤2.1：图像识别算法中，借助于TensorFlow深度学习框架，创建两个LeNet-5卷积神经网络模型，分别包含声明模型中各个结构包含的变量，以及实现模型的前向传播过程；
步骤2.2：从网络上获取图像信息作为训练集和测试集，分别读取训练集中的火焰图像和烟雾图像，对创建的卷积神经网络模型进行训练；
步骤2.2.1：从网络上获取相关的火焰和非火焰的图像信息，然后将这些图像分为用于模型的训练集，和用于测试模型表现的测试集；
步骤2.2.2：从训练集中完全随机的取若干张图像，依次输入至神经网络模型，这样就完成了一轮训练；
步骤2.2.3：重复步骤2.2.2直至到达预定的训练轮数，并且每隔一定的轮数就计算一次交叉熵和准确率，最终选取在测试集上准确率最高的模型进行保存；
步骤2.3：选择在测试集上表现最好的模型，对训练过程进行监控，对该模型进行持久化操作；
步骤2.4：为了便于进行测试和离线预测，需要加载和恢复表现最好的模型，向恢复的模型中输入图像的像素矩阵，经过计算图的运算后，模型输出识别结果，并将视频和识别结果实时显示在UI界面上；
步骤3：对模型输出的火灾识别结果进行汇总，并存储在数据库中，若出现火灾情况，则实时在系统界面上显示相应的火灾预警信息，并向用户发送预警信息。
采用上述技术方案所产生的有益效果在于：
本发明研究中实现的火灾识别系统具备识别速度快和成本低的优点，具有很好的发展前景，既能单独地使用该系统进行监控和识别，也能与传统的火灾预警系统一同使用，从而进一步提高火灾的发现速度与精度，降低火灾所造成的损失。
附图说明
图1为本发明实施例中视频中火灾识别系统的功能模块示意图；
图2为本发明实施例中视频中火灾识别系统的总体结构示意图；
图3为本发明实施例中训练神经网络模型部分的流程图；
图4是本发明实施例中视频火灾识别部分的流程图。
具体实施方式
下面结合附图对本发明具体实施方式加以详细的说明。
本实施例中采用基于卷积神经网络的视频中火灾识别方法，系统使用Python编程语言，采用了TensorFlow深度学习框架，在此基础上搭建了卷积神经网络用于火焰图像和烟雾图像的识别，进而判别出这段视频是否出现了火灾现象。
本发明的一种基于卷积神经网络的视频中火灾识别系统，如图1所示，包括用户登录注册模块、用户信息管理模块、视频火灾识别模块和预警信息提醒模块；
所述用户登录注册模块提供用户注册账号，重置密码功能，同时根据用户输入的账号密码信息判断其身份和权限实现用户登录功能；
对于管理员用户而言，该模块仅提供登录功能；对于普通用户而言，该模块提供登录功能、注册功能和重置密码功能；所述的用户登录功能需要用户在登录界面输入账号和密码并提交给系统，然后系统后端会根据用户输入的账号，向数据库的用户信息表中查询相应的密码。如果返回结果为空，则说明用户输入的账号不存在。如果返回的结果与用户输入的密码不匹配，则说明用户密码输入错误。只有当用户输入的密码与从数据库中查询到的密码相匹配时，系统才会显示相应的跳转界面；
所述的用户注册功能是针对于普通用户而言的，用户可以输入账号、密码、电话、邮箱地址等信息进行注册，后台会对这些信息进合法性判断，如果信息全都合法则在数据库的用户信息表中新增一条数据；所述的用户重置密码功能也是针对普通用户而言的，当用户忘记密码时，可以在找回密码页面输入账号和验证信息，当验证信息正确时，系统会允许用户进行密码重置，并修改用户信息表中相应的密码信息。
所述用户信息管理模块用于对用户的账号密码信息和个人基本信息进行维护，在用户信息发生改变时，用户对信息自助进行修改，此外为了保障账号安全，用户对密码进行修改操作；对于管理员用户而言，拥有对所有用户的信息进行管理的权限，具体包括用户信息的查询、修改和删除。而对于普通用户而言，只能对用户自己的信息进行修改，具体包括修改个人基本信息和修改密码；
所述的对所有用户进行管理，是指管理员用户可以根据用户的账号对用户信息进行查询，后台的业务逻辑类会根据其输入的账号信息，调用相应的数据访问类中查询方法，从数据库中查询出对应的用户信息，并将其返回到业务逻辑层，最终显示在管理员界面上。随后，管理员用户可以对这条数据进行修改和删除，后台会调用相应的修改方法和删除方法，并给管理员用户处理结果的提示；
所述的用户对自己信息进行管理，是指普通用户可以对自己的个人基本信息进行修改，也可以对密码进行修改，其中个人基本信息的修改与管理员修改信息的流程基本一致。用户在修改密码时，需要提供当前密码与新密码，在后台程序验证当前密码无误后，会修改数据库用户信息表中的密码信息，并将修改成功的提示返回给用户。
所述视频火灾识别模块根据用户的身份对其权限内的监控设备信息和监控视频火灾识别信息进行查看，系统后台会通过读取已持久化的卷积神经网络模型，对视频的各帧图像进行火焰识别和烟雾识别，并将相应信息存入数据库，最后对识别的结果进行分析和整合，实时判别监控视频中的火灾情况；
对于管理员用户而言，可以查看所有监控视频的火灾识别信息，还可以对所有设备信息进行管理，包括设备信息的增加、删除、修改和查询。而对于普通用户而言，可以查看自己权限内的监控设备信息和监控视频火灾识别信息；
所述预警信息提醒模块是火灾识别系统根据监控视频的实时对火灾情况进行识别和预警，当识别出火灾情况时实时在系统界面上显示相应的火灾预警信息，并向用户发送预警信息。
本发明的一种基于卷积神经网络的视频中火灾识别方法，通过所述的一种基于卷积神经网络的视频中火灾识别系统实现，如图2所示，包括以下步骤：
步骤1：客户端对监控视频流数据进行读取，对视频数据进行解析和抽帧处理后，使用TCP/IP协议将帧图像数据传输至服务器端；
所述客户端，用于对监控视频进行抽帧处理，并将其发送至服务器端，此外还能进行一些基础的业务逻辑处理，如数据合法性检查等；
所述服务器端，用于接收视频帧数据，并进行解码，生成对应的像素矩阵，并加载和恢复已训练的模型，对其进行火焰图像识别和烟雾图像识别。最后对各帧图像的识别结果进行分析和判别，并将视频数据和判别结果实时地显示在UI界面上；
步骤2：如图3所示，服务器接收到传输的帧图像数据后，对每张图像进行缩放、归一化的预处理，之后调用火灾识别算法，将处理后的图像依次输入到已训练的火焰识别模型和烟雾识别模型中进行识别；
步骤2.1：图像识别算法中，借助于TensorFlow深度学习框架，创建两个LeNet-5卷积神经网络模型，分别包含声明模型中各个结构包含的变量，以及实现模型的前向传播过程；
步骤2.2：从网络上获取图像信息作为训练集和测试集，分别读取训练集中的火焰图像和烟雾图像，对创建的卷积神经网络模型进行训练；
步骤2.2.1：从网络上获取相关的火焰和非火焰的图像信息，然后将这些图像分为用于模型的训练集，和用于测试模型表现的测试集；
步骤2.2.2：从训练集中完全随机的取若干张图像，依次输入至神经网络模型，这样就完成了一轮训练；
步骤2.2.3：重复步骤2.2.2直至到达预定的训练轮数，并且每隔一定的轮数就计算一次交叉熵和准确率，最终选取在测试集上准确率最高的模型进行保存；
步骤2.3：选择在测试集上表现最好的模型，对训练过程进行监控，对该模型进行持久化操作；
步骤2.4：如图4所示，为了便于进行测试和离线预测，需要加载和恢复表现最好的模型，向恢复的模型中输入图像的像素矩阵，经过计算图的运算后，模型输出识别结果，并将视频和识别结果实时显示在UI界面上；
在神经网络的前向传播过程中，卷积层输入特征图的尺寸in(length)×in(width)与输出特征图的尺寸out(length)×out(width)的关系如下公式所示。
out(length)＝[in(length)-filter(length)+1]/stride(length)
out(width)＝[in(width)-filter(width)+1]/stride(width)
其中filter(length)和filter(width)代表卷积核的尺寸,stride(length)和stride(width)代表卷积核在特征图两个维度上移动的步长。
本实施例中的火焰图像识别属于二分类的图像分类问题，其交叉熵的计算公式如下所示。
L＝-[ylogy^+(1-y)log(1-y^)]
其中L代表网络预测值与真实值的距离，即loss，y代表图像真实数据标签，y^代表图像预测数据标签。
步骤3：对模型输出的火灾识别结果进行汇总，并存储在数据库中，若出现火灾情况，则实时在系统界面上显示相应的火灾预警信息，并向用户发送预警信息。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明权利要求所限定的范围。
Claims (3)
1.一种基于卷积神经网络的视频中火灾识别系统，其特征在于：包括用户登录注册模块、用户信息管理模块、视频火灾识别模块和预警信息提醒模块；
所述用户登录注册模块提供用户注册账号，重置密码功能，同时根据用户输入的账号密码信息判断其身份和权限实现用户登录功能；
所述用户信息管理模块用于对用户的账号密码信息和个人基本信息进行维护，在用户信息发生改变时，用户对信息自助进行修改，此外为了保障账号安全，用户对密码进行修改操作；
所述视频火灾识别模块根据用户的身份对其权限内的监控设备信息和监控视频火灾识别信息进行查看，系统后台会通过读取已持久化的卷积神经网络模型，对视频的各帧图像进行火焰识别和烟雾识别，并将相应信息存入数据库，最后对识别的结果进行分析和整合，实时判别监控视频中的火灾情况；
所述预警信息提醒模块是火灾识别系统根据监控视频的实时对火灾情况进行识别和预警，当识别出火灾情况时实时在系统界面上显示相应的火灾预警信息，并向用户发送预警信息。
2.一种基于卷积神经网络的视频中火灾识别方法，通过权利要求1所述的基于卷积神经网络的视频中火灾识别系统实现，其特征在于，包括以下步骤：
步骤1：客户端对监控视频流数据进行读取，对视频数据进行解析和抽帧处理后，使用TCP/IP协议将帧图像数据传输至服务器端；
步骤2：服务器接收到传输的帧图像数据后，对每张图像进行缩放、归一化的预处理，之后调用火灾识别算法，将处理后的图像依次输入到已训练的火焰识别模型和烟雾识别模型中进行识别；
步骤3：对模型输出的火灾识别结果进行汇总，并存储在数据库中，若出现火灾情况，则实时在系统界面上显示相应的火灾预警信息，并向用户发送预警信息。
3.根据权利要求2所述的一种基于卷积神经网络的视频中火灾识别方法，其特征在于，所述步骤2中对火焰和烟雾进行图像识别的具体步骤方法为：
步骤2.1：图像识别算法中，借助于TensorFlow深度学习框架，创建两个LeNet-5卷积神经网络模型，分别包含声明模型中各个结构包含的变量，以及实现模型的前向传播过程；
步骤2.2：从网络上获取图像信息作为训练集和测试集，分别读取训练集中的火焰图像和烟雾图像，对创建的卷积神经网络模型进行训练；
步骤2.2.1：从网络上获取相关的火焰和非火焰的图像信息，然后将这些图像分为用于模型的训练集，和用于测试模型表现的测试集；
步骤2.2.2：从训练集中完全随机的取若干张图像，依次输入至神经网络模型，这样就完成了一轮训练；
步骤2.2.3：重复步骤2.2.2直至到达预定的训练轮数，并且每隔一定的轮数就计算一次交叉熵和准确率，最终选取在测试集上准确率最高的模型进行保存；
步骤2.3：选择在测试集上表现最好的模型，对训练过程进行监控，对该模型进行持久化操作；
步骤2.4：为了便于进行测试和离线预测，需要加载和恢复表现最好的模型，向恢复的模型中输入图像的像素矩阵，经过计算图的运算后，模型输出识别结果，并将视频和识别结果实时显示在UI界面上。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910878983.1A CN110633675A (zh) | 2019-09-18 | 2019-09-18 | 一种基于卷积神经网络的视频中火灾识别系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910878983.1A CN110633675A (zh) | 2019-09-18 | 2019-09-18 | 一种基于卷积神经网络的视频中火灾识别系统及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110633675A true CN110633675A (zh) | 2019-12-31 |
Family
ID=68971137
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910878983.1A Pending CN110633675A (zh) | 2019-09-18 | 2019-09-18 | 一种基于卷积神经网络的视频中火灾识别系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110633675A (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111581620A (zh) * | 2020-04-30 | 2020-08-25 | 新浪网技术(中国)有限公司 | 一种用户识别方法及装置 |
| CN111665177A (zh) * | 2020-06-11 | 2020-09-15 | 太原理工大学 | 一种基于物体识别、毒气和热源检测的实验室保护系统 |
| CN111680612A (zh) * | 2020-06-03 | 2020-09-18 | 清华大学 | 基于图像处理的室内火灾荷载自动识别装置与方法 |
| CN111882810A (zh) * | 2020-07-31 | 2020-11-03 | 广州市微智联科技有限公司 | 一种火灾识别与预警方法及其系统 |
| CN112801148A (zh) * | 2021-01-14 | 2021-05-14 | 西安电子科技大学 | 基于深度学习的火情识别定位系统及方法 |
| CN113344909A (zh) * | 2021-07-01 | 2021-09-03 | 中国石油大学(北京) | 一种火电锅炉透火焰高温滤镜结焦识别显示方法和装置 |
| CN113705835A (zh) * | 2021-08-20 | 2021-11-26 | 普泰克电力有限公司 | 一种基于深度学习的配电运维系统 |
| CN113998555A (zh) * | 2021-09-18 | 2022-02-01 | 特斯联科技集团有限公司 | 一种无感电梯按钮与移动电话互动的方法和系统 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104992522A (zh) * | 2015-06-19 | 2015-10-21 | 合肥伍人信步信息科技有限公司 | 一种林火预警信息服务方法 |
| JP2018072881A (ja) * | 2016-10-24 | 2018-05-10 | ホーチキ株式会社 | 火災監視システム |
| CN108831097A (zh) * | 2018-08-22 | 2018-11-16 | 上海灿略信息科技有限公司 | 火焰烟雾识别系统及方法 |
| 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 |
| CN109493561A (zh) * | 2018-11-19 | 2019-03-19 | 杭州湛川智能技术有限公司 | 一种基于图像处理的火灾监控系统 |
| AU2019100349A4 (en) * | 2019-04-04 | 2019-05-09 | Lyu, Xinyue Miss | Face - Password Certification Based on Convolutional Neural Network |
| CN110032977A (zh) * | 2019-04-18 | 2019-07-19 | 北京华正明天信息技术股份有限公司 | 一种基于深度学习图像火灾识别的安全预警管理系统 |
| CN110147762A (zh) * | 2019-05-20 | 2019-08-20 | 北京唐芯物联网科技有限公司 | 一种嵌入式消防误报消除系统 |
-
2019
- 2019-09-18 CN CN201910878983.1A patent/CN110633675A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104992522A (zh) * | 2015-06-19 | 2015-10-21 | 合肥伍人信步信息科技有限公司 | 一种林火预警信息服务方法 |
| JP2018072881A (ja) * | 2016-10-24 | 2018-05-10 | ホーチキ株式会社 | 火災監視システム |
| CN108831097A (zh) * | 2018-08-22 | 2018-11-16 | 上海灿略信息科技有限公司 | 火焰烟雾识别系统及方法 |
| CN109493561A (zh) * | 2018-11-19 | 2019-03-19 | 杭州湛川智能技术有限公司 | 一种基于图像处理的火灾监控系统 |
| 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 |
| AU2019100349A4 (en) * | 2019-04-04 | 2019-05-09 | Lyu, Xinyue Miss | Face - Password Certification Based on Convolutional Neural Network |
| CN110032977A (zh) * | 2019-04-18 | 2019-07-19 | 北京华正明天信息技术股份有限公司 | 一种基于深度学习图像火灾识别的安全预警管理系统 |
| CN110147762A (zh) * | 2019-05-20 | 2019-08-20 | 北京唐芯物联网科技有限公司 | 一种嵌入式消防误报消除系统 |
Non-Patent Citations (4)
| Title |
|---|
| 白岩 等: "基于卷积神经网络室内火焰烟雾识别", 《计算机科学与应用》 * |
| 白岩 等: "基于卷积神经网络室内火焰烟雾识别", 《计算机科学与应用》, 28 June 2019 (2019-06-28) * |
| 阮敬 等: "《python数据分析基础 第2版》", 31 August 2018, pages: 428 * |
| 陈晓晖 等: "《档案网站建设》", 28 February 2014, pages: 304 * |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111581620A (zh) * | 2020-04-30 | 2020-08-25 | 新浪网技术(中国)有限公司 | 一种用户识别方法及装置 |
| CN111680612A (zh) * | 2020-06-03 | 2020-09-18 | 清华大学 | 基于图像处理的室内火灾荷载自动识别装置与方法 |
| CN111665177A (zh) * | 2020-06-11 | 2020-09-15 | 太原理工大学 | 一种基于物体识别、毒气和热源检测的实验室保护系统 |
| CN111882810A (zh) * | 2020-07-31 | 2020-11-03 | 广州市微智联科技有限公司 | 一种火灾识别与预警方法及其系统 |
| CN111882810B (zh) * | 2020-07-31 | 2022-07-01 | 广州市微智联科技有限公司 | 一种火灾识别与预警方法及其系统 |
| CN112801148A (zh) * | 2021-01-14 | 2021-05-14 | 西安电子科技大学 | 基于深度学习的火情识别定位系统及方法 |
| CN113344909A (zh) * | 2021-07-01 | 2021-09-03 | 中国石油大学(北京) | 一种火电锅炉透火焰高温滤镜结焦识别显示方法和装置 |
| CN113344909B (zh) * | 2021-07-01 | 2023-12-08 | 中国石油大学(北京) | 一种火电锅炉透火焰高温滤镜结焦识别显示方法和装置 |
| CN113705835A (zh) * | 2021-08-20 | 2021-11-26 | 普泰克电力有限公司 | 一种基于深度学习的配电运维系统 |
| CN113998555A (zh) * | 2021-09-18 | 2022-02-01 | 特斯联科技集团有限公司 | 一种无感电梯按钮与移动电话互动的方法和系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110633675A (zh) | 一种基于卷积神经网络的视频中火灾识别系统及方法 | |
| CN111178523B (zh) | 一种行为检测方法、装置、电子设备及存储介质 | |
| CN108846365B (zh) | 视频中打架行为的检测方法、装置、存储介质及处理器 | |
| CN109902018B (zh) | 一种智能驾驶系统测试案例的获取方法 | |
| CN112016500A (zh) | 基于多尺度时间信息融合的群体异常行为识别方法及系统 | |
| WO2020259128A1 (zh) | 活体检测方法、装置、电子设备及计算机可读存储介质 | |
| CN111476191B (zh) | 基于智慧交通的人工智能图像处理方法及大数据云服务器 | |
| CN109389096B (zh) | 检测方法和装置 | |
| CN111652087A (zh) | 验车方法、装置、电子设备和存储介质 | |
| US20200218772A1 (en) | Method and apparatus for dynamically identifying a user of an account for posting images | |
| CN111027400A (zh) | 一种活体检测方法及装置 | |
| CN116863286B (zh) | 一种双流目标检测方法及其模型搭建方法 | |
| CN111581620A (zh) | 一种用户识别方法及装置 | |
| CN114973065B (zh) | 一种基于视频智能分析的物品搬移、遗留检测方法及系统 | |
| CN111382605A (zh) | 视频内容审核方法、装置、存储介质和计算机设备 | |
| CN116311214A (zh) | 车牌识别方法和装置 | |
| CN114387548A (zh) | 视频及活体检测方法、系统、设备、存储介质及程序产品 | |
| Chen et al. | A novel smoke detection algorithm based on improved mixed Gaussian and YOLOv5 for textile workshop environments | |
| CN111814617B (zh) | 基于视频的火灾判定方法、装置、计算机设备及存储介质 | |
| CN111723656B (zh) | 一种基于YOLO v3与自优化的烟雾检测方法及装置 | |
| CN116189063B (zh) | 一种用于智能视频监控的关键帧优化方法及装置 | |
| CN111597361B (zh) | 多媒体数据处理方法、装置、存储介质及设备 | |
| CN112989932A (zh) | 基于改进原型网络的少样本森林火灾烟雾识别方法及装置 | |
| CN112163493A (zh) | 一种视频虚假人脸检测方法及电子装置 | |
| CN114359815B (zh) | 一种快速审核视频内容的处理方法 |
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 |