发明内容
因此,本发明实施例要解决的技术问题在于克服现有技术中的化工园区内的消防系统只能针对已经发生的火情进行检测,不能提前预防,容易导致化工品在段时间的爆燃和爆炸,安全性低的缺陷,从而提供一种基于神经网络的园区可燃物识别方法及系统。
为此,本发明提供一种基于神经网络的园区可燃物识别方法,包括以下步骤:
获取园区监控设备采集到的图像;
利用第一神经网络模型对所述图像进行特征提取处理,输出所述图像的特征图;
利用第二神经网络模型对所述特征图进行识别,识别出感兴趣区域,并基于所述感兴趣区域进行可燃物识别,所述第一神经网络模型包括卷积层、全连接层和输出层,所述第二神经网络模型包括卷积层、池化层、全连接层、分类层和输出层。
可选的,所述利用第二神经网络模型对所述特征图进行识别之前,还包括:
构建用于可燃物识别的神经网络结构搜索空间;
训练面向可燃物识别的超网络模型;
使用进化算法在所述超网络模型上搜索最优神经网络结构;
将所述最优神经网络结构作为所述第二神经网络模型的网络结构。
可选的,所述将所述最优神经网络结构作为所述第二神经网络模型的网络结构之后,还包括:
将训练图像样本经过所述第一神经网络提取到的样本特征图输入至所述第二神经网络模型,输出分类概率图;
通过集中性损失函数计算所述分类概率图与金标准的误差,并通过梯度后向传播方法,获得所述第二神经网络模型的改进的权重参数。
可选的,
还包括利用第三神经网络识别出可燃物的预警等级,第三神经网络包括:输入层、隐含层、求和层和竞争层,其中,入层包括初级输入层、差分层和归一化层,所述初级输入层可燃物温度时间序列数据X1=[X11 X21…XN1]T;
所述变形层用于对输入层的神经元进行变形,变形矩阵用下式表示:
式中,ΔXn1=Xn1-X(n-1)1,指当温度数据和前次温度数据的差,n=1,…,N;
归一化层用于对变形矩阵利用归一化系数矩阵对变形向量进行归一化处理,得到归一化矩阵,归一化系数矩阵如下式:
归一化矩阵如下式:
Z=Y·δ
将归一化矩阵输入到第三神经网络的隐含层,隐含层中利用标准差σ=0.1的高斯函数将神经元激活,得到初始概率矩阵如下式:
式中,
Z
nm为归一化矩阵Z中第m个样本量的第n个值,C
m为高斯函数的中心点,n=1,…,N,m=1,2;
求和层通过下式求出待识别可燃物属于求和层中的哪个预警等级:
式中ω
mk为隐含层神经元与求和层神经元之间的互相关系数,由训练数据反复训练确定,,n=1,…,N,k=1,…,6。
可选的,所述第二神经网络模型包括:
可变形编码器和具有重构上采样结构的解码器网络,所述可变形编码器的组成依次包括输入层、第一可变形卷积层、第二可变形卷积层、第一最大池化层、第三可变形卷积层、第四可变形卷积层、第二最大池化层、第五可变形卷积层、第六可变形卷积层、第三最大池化层、第七可变形卷积层、第八可变形卷积层、第四最大池化层、第九可变形卷积层;
具有重构上采样结构的解码器网络包括第一常规卷积层、第一重构上采样层、第二常规卷积层、第三常规卷积层、第二重构上采样层、第四常规卷积层、第五常规卷积层、第三重构上采样层、第六常规卷积层、第七常规卷积层、第四重构上采样层、第八常规卷积层、第九常规卷积层、第十常规卷积层即输出层;第一常规卷积层与第九可变形卷积层连接,第一重构上采样层与第八可变形卷积层进行拼接,第二重构上采样层与第六可变形卷积层进行拼接,第三重构上采样层与第四可变形卷积层进行拼接,第四重构上采样层与第二可变形卷积层进行拼接;在每个可变形卷积层和常规卷积层的激活函数之前,均加入组标准化。
可选的,所述利用第二神经网络模型对所述特征图进行识别,识别出感兴趣区域,并基于所述感兴趣区域进行可燃物识别,包括:
对所述感兴趣区域分别采用M*M的卷积层提取所述感兴趣区域的整体特征、N*N的卷积层提取所述感兴趣区域的细节特征;M>N;
对所述整体特征和所述细节特征进行特征融合,得到融合特征;
基于所述融合特征进行可燃物识别。
可选的,所述第二神经网络模型共享所述第一神经网络模型的最后一个所述池化层和所述全连接层。
可选的,所述利用第一神经网络模型对所述图像进行特征提取处理,输出所述图像的特征图之前,还包括:
采用无监督堆栈稀疏自动编码方法来对所述第一神经网络模型和所述第二神经网络模型各层进行预训练初始化;
采用共享神经网络模型的更新机制对所述第一神经网络模型和所述第二神经网络模型进行模型微调训练;
获取到所述第一神经网络模型和所述第二神经网络模型的最佳优化参数。
可选的,所述第二神经网络模型包括下采样部分和上采样部分;所述下采样部分包括一个卷积层,一个池化层以及四个下采样块,每个下采样块内部包含三个卷积层,并且使用残差的方式连接;上采样部分包括6个上采样块,每个上采样块中包含一个上采样层和两个卷积层,每个上采样层和卷积层都有多个候选操作,只有一个候选操作在第二神经网络模型的训练和测试阶段会被激活;其中下采样部分的中间特征图通过相加的方式和上采样块中的特征图进行融合,并最终用于可燃物的识别。
本发明还提供一种基于神经网络的园区可燃物识别系统,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现上述的任一种方法。
本发明实施例的技术方案,具有如下优点:
本发明实施例提供的基于神经网络的园区可燃物识别方法及系统,通过神经网络模型智能识别园区内的可燃物,从而可以实现火灾的预测和预防,从源头上避免火灾的发生,可以大大提高化工园区内的消防安全性。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在本发明的描述中,需要说明的是,本文所用的术语仅用于描述特定实施例的目的,而并非旨在限制本发明。除非上下文明确指出,否则如本文中所使用的单数形式“一”、“一个”和“该”等意图也包括复数形式。使用“包括”和/或“包含”等术语时,是意图说明存在该特征、整数、步骤、操作、元素和/或组件,而不排除一个或多个其他特征、整数、步骤、操作、元素、组件、和/或其他组合的存在或增加。术语“和/或”包括一个或多个相关列出项目的任何和所有组合。术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,还可以是两个元件内部的连通;可以是无线连接,也可以是有线连接。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
此外,下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
实施例1
本实施例提供一种基于神经网络的园区可燃物识别方法,如图1所示,包括以下步骤:
S1:获取园区监控设备采集到的图像;
S2:利用第一神经网络模型对所述图像进行特征提取处理,输出所述图像的特征图;
S3:利用第二神经网络模型对所述特征图进行识别,识别出感兴趣区域,并基于所述感兴趣区域进行可燃物识别,所述第一神经网络模型包括卷积层、全连接层和输出层,所述第二神经网络模型包括卷积层、池化层、全连接层、分类层和输出层。
本发明提供的基于神经网络的园区可燃物识别方法,通过神经网络模型智能识别园区内的可燃物,从而可以实现火灾的预测和预防,从源头上避免火灾的发生,可以大大提高化工园区内的消防安全性。
可选的,在获取到监控设备采集到的图像之后,图像识别之前,还对采集到的图像进行预处理,所述预处理包括数字化、图像去噪、灰度化和归一化。
具体的,所述图像去噪处理包括高通滤波处理:对采集到的图像做傅里叶变换,中心化处理,取绝对值;设定终止频率,计算频率域各点到中心点距离;根据设定的终止频率和上述距离计算高通滤波转换后的矩阵,对该矩阵做傅里叶逆变换,并进行中心化处理后取绝对值,即可实现对图像的高通滤波处理。
可选的,如图2所示,所述利用第二神经网络模型对所述特征图进行识别之前,即步骤S2之前,还包括:
S1a:构建用于可燃物识别的神经网络结构搜索空间;
S1b:训练面向可燃物识别的超网络模型;
S1c:使用进化算法在所述超网络模型上搜索最优神经网络结构;
S1d:将所述最优神经网络结构作为所述第二神经网络模型的网络结构。
进一步可选的,所述神经网络结构搜索空间包括所述第二神经网络模型的各参数以及各参数的取值范围,后续在搜索最优神经网络结构时在取值范围内更新各参数。在使用进化算法在所述超网络模型上搜索最优神经网络结构时,根据训练数据获取当前代神经网络结构的奖励值,并判断奖励值是否满足优化结束要求,若满足,则确定为最优神经网络结构,否则继续进行优化迭代。
其中,神经网络结构的奖励值可以根据可燃物识别的速度和准确度确定。优化结束要求可以是在多次优化过程中奖励值基本稳定。
可选的,所述将所述最优神经网络结构作为所述第二神经网络模型的网络结构之后,还包括:
将训练图像样本经过所述第一神经网络提取到的样本特征图输入至所述第二神经网络模型,输出分类概率图;分类概率图包括是可燃物的概率和不是可燃物的概率;
通过集中性损失函数计算所述分类概率图与金标准的误差,并通过梯度后向传播方法,获得所述第二神经网络模型的改进的权重参数。
可选的,所述第二神经网络模型包括UNet网络。
可选的,本发明提供的基于神经网络的园区可燃物识别方法还包括利用第三神经网络识别出可燃物的预警等级,第三神经网络包括:输入层、隐含层、求和层和竞争层,其中,入层包括初级输入层、差分层和归一化层,所述初级输入层可燃物温度时间序列数据X1=[X11 X21 … XN1]T;
所述变形层用于对输入层的神经元进行变形,变形矩阵用下式表示:
式中,ΔXn1=Xn1-X(n-1)1,指当温度数据和前次温度数据的差;
归一化层用于对变形矩阵利用归一化系数矩阵对变形向量进行归一化处理,得到归一化矩阵,归一化系数矩阵如下式:
归一化矩阵如下式:
Z=Y·δ
将归一化矩阵输入到第三神经网络的隐含层,隐含层中利用标准差σ=0.1的高斯函数将神经元激活,得到初始概率矩阵如下式:
式中,
Z
nm为归一化矩阵Z中第m个样本量的第n个值,C
m为高斯函数的中心点;
求和层通过下式求出待识别可燃物属于求和层中的哪个预警等级:
式中ω
mk为隐含层神经元与求和层神经元之间的互相关系数,由训练数据反复训练确定。
可选的,所述第二神经网络模型包括:可变形编码器和具有重构上采样结构的解码器网络。
进一步可选的,所述可变形编码器的组成依次包括输入层、第一可变形卷积层、第二可变形卷积层、第一最大池化层、第三可变形卷积层、第四可变形卷积层、第二最大池化层、第五可变形卷积层、第六可变形卷积层、第三最大池化层、第七可变形卷积层、第八可变形卷积层、第四最大池化层、第九可变形卷积层;
具有重构上采样结构的解码器网络包括第一常规卷积层、第一重构上采样层、第二常规卷积层、第三常规卷积层、第二重构上采样层、第四常规卷积层、第五常规卷积层、第三重构上采样层、第六常规卷积层、第七常规卷积层、第四重构上采样层、第八常规卷积层、第九常规卷积层、第十常规卷积层即输出层;第一常规卷积层与第九可变形卷积层连接,第一重构上采样层与第八可变形卷积层进行拼接,第二重构上采样层与第六可变形卷积层进行拼接,第三重构上采样层与第四可变形卷积层进行拼接,第四重构上采样层与第二可变形卷积层进行拼接;在每个可变形卷积层和常规卷积层的激活函数之前,均加入组标准化。
可选的,所述利用第二神经网络模型对所述特征图进行识别,识别出感兴趣区域,并基于所述感兴趣区域进行可燃物识别,包括:
对所述感兴趣区域分别采用M*M的卷积层提取所述感兴趣区域的整体特征、N*N的卷积层提取所述感兴趣区域的细节特征;M>N;
对所述整体特征和所述细节特征进行特征融合,得到融合特征;
基于所述融合特征进行可燃物识别。
其他可选的具体实施方式中,也可以通过上采样和下采样构建所述感兴趣区域的图片金字塔,然后分别利用同一尺寸的卷积层提取图片金字塔每一层图像的特征,并分别基于提取到的图片金字塔各层图像的特征进行可燃物识别,按照识别结果中的最大概率确定是否是可燃物。
可选的,所述第二神经网络模型共享所述第一神经网络模型的最后一个所述池化层和所述全连接层。
另外,在利用第二神经网络模型对所述特征图进行识别,识别出感兴趣区域,并基于所述感兴趣区域进行可燃物识别,包括:
利用所述第二神经网络模型中的空间变换层对所述感兴趣区域进行空间变换处理。
具体的,将所述感兴趣区域转换为预设尺寸范围的第一图像,仿射变换矩阵与所述第一图像的图像矩阵相乘即可完成对所述感兴趣区域的空间变换。
可选的,所述利用第一神经网络模型对所述图像进行特征提取处理,输出所述图像的特征图之前,还包括:
采用无监督堆栈稀疏自动编码方法来对所述第一神经网络模型和所述第二神经网络模型各层进行预训练初始化,该方法通过自下上升逐层贪婪学习策略,在各层的堆叠过程中提高了训练数据在构造模型下的似然概率的变分下限,从而使训练过程达到近似的最大似然学习;
采用SSAE方法进行所述第一神经网络模型和所述第二神经网络模型的预训练时,对每一层均采用自动编码技术进行模型参数的初始化;而在完成对本层的模型参数的初始化的同时,将本层隐含层单元的激活概率作为下一层预训练网络的输入数据;
采用共享神经网络模型的更新机制对所述第一神经网络模型和所述第二神经网络模型进行模型微调训练,以优化模型参数;根据改进的损失函数与各任务间的关系,注意不同参数种类在迭代优化中的更新顺序;获取所述第一神经网络模型和所述第二神经网络模型各自的损失函数和融合后的总损失函数;由模型本身结构、所述第一神经网络模型和所述第二神经网络模型间的逻辑关系及模型的损失函数式,对所述第一神经网络模型中参数的梯度进行计算,然后计算所述第二神经网络模型中参数的梯度,最后计算所述第一神经网络模型和所述第二神经网络模型共享参数的梯度,采用能够自动调整学习速率的Adam优化算法对参数进行更新;
根据上述模型优化方法,可获取到所述第一神经网络模型和所述第二神经网络模型的最佳优化参数。
可选的,所述第二神经网络模型包括下采样部分和上采样部分;所述下采样部分包括一个卷积层,一个池化层以及四个下采样块,每个下采样块内部包含三个卷积层,并且使用残差的方式连接;上采样部分包括6个上采样块,每个上采样块中包含一个上采样层和两个卷积层,每个上采样层和卷积层都有多个候选操作,只有一个候选操作在第二神经网络模型的训练和测试阶段会被激活;其中下采样部分的中间特征图通过相加的方式和上采样块中的特征图进行融合,并最终用于可燃物的识别。
实施例2
本实施例提供一种基于神经网络的园区可燃物识别系统30,如图3所示,包括:
一个或多个处理器301;
存储装置302,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器301执行时,使得所述一个或多个处理器301实现上述实施例1所述的任一种方法。
本发明提供的基于神经网络的园区可燃物识别系统,通过神经网络模型智能识别园区内的可燃物,从而可以实现火灾的预测和预防,从源头上避免火灾的发生,可以大大提高化工园区内的消防安全性。
显然,上述实施例仅仅是为清楚地说明所作的举例,而并非对实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。