[发明专利]一种基于CNN卷积神经网络的图像火焰识别系统

说明书

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。