[发明专利]一种基于深度学习的边缘计算烟火识别方法及智能终端

说明书

本发明公开了一种基于深度学习的边缘计算烟火识别方法及智能终端，方法包括以下步骤：通过边缘计算架构在智能终端嵌入烟火识别算法；通过智能终端采集图像后通过烟火识别算法识别烟火图像；其中通过烟火识别算法识别烟火图像具体包括：对图像进行预处理，对图像的样本数据集进行扩充；基于VGG16模型利用卷积层代替全连接层构建卷积神经网络模型；训练卷积神经网络模型获得深度学习模型；将图像的样本数据集中的图像输入深度学习模型提取烟火特征并构建特征数据库；将待识别图像输入深度学习模型提取烟火特征；根据特征数据库通过SVM对提取的待识别图像烟火特征进行分类识别；可以快速给出识别图像的结果。

技术领域

本发明涉及环保监控技术领域，尤其涉及一种基于深度学习的边缘计算烟火识别方法及智能终端。

背景技术

机器学习方法被广泛用于图像分析，通过在给定数据集上训练模型未完成新数据上的特定任务，比如分类、识别和分割等。常用的算法有支持向量机(SVM)，隐马尔科夫(HMM)以及人工神经网络等。然而，传统的机器学习算法需要利用先验知识从原始数据中人工提取特征，从而训练模型。由于特征选取难度较大，模型可能存在过拟合问题，泛化能力难以保证；另一方面，传统模型难以适应大规模数据集，模型可扩展性差。

深度学习是机器学习研究中的一个新的领域，其动机在于建立、模拟人脑进行分析学习。深度学习是一种数据驱动型模型，能够模拟人脑视觉机理自动地学习到数据各个层次的抽象特征，从而更好地反映数据的本质特征。

发明内容

鉴于目前存在的上述不足，本发明提供一种基于深度学习的边缘计算烟火识别方法及智能终端，能够获取图像分析是否有烟火场景，可以快速给出识别图像的结果。

为达到上述目的，本发明的实施例采用如下技术方案：

一种基于深度学习的边缘计算烟火识别方法，所述基于深度学习的边缘计算烟火识别方法包括以下步骤：

通过边缘计算架构在智能终端嵌入烟火识别算法；

通过智能终端采集图像后通过烟火识别算法识别烟火图像；

其中通过烟火识别算法识别烟火图像具体包括：

对图像进行预处理，对图像的样本数据集进行扩充；

基于VGG16模型利用卷积层代替全连接层构建卷积神经网络模型；

训练卷积神经网络模型获得深度学习模型；

将图像的样本数据集中的图像输入深度学习模型提取烟火特征并构建特征数据库；

将待识别图像输入深度学习模型提取烟火特征；

根据特征数据库通过SVM对提取的待识别图像烟火特征进行分类识别。

依照本发明的一个方面，所述训练卷积神经网络模型获得深度学习模型包括：采用反向传播算法和随机梯度下降方法，根据前向传播loss值的大小，来进行反向传播迭代更新每一层，直到模型的loss值趋向于收敛时，停止训练模型，得到深度学习模型。

依照本发明的一个方面，所述将图像的样本数据集中的图像输入深度学习模型提取烟火特征并构建特征数据库包括：将数据集中的每一幅图像输入到所述的深度学习模型中，针对输入的图像，在图像的倒数第二层全卷积层提取深度学习特征。

依照本发明的一个方面，所述待识别图像为智能终端摄像头实时拍摄的图像。

依照本发明的一个方面，所述对图像进行预处理包括：

对图像进行以下操作之一或组合：随机裁剪、旋转、翻转、调整亮度和调整对比度。

依照本发明的一个方面，将处理后的图像数据存入预先建立的内存数据库以扩充样本数据集。