[发明专利]一种融合暗通道的神经网络烟雾图像分类方法

说明书

本发明提供了一种融合暗通道的神经网络烟雾图像分类方法，该方法包括：准备烟雾图像和非烟雾图像两类样本，将其归一化为相同尺寸，对所有样本图像进行暗通道处理，将原图和对应的暗通道图像分为训练集、验证集和测试集，作为后续网络训练的数据输入；然后，用设计的双通道卷积神经网络对数据集进行训练，其中第一条通道网络增加了残差块改善分类性能，输入RGB原图用来提取原图中的泛化特征；第二条通道采用经过改进的AlexNet精简网络，输入暗通道图像提取暗通道中烟雾的细节特征；两条通道分别训练，最后特征融合，生成训练模型对图像进行分类；结果表明，该方法有效地提高了烟雾图像分类的准确率。

技术领域

本发明涉及一种融合暗通道的神经网络烟雾图像分类方法，属于图像处理、机器视觉、深度学习、环境保护领域。

背景技术

火灾事故不可避免地会对人们的生命财产安全造成威胁。传统的火灾探测一般采用基于颗粒采样、温度采样、相对湿度采样和烟雾分析的精确传感器。虽然这些传感器成本低，原理简单，但由于这些传感器需要与燃烧产物周围气体进行物理接触，无法检测到传感器周围以外的火情，从而无法及时避免火灾的发生。研究发现，烟雾往往比明火出现得早，传统的感烟探测器与火灾探测器原理相似，延迟较长，在较大的空间环境下效率较低。随着数码相机和机器视觉的高速发展，基于图像的检测系统在火灾早期检测方面引起了广泛的关注。与传统探测器相比，基于机器视觉的烟雾检测利用烟雾的视觉特征，为较大范围内的早期火灾提供有效准确的预防。

早期的研究方法集中于观察烟雾的明显特征，通过研究烟雾的颜色、运动、边缘模糊和频域等特征来检测烟雾。在常用的视觉特征中，纹理是最可靠的，烟雾的形状和颜色通常因燃烧材料的类型和光照条件，或因环境和天气条件而存在很大不同。而研究发现，根据何凯明的暗通道先验理论，烟雾对于暗通道先验理论具有一种特殊的性质，即与其他一般物体相比，烟在暗通道中暗像素的值较高，这一特征的发现极大地促进了烟雾检测的研究。

现有的特征提取方法在烟雾检测中并没有取得满意的效果，主要原因是烟雾在颜色和形状上变化很大。此外，烟雾模糊了视觉场景，导致提取的特征不稳定。因此，从图像中准确检测烟雾仍然是一项具有挑战性的任务。为了提高检测精度，我们需要找到一种综合的特征提取方法，提取到的各个特征都有各自的价值，所以结合不同的特征来增强鲁棒性是很重要的。近年来，深度学习因为能够自动提取特征，具有较强的学习能力在图像分类和识别方面取得了巨大的成功。它可以自动提取分类图像时需要的特征，避免手工处理等一系列繁琐的过程，并且相比较一般的方法来说具有很高的准确性。

因此，本发明提出了一种融合暗通道的神经网络烟雾图像分类方法。通过设计的神经网络双通道，分别输入数据集的RGB通道图像和暗通道图像，实现了广义特征和暗通道特征的提取、融合效果。

发明内容

本发明提出了一种融合暗通道的神经网络烟雾图像分类方法，将RGB原图数据集和图像暗通道数据集输入到两条通道分别训练，并且在第一条通道中增加了残差块以优化模型分类性能，第二条通道用来提取烟雾图像的暗通道特征，最后进行特征融合以得到全面的图像特征，提高网络模型的分类性能。

本发明的技术方案，包括下列步骤：

步骤1：准备烟雾和非烟雾图像，在数据中加入天空中的云、光滑的墙壁、车身和水面图像以丰富训练样本；

步骤2：对步骤1中的图像大小归一化为227*227，并进行暗通道处理，作为后续网络训练的数据集；

步骤3：将卷积神经网络的结构设计为双通道网络，两条通道网络同时训练，其中第一条网络在AlexNet的基础上加入残差块，通过输入原图数据集，提取原图中泛化性能较好的特征，第二条网络输入暗通道图像提取暗通道中烟雾的细节特征，两条网络末端进行特征连接、融合，生成训练网络模型文件并保存；

步骤4：用训练模型对实际烟雾和非烟雾图像进行分类，得到分类结果。