[发明专利]基于伪3D卷积神经网络的烟雾检测方法及系统

权利要求书

1.基于伪3D卷积神经网络的烟雾检测方法，其特征是，包括：

对烟雾视频帧标注，分为烟雾区域和非烟雾区域，形成训练集和测试集；

利用训练集对伪3D卷积神经网络模型进行训练，在解码器阶段对每次上采样的分割图分别设置标签，然后再将每次输出通过一个卷积融合在一起，最后所有输出烟雾分割预测图像与期望分割图像之间的误差损失函数值不再下降且到达合理区间，停止训练；

利用训练好的伪3D卷积神经网络模型，在编码器阶段，使用伪3D残差块提取烟雾的时空特征，解码器连续对编码器的下采样功能进行上采样，通过二值图像标签对输出的烟雾预测图进行监督，最后通过特征图融合获得最终的预测。

2.如权利要求1所述的基于伪3D卷积神经网络的烟雾检测方法，其特征是，对烟雾视频帧标注之前，首先将烟雾视频转换成视频帧，然后，对训练视频图像标注二值图标签，选取的烟雾区域被标记1，其余背景区域被标记为0。

3.如权利要求1所述的基于伪3D卷积神经网络的烟雾检测方法，其特征是，利用训练集对伪3D卷积神经网络模型进行训练时，将训练集内的烟雾视频的连续16帧送入伪3D卷积神经网络，对网络进行了端到端，像素到像素的训练。

4.如权利要求1所述的基于伪3D卷积神经网络的烟雾检测方法，其特征是，通过二值图像标签对输出的烟雾预测图进行监督，具体为：利用深监督模型对上采样的特征图在训练过程中进行监督，防止网络过拟合。

5.如权利要求4所述的基于伪3D卷积神经网络的烟雾检测方法，其特征是，利用深监督模型对上采样的特征图在训练过程中进行监督：

解码器阶段对每次上采样的结果分别进行上采样然后与标签对比，强化训练过程，最后通过卷积融合输出最后特征图与真实标签对比；

深监督模型的各级分别采用不同大小的卷积核通过一定的步长分析不同的子区域；

通过上采样与特征值的拼接形成包含局部和全局上下文信息的特征表示，经过向量卷积运算输出最终的逐像素预测结果。

6.如权利要求1所述的基于伪3D卷积神经网络的烟雾检测方法，其特征是，伪3D卷积神经网络模型进行训练，训练过程：

1)、网络进行权值的初始化；

2)、输入数据经过卷积层、下采样层、上采样层的向前传播得到输出值；

3)、求出网络各层上采样的输出值与各层目标值之间的误差；

4)、当误差大于期望值时，将误差传回网络中，依次求得下采样层，上采样层和伪3D卷积层的误差；当误差等于或小于期望值时，结束训练；

5)、根据求得误差进行权值更新，然后再进入到第2)步。

7.如权利要求1所述的基于伪3D卷积神经网络的烟雾检测方法，其特征是，所述伪3D卷积是将3D卷积运算分解为两个连续的子卷积块-2D空间卷积和1D时间卷积，卷积后的输出通过ReLU激活函数，将输出的张量中小于0的位置对应的元素值都变成0，再经过池化，得到特征图。

8.基于伪3D卷积神经网络的烟雾检测系统，其特征是，包括：

预处理烟雾视频帧模块，对烟雾视频帧标注，分为烟雾区域和非烟雾区域，形成训练集和测试集；

模型训练模块，利用训练集对伪3D卷积神经网络模型进行训练，在解码器阶段对每次上采样的分割图分别设置标签，然后在将每次输出通过一个卷积融合在一起，最后所有输出烟雾分割预测图像与期望分割图像之间的误差损失函数值不再下降且到达合理区间，停止训练；

测试分割模块，利用训练好的伪3D卷积神经网络模型，在编码器阶段，使用伪3D残差块提取烟雾的时空特征，解码器连续对编码器的下采样功能进行上采样，通过二值图像标签对输出的烟雾预测图进行监督，最后通过特征图融合获得最终的预测。

9.一种计算机可读存储介质，其上存储有计算机程序，其特征是，该程序被处理器执行时实现权利要求1-7任一所述的基于伪3D卷积神经网络的烟雾检测方法中的步骤。

10.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征是，所述处理器执行所述程序时实现权利要求1-7任一所述的基于伪3D卷积神经网络的烟雾检测方法中的步骤。