[发明专利]一种在复杂环境下判断物体燃烧区域的方法

摘要

本发明属于火灾探测技术领域，解决现有技术中燃烧区域判断过于复杂和判断不准确的问题，尤其涉及一种在复杂环境下判断物体燃烧区域的方法，首先进行图像预处理，然后计算火焰图像样本的期望最大回报值，然后构建深度学习网络的权值更新方程，接着训练深度学习网络，最后利用训练好的深度学习网络来识别火焰。相对于现有技术，本发明具有深度学习的特点，且燃烧区域判断全面，可操作性强，对于燃烧区域的判断更准确，更快速。

主权项

一种在复杂环境下判断物体燃烧区域的方法，其特征在于，包含如下步骤：(1)图像预处理：通过监控摄像头采集监控场景下的火焰视频图像作为火焰样本库中的样本，将火焰视频图像抽成帧，然后转换为灰度图并归一化，然后对归一化后的图像添加数值标签，即：没有火焰的图像添加数值“0”、有火焰的图像添加数值“1”，再将这些图像作为火焰图像样本；(2)计算第t个火焰图像样本的期望最大回报值：将第t个火焰图像样本组成行向量，按照Q‑学习理论，计算出第t个火焰图像样本的未来汇报，然后利用最优动作‑值函数，代入第t个火焰图像样本的未来汇报，计算出第t个火焰图像样本的期望最大回报值，通过选择不同的数值标签来计算奖励的期望，期望值最大时对应的数值标签即该火焰图像样本的数值标签；(3)构建深度学习网络的权值更新方程：由第t个火焰图像样本的期望最大回报值，计算第t个火焰图像样本的目标输出，然后通过第t个火焰图像样本的目标输出，用最小化损失函数来更新深度学习网络的权值参数，最后将最小化损失函数对第t个火焰图像样本的权值参数求导，得到深度学习网络的权值更新方程，并更新第t个火焰图像样本的权值；(4)训练深度学习网络：a)将火焰样本库中的火焰图像样本作为训练样本，将训练样本分为N份，且每一个训练样本均处理成行向量xt，并作为深度学习网络的输入，设置两个输出神经元；b)根据先验知识确定出训练样本中的火焰图像样本，再以第一份训练样本的行向量xt为输入，若输出为“10”，样本中不含火焰；输出为“01”，样本中含有火焰；通过权值更新方程调节深度学习网络中的权值，第一次训练深度学习网络；c)找出第一份训练样本中实际输出与先验知识不同的训练样本，设共找出n个不同的训练样本，再将该n个不同的训练样本分别进行逆时针旋转2°并加入σ＝0.2的高斯噪音；d)在第二份训练样本中随机抽出n个训练样本，并将用第c)步处理后的n个不同的训练样本补齐到第二份训练样本中，再用新得到的第二份训练样本按第b)步进行第二次训练深度学习网络；e)以此类推，直到完成第N次训练深度学习网络，得到最终的深度学习网络；(5)利用训练好的深度学习网络来识别火焰：将待检测的火焰样本图像处理成行向量xt，再输入到训练完毕的深度学习网络，根据深度学习网络的输出结果识别出图像中的火焰的有无。