[发明专利]一种基于改进VGG16卷积网络的排烟视频检测方法

摘要

本发明属于目标检测技术领域，具体涉及一种基于改进VGG16卷积网络的排烟视频检测方法，步骤如下：步骤1：生成烟囱排放图像数据集；步骤2，将训练集送入到改进VGG16卷积网络中进行训练，得到多个权重模型。所述的改进VGG16卷积网络的主网络结构是VGG16，最后两个全连接层改成两层卷积层，用于多尺度提取烟囱图像特征，再连接全局均值池化层，生成的矩阵用于结果输出，最后输入到损失函数中进行分类，构造完整的网络结构。本发明检测的速度得到了很大的提升，并且使用不同长宽比的default box，使得多个default box可以适应不同物体的不同形状和尺寸。

主权项

1.一种基于改进VGG16卷积网络的排烟视频检测方法，其特征在于，步骤如下：步骤1：生成烟囱排放图像数据集；步骤1.1爬取烟囱排烟图像从网页上下载烟囱排烟视频，截取图片帧；将烟囱排烟图像和图片帧整合生成数据集；步骤1.2数据增强对步骤1.1中整合生成的数据集进行数据增强；步骤1.3特征标记对增强后的数据集中的排烟图像的烟雾部分用矩形框进行特征标记，得到矩形框的坐标信息(x，y，w，h)，(x，y)为矩形框的中心坐标，(w，h)为矩形框的宽和高，将带有矩形框坐标信息的图像生成新的数据集A，该数据集A将用于改进VGG16卷积网络训练；步骤2：获取最优权重模型；将数据集A中标记图像分为训练集Q1、验证集Q2和测试集Q3；步骤2.1训练生成多个权重模型将训练集Q1送入到改进VGG16卷积网络中进行训练，得到多个权重模型；所述的改进VGG16卷积网络的主网络结构是VGG16，最后两个全连接层改成两层卷积层，用于多尺度提取烟囱图像特征，再连接全局均值池化层，生成1×1×N的矩阵用于结果输出，最后输入到损失函数softmax中进行分类，构造完整的网络结构；其中全局池化层在整个特征图上取均值，可大量减少模型的总参数量，提高检测速度；所述步骤2.1中用改进VGG16卷积网络对训练集Q1进行训练的具体步骤如下：步骤2.1.1得到正负样本用于新网络训练default box是改进VGG16卷积网络自动标记的烟囱框，default box的面积Sk如下：其中，Smin表示最底层的面积；Smax表示最顶层的面积；default box的宽为：其中，Δw为宽的偏移量；default box的高为：其中，Δh为高的偏移量；default box的长宽比ar有5种，ar＝{1,4/3,16/9,3/4,9/16}；将default box的面积与训练集Q1中特征标记的矩形框进行比较，default box的面积与训练集Q1中特征标记的矩形框的重叠面积大于0.5，图像标记为正样本，小于0.3时标记为负样本，产生的正样本和负样本比为1：3；步骤2.1.2获取default box的类别的置信度和坐标值将步骤2.1.1得到的正样本和负样本放入改进VGG16卷积网络训练，得到三层特征层；用两个不同的3×3的卷积核对三层特征层进行卷积，得到两个1×1×N的矩阵输出，其中一个输出为分类用的置信度，即生成的每个default box的类别的置信度；另一个输出为回归用的定位，即每个default box的坐标值(x,y,w,h)；步骤2.1.3模型调整将三层特征层和训练集Q1送到改进VGG16卷积网络中，使用SmoothL1函数进行拟合，输出坐标向量；将输出坐标向量、步骤2.1.2中得到的default box的类别的置信度和default box的坐标值使用Concat方法合并，然后用损失函数softmax进行模型调整，得到多个的default box；步骤2.1.4生成多个权重模型使用非极大值抑制算法对2.1.3中的多个default box进行筛选得到default box A，由default box A生成多个权重模型；步骤2.2验证集调参使用各个权重模型对验证集Q2进行预测，并记录权重模型的准确率；选出准确率最大的权重模型所对应的参数，用该参数生成最优权重模型；步骤2.3衡量网络性能使用测试集Q3对步骤2.2得到的最优权重模型进行预测，衡量改进VGG16卷积网络性能；步骤3：对烟囱排放视频和图像进行测试；将视频监控设备与计算机相连接，利用步骤2中生成的训练模型对监控的烟囱视频或图像进行检测，实时监控烟囱排烟状况，对有排烟视频进行矩形框标记并在计算机上显示。