[发明专利]一种基于迁移学习的煤场自燃检测方法在审
| 申请号： | 201911007182.4 | 申请日： | 2019-10-22 |
| 公开（公告）号： | CN110765937A | 公开（公告）日： | 2020-02-07 |
| 发明（设计）人： | 宋晓铃;马龙华;文刚;刘琮;姚佳清;徐鸣;耿润华 | 申请（专利权）人： | 新疆天业(集团)有限公司;浙江大学宁波理工学院 |
| 主分类号： | G06K9/00 | 分类号： | G06K9/00;G06K9/62;G08B17/12 |
| 代理公司： | 33200 杭州求是专利事务所有限公司 | 代理人： | 刘静 |
| 地址： | 832000 新疆维吾尔自*** | 国省代码： | 新疆;65 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本发明公开了一种基于迁移学习的煤堆自燃自动检测方法，首先获取有标记的煤堆自燃的普通火焰图像数据集和未标注的煤堆红外自燃图像，将煤堆自燃的普通火焰图像数据集输入到卷积神经网络模型A中进行训练；然后复制训练好的卷积神经网络模型A的参数到另外一个卷积神经网络模型B中，再设计辨识神经网络D，将卷积神经网络模型A或B产生的特征图作为训练集来训练辨识神经网络D；最后利用辨识神经网络D的识别结果，更新卷积神经网络模型B的参数，得到完成对抗训练后的卷积神经网络模型B。本发明可以有效地提高煤堆自燃的检出率；并且可以在复杂条件下全天候自动检测煤堆自燃；本发明方法过程简单、计算量小、可靠度较高。 | ||
| 搜索关键词： | 卷积神经网络 煤堆自燃 神经网络 辨识 火焰图像 自动检测 数据集 对抗训练 复杂条件 计算量 检出率 可靠度 特征图 训练集 有效地 自燃 煤堆 标注 复制 迁移 图像 更新 学习 | ||
【主权项】：
1.一种基于迁移学习的煤堆自燃自动检测方法，其特征在于，该方法包括以下步骤：/nS1：获取互联网上有标记的煤堆自燃的普通火焰图像数据集，作为卷积神经网络模型A的训练集。/nS2：获取未标注的煤堆红外自燃图像。/nS3：所述卷积神经网络模型A共分为五层，层与层之间靠特征图feature map传递信号，输入为煤堆自燃的普通火焰图像，输出为煤堆是否有火焰的检测结果，将煤堆自燃的普通火焰图像数据集输入到卷积神经网络模型A中进行训练，得到训练好的卷积神经网络模型A。/nS4：复制训练好的卷积神经网络模型A的参数到另外一个卷积神经网络模型B中，卷积神经网络模型A和B具有相同的结构；卷积神经网络模型B的输入为未标注的煤堆红外自燃图像，期望B的输出为煤堆红外图像中是否有自燃的形态和位置等信息。/nS5：设计辨识神经网络D，辨识神经网络D的输入是卷积神经网络模型A或B产生的特征图，网络A产生煤堆自燃的普通火焰图像的特征图，网络B产生煤堆红外自燃图像的特征图，辨识神经网络D的输出为判断特征图是来自于煤堆自燃的普通火焰图像还是煤堆红外自燃图像，将卷积神经网络模型A或B产生的特征图作为训练集来训练辨识神经网络D，使其能识别煤堆红外自燃图像特征图和煤堆自燃的普通火焰图像特征图。/nS6：利用辨识神经网络D的识别结果，更新卷积神经网络模型B的参数，进而训练卷积神经网络模型B，使得辨识神经网络D无法识别卷积神经网络模型A和B的特征图是煤堆红外自燃图像特征图还是煤堆自燃的普通火焰图像特征图，从而完成对抗训练；得到完成对抗训练后的卷积神经网络模型B，将未标注的煤堆红外图像输入到卷积神经网络模型B，卷积神经网络模型B将输出煤堆红外图像中是否有自燃的形态和位置等信息。/n
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于新疆天业(集团)有限公司;浙江大学宁波理工学院，未经新疆天业(集团)有限公司;浙江大学宁波理工学院许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/patent/201911007182.4/，转载请声明来源钻瓜专利网。
