基于深度学习的火焰图像识别研究

摘要

近年来，火焰识别技术由早期的基于传感器的识别方法发展成基于图像特征的识别方法。基于图像特征的火焰识别方法一定程度上克服了对火焰环境在温度和人力等方面的依赖性，同时提升了火焰识别率。然而采用图像特征识别火焰，又往往因为火焰场景复杂、噪声干扰较多的情况而难以提取有效特征。此外，基于深度学习的识别方法对数据量的要求较高，对于火焰、烟雾数据缺失或来源受限的情况，模型识别能力较差。在工业火灾消防数据较为单一的背景下，如何有效地提取火焰、烟雾图像特征，避免数据过拟合，提升火焰识别率显得尤为重要。针对上述问题，为提高火焰图像识别效果，本文分别从改进图像特征、优化深度学习模型、构建深度迁移学习模型三方面出发，提出了一系列火焰图像识别算法，有效提升了火焰识别的精确率和稳定性。主要工作和贡献如下:
　　(1)针对复杂场景的火焰图像识别问题，提出一种基于局部特征过滤的快速火焰识别方法。首先，对图像提取SIFT特征，其次，加入颜色先验信息进行特征过滤并进行Bag of keypoints编码，最后构建极限学习机进行快速火焰识别。实验证明，所提方法能够较好地过滤掉干扰噪声，从而提升火焰识别精度。同时通过在SIFT特征空间中引入火焰颜色先验信息，改进传统火焰图像特征表示，深入探索传统图像特征表示的能力上限，从而为深度学习应用到火焰识别问题以及深度学习的特征表示做铺垫和对比。
　　(2)为提升火焰识别精度，提出一种基于多通道卷积神经网络的火焰识别方法。首先，将三通道彩色图像作为模型输入，使用多层的卷积、下采样，由低到高、由具体到抽象，自动提取特征，避免人工设计特征的局限性;其次，对于视频类的样本，为考虑帧间的时序信息，将当前帧与下一帧的帧差作为原图像的4个通道传入卷积神经网络特征提取;最后使用Softmax进行分类。综合实验表明，所提方法能够较好地自动学习火焰抽象特征，从而提升火焰识别精度。
　　(3)为解决火焰、烟雾识别的数据量较小、数据单一问题，提出基于深度迁移学习的火焰烟雾识别方法。首先，将ImageNet数据集作为源域数据，将通过网络搜集的微量火焰、烟雾数据作为目标域数据;其次，将在源域数据上训练好的VGG-16的特征提取层进行同构空间下基于特征的迁移;最后，加入新的全连接层、Softmax层，在火焰烟雾数据上继续训练微调。实验表明，针对火焰烟雾数据构造基于同构空间下的特征迁移，能够克服由于数据量较小造成的过拟合现象，提高识别结果准确率。
　　本文工作不仅拓宽了火焰、烟雾识别问题在理论上的研究，同时为工业火灾消防应用提出了实用化的解决方案。

目录

摘要

第一章 绪论

1．1 研究背景及意义

1．2 国内外研究现状

1．2．1 火焰图像分类研究现状

1．2．2 迁移学习研究现状

1．3 论文主要内容及创新点

1．3．1 研究内容

1．3．2 研究的创新点

1．4 论文的组织结构

第二章 相关理论介绍

2．1 LeNet

2．1．1 卷积层

2．1．2 下采样层

2．2 本章小结

第三章 基于局部特征过滤的快速火焰识别方法研究

3．1 火焰颜色空间特性

3．2 局部过滤SIFT特征提取

3．2．1 SIFT特征提取

3．2．2 引入火焰颜色空间特性以及特征编码

3．3 ELM模型构建

3．4 仿真实验

3．4．1 实验设置及火焰识别数据集

3．4．2 实验特征提取

3．4．3 实验结果与分析

3．5 本章小结

第四章 基于多通道卷积神经网络的火焰识别方法研究

4．1 整体流程图

4．2 MCCNN模型结构

4．3 GPU加速

4．4 仿真实验

4．4．1 对比试验说明

4．4．2 实验数据集

4．4．3 特征可视化

4．4．4 实验结果

4．5 本章小结

第五章 基于深度迁移学习的火焰烟雾识别

5．1 VGG-16网络

5．2 迁移学习

5．3 同构空间下基于特征的VGG-16迁移

5．3．1 模型流程图

5．3．2 基于迁移学习的火焰、烟雾识别

5．4．2 实验设置

5．4．3 实验结果与分析

5．5 本章小结

第六章 总结与展望

6．1 总结

6．2 展望

参考文献

致谢

攻读学位期间的科研成果

声明