CN113627493A - 一种基于卷积神经网络模型的火灾检测方法 - Google Patents
一种基于卷积神经网络模型的火灾检测方法 Download PDFInfo
- Publication number
- CN113627493A CN113627493A CN202110834927.5A CN202110834927A CN113627493A CN 113627493 A CN113627493 A CN 113627493A CN 202110834927 A CN202110834927 A CN 202110834927A CN 113627493 A CN113627493 A CN 113627493A
- Authority
- CN
- China
- Prior art keywords
- model
- fire
- data set
- training
- neural network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Withdrawn
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 61
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 30
- 238000012360 testing method Methods 0.000 claims abstract description 99
- 238000012549 training Methods 0.000 claims abstract description 87
- 238000012545 processing Methods 0.000 claims abstract description 25
- 239000011159 matrix material Substances 0.000 claims abstract description 20
- 238000011161 development Methods 0.000 claims abstract description 12
- 238000000034 method Methods 0.000 claims description 16
- 238000007781 pre-processing Methods 0.000 claims description 11
- 238000011176 pooling Methods 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 5
- GNFTZDOKVXKIBK-UHFFFAOYSA-N 3-(2-methoxyethoxy)benzohydrazide Chemical compound COCCOC1=CC=CC(C(=O)NN)=C1 GNFTZDOKVXKIBK-UHFFFAOYSA-N 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000007477 logistic regression Methods 0.000 claims description 3
- 230000006399 behavior Effects 0.000 abstract description 8
- 230000007774 longterm Effects 0.000 abstract description 6
- 238000013526 transfer learning Methods 0.000 abstract description 4
- 238000012544 monitoring process Methods 0.000 abstract description 2
- 238000013528 artificial neural network Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 230000000306 recurrent effect Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B17/00—Fire alarms; Alarms responsive to explosion
- G08B17/12—Actuation by presence of radiation or particles, e.g. of infrared radiation or of ions
- G08B17/125—Actuation by presence of radiation or particles, e.g. of infrared radiation or of ions by using a video camera to detect fire or smoke
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Fire-Detection Mechanisms (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于卷积神经网络模型的火灾检测方法,属于火灾监测技术领域,其特征在于,包括以下步骤:a、将选出的图片进行数据处理;b、通过MobileNet对每个颜色通道执行一个卷积,创建模型;c、设置过拟合;d、通过小批量梯度下降算法进行训练;e、通过混淆矩阵来判断模型正确分类的样本比例;f、将模型部署到jetson nano开发板上;g、将测试图像输入到模型中,经过分析预测得出测试图像是属于火类还是非火类。本发明将VGG19和MobileNet有机结合在一起,通过迁移学习来提高火灾探测的精度,能够轻松捕捉火灾长期的动态行为,使得检测精度得到极大的提高,且可操作性强。
Description
技术领域
本发明涉及到火灾监测技术领域,尤其涉及一种基于卷积神经网络模型的火灾检测方法。
背景技术
目前,对火灾的检测通常是由由硬件组成的火灾探测***完成,但火灾探测***成本很高,普及困难。
传统的火灾探测***采用硬件设备组成,会存在很多缺陷,比如:实现火灾探测***需要很多不同的基础设施;传感器通常不可能在有明火技术的工业环境中使用;传感器对环境非常敏感,对恶劣天气会产生很大的误差。
近年来,也出现了采用图像处理和机器视觉的方法对火灾进行检测。火的特征是十分动态的,如火焰的面积和火焰发生时间的不确定性。由于这一原因利用计算机视觉技术进行特征提取使这一过程变得非常困难,可操作性较差。
也有借助雾计算基础设施实现火灾的早期预警的。雾计算架构提供了基于机器学习的天气传感器预测。雾计算和卷积神经网络与无人机集成用于森林火灾的早期探测。虽然卷积神经网络提供了出色的性能,但是卷积神经网络仍然很难捕捉火灾的动态行为。
也有采用循环神经网络的。循环神经网络是一类以序列数据为输入,在序列的演进方向进行递归所有节点按链式连接的递归神经网络。循环神经网络通过保存循环行为和内部状态的记忆单元来积累决策的特征。然而,递归的重复通常是有限的,这使得很难捕获长期行为来做出决定。
公开号为CN 108921039A,公开日为2018年11月30日的中国专利文献公开了一种基于多尺寸卷积核的深度卷积模型的森林火灾检测方法,其特征在于,包括如下步骤:
(1)采集森林的视频图像;
(2)利用光流法,每相邻两帧图像生成一幅光流场图像,并将生成的光流场图像集按比例分为训练数据集和测试数据集;
(3)建立多尺寸卷积核的深度卷积神经网络模型,将步骤(2)得到的训练数据集作为神经网络模型的输入,对模型进行训练,将步骤(2)得到的测试数据集用于检验模型的预测精度,不断优化模型;
(4)生成待预测区域的光流场图像,利用优化后的模型对火灾发生情况进行检测。
该专利文献公开的基于多尺寸卷积核的深度卷积模型的森林火灾检测方法,通过训练不同尺寸卷积核的深度卷积神经网络模型,改进了现有的算法并结合现有的硬件条件,加快了森林火灾判断的速度,提高了整个模型的预测精度。但是,仍然很难捕捉火灾长期的动态行为,检测精度欠佳,可操作性较差。
发明内容
本发明为了克服上述现有技术的缺陷,提供一种基于卷积神经网络模型的火灾检测方法,本发明将VGG19和MobileNet有机结合在一起,通过迁移学习来提高火灾探测的精度,能够轻松捕捉火灾长期的动态行为,使得检测精度得到极大的提高,且可操作性强。
本发明通过下述技术方案实现:
一种基于卷积神经网络模型的火灾检测方法,其特征在于,包括以下步骤:
a、将选出的图片进行数据处理,图片经数据处理后通过数据标标签划分为训练数据集和测试数据集,训练数据集和测试数据集中均包括含火图片和非含火图片,将含火图片标记为fire类,将非含火图片不进行标记;
b、将VGG19中的16个卷积层和3个全连接层,第一次经过64个卷积核的两次卷积后,采用一次pooling,第二次经过两次128个卷积核卷积后,再采用pooling,再重复两次三个512个卷积核卷积后,再pooling,最后经过三次全连接,再通过MobileNet对每个颜色通道执行一个卷积,创建模型;
c、在创建的模型中设置过拟合,采用dropout算法对模型中最后3层网络进行随机抛弃50%的节点;
d、从目录中读取训练数据集和测试数据集,对训练数据集和测试数据集进行预处理,将预处理后的训练数据集和测试数据集发送到模型中,通过小批量梯度下降算法进行训练;
e、通过混淆矩阵来判断模型正确分类的样本比例;
Accuracy=(TP+TN)/(TP+TN+FP+FN) 式1
其中,Accuracy为精度,TP为真阳性,即样本的真实类别是正例,并且模型预测的结果也是正例;FP为假阳性,即样本的真实类别是负例,并且模型将其预测成为负例;FN为假阴性,即样本的真实类别是负例,但是模型将其预测成为正例;TN为真阴性,即样本的真实类别是正例,但是模型将其预测成为负例;
f、将通过混淆矩阵判断后的模型部署到jetson nano开发板上;
g、将测试图像输入到模型中,经过分析预测得出测试图像是属于火类还是非火类,若是火类,则判断为火灾,若是非火类,则判断为非火灾。
所述步骤b中,创建模型具体是指选取带有激活函数和最大池化层的不同通道的卷积层,再通过添加全连接层进行创建。
所述步骤d中,对训练数据集和测试数据集进行预处理具体是指使用完整的图像来训练和测试网络,将图片大小从416*416*3调整为128*128*3作为模型的输入,算法获取输入图像并将输入图像分割成SxS网格。
所述步骤d中,通过小批量梯度下降算法进行训练具体是指在模型的训练阶段,采取批处理分批次训练的策略将训练数据集和测试数据集分别传输到模型当中进行训练,用小批量梯度下降算法优化损失函数得到最优模型。
所述步骤g中,分析预测具体是指通过逻辑回归模型进行分类,判断是否含有火类。
还包括检测步骤,检测步骤具体是指将测试数据集用模型检测得到一个结果,再对比测试数据集是否和检测的结果一致。
本发明所述VGG19是指19层的深度卷积神经网络。
本发明所述MobileNet是指轻量级神经网络。
本发明所述fire是指火。
本发明所述pooling是指池化。
本发明所述dropout算法是指在深度学习网络的训练过程中,对于神经网络单元,按照概率将其暂时从网络中丢弃。
本发明所述VGG16是指16层的深度卷积神经网络。
本发明所述CNN是指卷积神经网络。
本发明所述过拟合是指神经网络模型在训练数据集上的表现很好,但是泛化能力比较差,在测试数据集上表现不好的现象。
本发明所述小批量梯度下降算法是指每次指定特定数量的样本用于迭代更新梯度。
本发明所述jetson nano是指英伟达公司推出的人工智能计算机。
本发明的原理如下:
VGG19比VGG16多了3个隐藏层,故VGG19检测效果比VGG16好,但VGG19计算量也更大,且更容易产生过拟合现象,在创建的模型中设置过拟合,采用dropout算法对模型中最后3层网络进行随机抛弃50%的节点,能够有效减少计算量,使得模型训练速度加快,且避免了过拟合现象的产生;使模型在训练数据集和测试数据集的检测都达到良好的效果。采用dropout后的VGG19的精度会比VGG16高,原因是虽然舍弃了最后3层网络的部分神经元,但是仍保留了一部分,因此扩大了模型的细节处理能力。再结合小批量梯度下降算法进行训练,使得训练数据集的损失迭代对于很大的数据集,能够以较快的速度收敛,提升训练速度。最后将通过混淆矩阵判断后的模型部署到jetson nano开发板上即可实现在发生火灾将网络通讯设备烧毁时,没有网络通讯的情况下依旧能够进行火灾的检测,以达到实时离线检测的效果。
本发明的有益效果主要表现在以下方面:
1、本发明,a、将选出的图片进行数据处理,图片经数据处理后通过数据标标签划分为训练数据集和测试数据集,训练数据集和测试数据集中均包括含火图片和非含火图片,将含火图片标记为fire类,将非含火图片不进行标记;b、将VGG19中的16个卷积层和3个全连接层,第一次经过64个卷积核的两次卷积后,采用一次pooling,第二次经过两次128个卷积核卷积后,再采用pooling,再重复两次三个512个卷积核卷积后,再pooling,最后经过三次全连接,再通过MobileNet对每个颜色通道执行一个卷积,创建模型;c、在创建的模型中设置过拟合,采用dropout算法对模型中最后3层网络进行随机抛弃50%的节点;d、从目录中读取训练数据集和测试数据集,对训练数据集和测试数据集进行预处理,将预处理后的训练数据集和测试数据集发送到模型中,通过小批量梯度下降算法进行训练;e、通过混淆矩阵来判断模型正确分类的样本比例;f、将通过混淆矩阵判断后的模型部署到jetsonnano开发板上;g、将测试图像输入到模型中,经过分析预测得出测试图像是属于火类还是非火类,若是火类,则判断为火灾,若是非火类,则判断为非火灾,较现有技术而言,扩大了模型的细节处理能力,结合小批量梯度下降算法进行训练,使得训练数据集的损失迭代对于很大的数据集,能够以较快的速度收敛,提升训练速度,将VGG19和MobileNet有机结合在一起,通过迁移学习来提高火灾探测的精度,能够轻松捕捉火灾长期的动态行为,使得检测精度得到极大的提高,且可操作性强。
2、本发明,采用VGG19和MobileNet结合方式的检测精度明显高于传统的卷积神经网络CNN模型;并且高于VGG16与mobilenet结合的方式,参见表1-表4,在表1、2和4中,Epoch=50的意思是要遍历训练数据50次,每次进行更新,Steps=88的意思是要进行梯度更新之前要处理多少个图像,即通过将总图像除以批次大小来计算。
3、本发明,采用VGG19和MobileNet两种深度模型进行火灾检测,不仅能够有效提升检测精确度,而且能够降低硬件组成探测***的成本,避免因环境原因造成的探测***误检测的问题。
4、本发明,较现有图像处理和机器视觉的方法对火灾进行检测,由于火的特征是十分动态的,如火焰的面积和火焰发生时间的不确定性,利用计算机视觉技术进行特征提取使这一过程变得非常困难而言,本发明操作更加简便高效,具有更好的适用性。
5、本发明,将通过混淆矩阵判断后的模型部署到jetson nano开发板上,能够实现在发生火灾将网络通讯设备烧毁时,没有网络通讯的情况下依旧能够进行火灾的检测,以达到实时离线检测的效果。
6、本发明,应用于森林火灾,能够有效避免传统传感器检测火灾时,成本高以及受环境影响传感器收集到的数据不正确导致精度低的问题,提高森林火灾检测精度。
附图说明
下面将结合说明书附图和具体实施方式对本发明作进一步的具体说明,其中:
图1为本发明的流程框图;
图2为本发明的数据准备示意图;
图3为本发明的结果输出示意图。
具体实施方式
实施例1
参见图1-图3,一种基于卷积神经网络模型的火灾检测方法,包括以下步骤:
a、将选出的图片进行数据处理,图片经数据处理后通过数据标标签划分为训练数据集和测试数据集,训练数据集和测试数据集中均包括含火图片和非含火图片,将含火图片标记为fire类,将非含火图片不进行标记;
b、将VGG19中的16个卷积层和3个全连接层,第一次经过64个卷积核的两次卷积后,采用一次pooling,第二次经过两次128个卷积核卷积后,再采用pooling,再重复两次三个512个卷积核卷积后,再pooling,最后经过三次全连接,再通过MobileNet对每个颜色通道执行一个卷积,创建模型;
c、在创建的模型中设置过拟合,采用dropout算法对模型中最后3层网络进行随机抛弃50%的节点;
d、从目录中读取训练数据集和测试数据集,对训练数据集和测试数据集进行预处理,将预处理后的训练数据集和测试数据集发送到模型中,通过小批量梯度下降算法进行训练;
e、通过混淆矩阵来判断模型正确分类的样本比例;
Accuracy=(TP+TN)/(TP+TN+FP+FN) 式1
其中,Accuracy为精度,TP为真阳性,即样本的真实类别是正例,并且模型预测的结果也是正例;FP为假阳性,即样本的真实类别是负例,并且模型将其预测成为负例;FN为假阴性,即样本的真实类别是负例,但是模型将其预测成为正例;TN为真阴性,即样本的真实类别是正例,但是模型将其预测成为负例;
f、将通过混淆矩阵判断后的模型部署到jetson nano开发板上;
g、将测试图像输入到模型中,经过分析预测得出测试图像是属于火类还是非火类,若是火类,则判断为火灾,若是非火类,则判断为非火灾。
本实施例为最基本的实施方式,较现有技术而言,扩大了模型的细节处理能力,结合小批量梯度下降算法进行训练,使得训练数据集的损失迭代对于很大的数据集,能够以较快的速度收敛,提升训练速度,将VGG19和MobileNet有机结合在一起,通过迁移学习来提高火灾探测的精度,能够轻松捕捉火灾长期的动态行为,使得检测精度得到极大的提高,且可操作性强。
实施例2
参见图1-图3,一种基于卷积神经网络模型的火灾检测方法,包括以下步骤:
a、将选出的图片进行数据处理,图片经数据处理后通过数据标标签划分为训练数据集和测试数据集,训练数据集和测试数据集中均包括含火图片和非含火图片,将含火图片标记为fire类,将非含火图片不进行标记;
b、将VGG19中的16个卷积层和3个全连接层,第一次经过64个卷积核的两次卷积后,采用一次pooling,第二次经过两次128个卷积核卷积后,再采用pooling,再重复两次三个512个卷积核卷积后,再pooling,最后经过三次全连接,再通过MobileNet对每个颜色通道执行一个卷积,创建模型;
c、在创建的模型中设置过拟合,采用dropout算法对模型中最后3层网络进行随机抛弃50%的节点;
d、从目录中读取训练数据集和测试数据集,对训练数据集和测试数据集进行预处理,将预处理后的训练数据集和测试数据集发送到模型中,通过小批量梯度下降算法进行训练;
e、通过混淆矩阵来判断模型正确分类的样本比例;
Accuracy=(TP+TN)/(TP+TN+FP+FN) 式1
其中,Accuracy为精度,TP为真阳性,即样本的真实类别是正例,并且模型预测的结果也是正例;FP为假阳性,即样本的真实类别是负例,并且模型将其预测成为负例;FN为假阴性,即样本的真实类别是负例,但是模型将其预测成为正例;TN为真阴性,即样本的真实类别是正例,但是模型将其预测成为负例;
f、将通过混淆矩阵判断后的模型部署到jetson nano开发板上;
g、将测试图像输入到模型中,经过分析预测得出测试图像是属于火类还是非火类,若是火类,则判断为火灾,若是非火类,则判断为非火灾。
所述步骤b中,创建模型具体是指选取带有激活函数和最大池化层的不同通道的卷积层,再通过添加全连接层进行创建。
本实施例为一较佳实施方式,采用VGG19和MobileNet结合方式的检测精度明显高于传统的卷积神经网络CNN模型;并且高于VGG16与mobilenet结合的方式,参见表1-表4,在表1、2和4中,Epoch=50的意思是要遍历训练数据50次,每次进行更新,Steps=88的意思是要进行梯度更新之前要处理多少个图像,即通过将总图像除以批次大小来计算。
实施例3
参见图1-图3,一种基于卷积神经网络模型的火灾检测方法,包括以下步骤:
a、将选出的图片进行数据处理,图片经数据处理后通过数据标标签划分为训练数据集和测试数据集,训练数据集和测试数据集中均包括含火图片和非含火图片,将含火图片标记为fire类,将非含火图片不进行标记;
b、将VGG19中的16个卷积层和3个全连接层,第一次经过64个卷积核的两次卷积后,采用一次pooling,第二次经过两次128个卷积核卷积后,再采用pooling,再重复两次三个512个卷积核卷积后,再pooling,最后经过三次全连接,再通过MobileNet对每个颜色通道执行一个卷积,创建模型;
c、在创建的模型中设置过拟合,采用dropout算法对模型中最后3层网络进行随机抛弃50%的节点;
d、从目录中读取训练数据集和测试数据集,对训练数据集和测试数据集进行预处理,将预处理后的训练数据集和测试数据集发送到模型中,通过小批量梯度下降算法进行训练;
e、通过混淆矩阵来判断模型正确分类的样本比例;
Accuracy=(TP+TN)/(TP+TN+FP+FN) 式1
其中,Accuracy为精度,TP为真阳性,即样本的真实类别是正例,并且模型预测的结果也是正例;FP为假阳性,即样本的真实类别是负例,并且模型将其预测成为负例;FN为假阴性,即样本的真实类别是负例,但是模型将其预测成为正例;TN为真阴性,即样本的真实类别是正例,但是模型将其预测成为负例;
f、将通过混淆矩阵判断后的模型部署到jetson nano开发板上;
g、将测试图像输入到模型中,经过分析预测得出测试图像是属于火类还是非火类,若是火类,则判断为火灾,若是非火类,则判断为非火灾。
所述步骤b中,创建模型具体是指选取带有激活函数和最大池化层的不同通道的卷积层,再通过添加全连接层进行创建。
所述步骤d中,对训练数据集和测试数据集进行预处理具体是指使用完整的图像来训练和测试网络,将图片大小从416*416*3调整为128*128*3作为模型的输入,算法获取输入图像并将输入图像分割成SxS网格。
所述步骤d中,通过小批量梯度下降算法进行训练具体是指在模型的训练阶段,采取批处理分批次训练的策略将训练数据集和测试数据集分别传输到模型当中进行训练,用小批量梯度下降算法优化损失函数得到最优模型。
本实施例为又一较佳实施方式,采用VGG19和MobileNet两种深度模型进行火灾检测,不仅能够有效提升检测精确度,而且能够降低硬件组成探测***的成本,避免因环境原因造成的探测***误检测的问题。
较现有图像处理和机器视觉的方法对火灾进行检测,由于火的特征是十分动态的,如火焰的面积和火焰发生时间的不确定性,利用计算机视觉技术进行特征提取使这一过程变得非常困难而言,本发明操作更加简便高效,具有更好的适用性。
实施例4
参见图1-图3,一种基于卷积神经网络模型的火灾检测方法,包括以下步骤:
a、将选出的图片进行数据处理,图片经数据处理后通过数据标标签划分为训练数据集和测试数据集,训练数据集和测试数据集中均包括含火图片和非含火图片,将含火图片标记为fire类,将非含火图片不进行标记;
b、将VGG19中的16个卷积层和3个全连接层,第一次经过64个卷积核的两次卷积后,采用一次pooling,第二次经过两次128个卷积核卷积后,再采用pooling,再重复两次三个512个卷积核卷积后,再pooling,最后经过三次全连接,再通过MobileNet对每个颜色通道执行一个卷积,创建模型;
c、在创建的模型中设置过拟合,采用dropout算法对模型中最后3层网络进行随机抛弃50%的节点;
d、从目录中读取训练数据集和测试数据集,对训练数据集和测试数据集进行预处理,将预处理后的训练数据集和测试数据集发送到模型中,通过小批量梯度下降算法进行训练;
e、通过混淆矩阵来判断模型正确分类的样本比例;
Accuracy=(TP+TN)/(TP+TN+FP+FN) 式1
其中,Accuracy为精度,TP为真阳性,即样本的真实类别是正例,并且模型预测的结果也是正例;FP为假阳性,即样本的真实类别是负例,并且模型将其预测成为负例;FN为假阴性,即样本的真实类别是负例,但是模型将其预测成为正例;TN为真阴性,即样本的真实类别是正例,但是模型将其预测成为负例;
f、将通过混淆矩阵判断后的模型部署到jetson nano开发板上;
g、将测试图像输入到模型中,经过分析预测得出测试图像是属于火类还是非火类,若是火类,则判断为火灾,若是非火类,则判断为非火灾。
所述步骤b中,创建模型具体是指选取带有激活函数和最大池化层的不同通道的卷积层,再通过添加全连接层进行创建。
所述步骤d中,对训练数据集和测试数据集进行预处理具体是指使用完整的图像来训练和测试网络,将图片大小从416*416*3调整为128*128*3作为模型的输入,算法获取输入图像并将输入图像分割成SxS网格。
所述步骤d中,通过小批量梯度下降算法进行训练具体是指在模型的训练阶段,采取批处理分批次训练的策略将训练数据集和测试数据集分别传输到模型当中进行训练,用小批量梯度下降算法优化损失函数得到最优模型。
所述步骤g中,分析预测具体是指通过逻辑回归模型进行分类,判断是否含有火类。
还包括检测步骤,检测步骤具体是指将测试数据集用模型检测得到一个结果,再对比测试数据集是否和检测的结果一致。
本实施例为最佳实施方式,将通过混淆矩阵判断后的模型部署到jetson nano开发板上,能够实现在发生火灾将网络通讯设备烧毁时,没有网络通讯的情况下依旧能够进行火灾的检测,以达到实时离线检测的效果。
应用于森林火灾,能够有效避免传统传感器检测火灾时,成本高以及受环境影响传感器收集到的数据不正确导致精度低的问题,提高森林火灾检测精度。
下面通过森林火灾检测具体实例对本发明进行说明:
S1、根据森林中摄像头记录的历史视频数据,筛选出发生火灾时的视频并进行切图得到森林火灾图片,将得到的森林火灾图片通过数据标标签按照7:3划分为训练数据集和测试数据集,训练数据集和测试数据集中均包括含火图片和非含火图片,将含火图片标记为fire类,将非含火图片不进行标记;
S2、搭建火灾检测模型,具体结构为:VGG19中的16个卷积层和3个全连接层,第一次经过64个卷积核的两次卷积后,采用一次pooling,第二次经过两次128个卷积核卷积后,再采用pooling,再重复两次三个512个卷积核卷积后,再pooling,最后经过三次全连接,再通过MobileNet对每个颜色通道执行一个卷积;
S3、在创建的模型中设置过拟合,采用dropout算法对模型中最后3层网络进行随机抛弃50%的节点;
S4、从目录中读取训练数据集和测试数据集,利用小批量梯度下降算法对模型进行调优,再通过测试数据集去验证模型的精度,从而不断迭代训练得到精度最佳模型;
S5、通过混淆矩阵来判断模型正确分类的样本比例;
S6、将通过混淆矩阵判断后的模型部署到jetson nano开发板上;
S7、将森林火灾的视频接入到已经训练好的模型中,即可实时分析预测得出视频中的当前帧中,是否存在火类,若是火类,则判断为火灾,若是非火类,则判断为非火灾。
下面采用不同模型对森林火灾检测进行对比:
下述表1为本发明与cnn模型对比结果;表2为本发明与VGG19模型对比结果;表3为本发明与MobileNet模型对比结果;表4为本发明与VGG16和MobileNet结合模型对比结果。表1-表4中所述Epoch为代数,Steps为步数,Loss为本发明损失,Accuracy为本发明精度,Val_loss为CNN模型损失,Val_acc为CNN模型精度。
表1
表2
表3
表4
从表1、表2、表3和表4可知,采用VGG19和MobileNet结合方式的检测精度明显高于传统的卷积神经网络CNN模型;并且高于VGG16与mobilenet结合的方式。
Claims (6)
1.一种基于卷积神经网络模型的火灾检测方法,其特征在于,包括以下步骤:
a、将选出的图片进行数据处理,图片经数据处理后通过数据标标签划分为训练数据集和测试数据集,训练数据集和测试数据集中均包括含火图片和非含火图片,将含火图片标记为fire类,将非含火图片不进行标记;
b、将VGG19中的16个卷积层和3个全连接层,第一次经过64个卷积核的两次卷积后,采用一次pooling,第二次经过两次128个卷积核卷积后,再采用pooling,再重复两次三个512个卷积核卷积后,再pooling,最后经过三次全连接,再通过MobileNet对每个颜色通道执行一个卷积,创建模型;
c、在创建的模型中设置过拟合,采用dropout算法对模型中最后3层网络进行随机抛弃50%的节点;
d、从目录中读取训练数据集和测试数据集,对训练数据集和测试数据集进行预处理,将预处理后的训练数据集和测试数据集发送到模型中,通过小批量梯度下降算法进行训练;
e、通过混淆矩阵来判断模型正确分类的样本比例;
Accuracy=(TP+TN)/(TP+TN+FP+FN) 式1
其中,Accuracy为精度,TP为真阳性,即样本的真实类别是正例,并且模型预测的结果也是正例;FP为假阳性,即样本的真实类别是负例,并且模型将其预测成为负例;FN为假阴性,即样本的真实类别是负例,但是模型将其预测成为正例;TN为真阴性,即样本的真实类别是正例,但是模型将其预测成为负例;
f、将通过混淆矩阵判断后的模型部署到jetson nano开发板上;
g、将测试图像输入到模型中,经过分析预测得出测试图像是属于火类还是非火类,若是火类,则判断为火灾,若是非火类,则判断为非火灾。
2.根据权利要求1所述的一种基于卷积神经网络模型的火灾检测方法,其特征在于:所述步骤b中,创建模型具体是指选取带有激活函数和最大池化层的不同通道的卷积层,再通过添加全连接层进行创建。
3.根据权利要求1所述的一种基于卷积神经网络模型的火灾检测方法,其特征在于:所述步骤d中,对训练数据集和测试数据集进行预处理具体是指使用完整的图像来训练和测试网络,将图片大小从416*416*3调整为128*128*3作为模型的输入,算法获取输入图像并将输入图像分割成SxS网格。
4.根据权利要求1所述的一种基于卷积神经网络模型的火灾检测方法,其特征在于:所述步骤d中,通过小批量梯度下降算法进行训练具体是指在模型的训练阶段,采取批处理分批次训练的策略将训练数据集和测试数据集分别传输到模型当中进行训练,用小批量梯度下降算法优化损失函数得到最优模型。
5.根据权利要求1所述的一种基于卷积神经网络模型的火灾检测方法,其特征在于:所述步骤g中,分析预测具体是指通过逻辑回归模型进行分类,判断是否含有火类。
6.根据权利要求1所述的一种基于卷积神经网络模型的火灾检测方法,其特征在于:还包括检测步骤,检测步骤具体是指将测试数据集用模型检测得到一个结果,再对比测试数据集是否和检测的结果一致。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110834927.5A CN113627493A (zh) | 2021-07-23 | 2021-07-23 | 一种基于卷积神经网络模型的火灾检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110834927.5A CN113627493A (zh) | 2021-07-23 | 2021-07-23 | 一种基于卷积神经网络模型的火灾检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113627493A true CN113627493A (zh) | 2021-11-09 |
Family
ID=78380694
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110834927.5A Withdrawn CN113627493A (zh) | 2021-07-23 | 2021-07-23 | 一种基于卷积神经网络模型的火灾检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113627493A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115147715A (zh) * | 2022-04-14 | 2022-10-04 | 山东浪潮科学研究院有限公司 | 一种基于TinyML的火灾检测方法及装置 |
-
2021
- 2021-07-23 CN CN202110834927.5A patent/CN113627493A/zh not_active Withdrawn
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115147715A (zh) * | 2022-04-14 | 2022-10-04 | 山东浪潮科学研究院有限公司 | 一种基于TinyML的火灾检测方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109978893B (zh) | 图像语义分割网络的训练方法、装置、设备及存储介质 | |
CN113870260B (zh) | 一种基于高频时序数据的焊接缺陷实时检测方法及*** | |
CN106776842B (zh) | 多媒体数据检测方法及装置 | |
CN108921051B (zh) | 基于循环神经网络注意力模型的行人属性识别网络及技术 | |
CN110688925B (zh) | 基于深度学习的级联目标识别方法及*** | |
CN110084165B (zh) | 基于边缘计算的电力领域开放场景下异常事件的智能识别与预警方法 | |
CN111985365A (zh) | 一种基于目标检测技术的秸秆焚烧监测方法和*** | |
CN112183166B (zh) | 确定训练样本的方法、装置和电子设备 | |
CN109376637A (zh) | 基于视频监控图像处理的人数统计*** | |
US20240028744A1 (en) | Dynamic network risk predicting method based on a graph neural network | |
Dua et al. | An improved approach for fire detection using deep learning models | |
CN112149616A (zh) | 基于动态信息的人物交互行为识别方法 | |
CN114359695A (zh) | 基于不确定性估计的绝缘子破损识别方法 | |
CN111223087A (zh) | 一种基于生成对抗网络的桥梁裂缝自动检测方法 | |
CN113627493A (zh) | 一种基于卷积神经网络模型的火灾检测方法 | |
CN111160100A (zh) | 一种基于样本生成的轻量级深度模型航拍车辆检测方法 | |
Rezaee et al. | Deep-Transfer-learning-based abnormal behavior recognition using internet of drones for crowded scenes | |
Li et al. | Fire flame image detection based on transfer learning | |
CN112132839B (zh) | 一种基于深度卷积级联网络的多尺度快速人脸分割方法 | |
CN117237994A (zh) | 一种油气作业区人员计数及行为检测方法、装置及*** | |
CN115965809A (zh) | 结合难分样本生成与学习的sar图像目标开集识别方法 | |
CN115147684A (zh) | 基于深度学习的目标打击效果评估方法 | |
CN115393802A (zh) | 一种基于小样本学习的铁路场景不常见入侵目标识别方法 | |
CN111178134B (zh) | 一种基于深度学习与网络压缩的摔倒检测方法 | |
CN111666985B (zh) | 一种基于dropout的深度学习对抗样本图像分类防御方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20211109 |