[发明专利]一种基于改进卷积神经网络的火焰识别和检测方法

权利要求书

1.一种基于卷积神经网络的火焰识别和监测的优化方法，其特征在于，包括：

a)优化卷积神经网络性能；

b)通过增加数据多样性和数据增强的方式，构建火焰图像样本库；

c)通过优化卷积核数量和卷积核尺寸以及模型层数，设计火焰识别模型FlameNet；

d)基于Faster-RCNN算法，设计火焰检测模型FRCNN-ZF模型。

2.根据专利要求1所述的优化卷积神经网络性能，其特征在于，包括：

增加卷积核数量可以加强卷积神经网络对于图像的提取能力，进一步提升图像识别的准确度，但是训练收敛的时间会变长；

通过卷积-卷积-池化的结构来提取图像样本的特征，在卷积层后面设置一个或多个相同的卷积层构成多组卷积结构，采用多组卷积结构在一定程度上提升测试性能；

使用多个小尺寸卷积核替代大尺寸卷积核，既实现了原有的卷积运算，又大大降低了模型的参数量，替代前后卷积核的参数量。

3.根据专利要求1所述构建火焰图像样本库，其特征在于，包括：

从大型可视化图像数据网站ImageNet(http://image-net.org/)下载部分图像样本；

将自己实验拍摄的视频，逐帧提取出来；

增加数据多样性，有效的提升测试准确度；

数据增强，通过图像翻转、剪切、改变对比度和添加噪声等，提高测试准确度，但是收敛速度变慢。

4.一种火焰识别模型FlameNet，其特征在于，包括：

第1层为模型的输入层，规定必须为尺寸为64×64的RBG图像；

第2层为多重卷积层Conv1，其中多重卷积层内都包含两个小卷积层，Conv1内的小卷积层Conv1-1和Conv1-2的卷积核尺寸均为3×3，卷积核数量均为32，步长均为1，2个小卷积层输出后都经过激活函数ReLU激活后，进入下一环节；

第3层是池化层，采用区域为2×2，步长为2的最大池化模式；

第4层为多重卷积层Conv2，其中多重卷积层内都包含两个小卷积层，Conv2内的小卷积层Conv2-1和Conv2-2的卷积核尺寸均为3×3，卷积核数量均为64，步长均为1，2个小卷积层输出后都经过激活函数ReLU激活后，进入下一环节；

第5层是池化层，采用区域为2×2，步长为2的最大池化模式；

第6层为模型的全连接层，包含500个隐含神经节点；

第7层为模型的输出层，采用Softmax分类器，判断输入图片为火焰还是背景图像。

5.根据权利要求4所述的火焰识别模型FlameNet，其特征在于，

整个网络层层相连，连续的卷积、池化结构可以从火焰样本库中提取更多的有效信息；

2个3×3的卷积层连续卷积，在感受野方面等同于尺寸为5×5的卷积层，且大大减少了网络模型的参数；

使用ReLU激活函数增强了模型非线性程度的表达，有利于增强局部模型的抽象能力；

Dropout层的加入减少了网络的计算量，有效地控制了过拟合问题。

6.一种火焰检测模型FRCNN-ZF模型，其特征在于，

基于任少卿Faster-RCNN目标检测算法设计了火焰检测模型，用ZFNet模型的卷积池化完成作为共享卷积层，即Layer1-Layer5；

在Alexnet模型的基础上作了调整，将第一层卷积层的卷积核由11×11改为7×7，步长stride由4改为2；

RNP网络的设计中锚点滑动窗口大小，结合样本库中图像的火焰尺寸64×64和224×224两种，将其修改如表1所示。

表1：锚点滑动窗口大小优化设计