[发明专利]基于静态解析特征的烟、火检测卷积网络、方法及电子设备

权利要求书

1.一种基于静态解析特征的烟、火检测卷积网络，其特征在于，所述卷积网络包括颜色特征网络、纹理特征网络、边缘特征网络和解析特征融合网络，所述卷积网络将烟火图像解构成颜色、纹理、形状三种特征，重构流程检测烟雾，最终输入图像，输出检测结果。

2.根据权利要求1所述的基于静态解析特征的烟、火检测卷积网络，其特征在于，所述颜色特征网络学习烟、火的颜色特征，通过多次1×1的非线性卷积学习到合适的颜色模式，且建模颜色通道之间的相互依赖关系，因此不受空间特征的影响，只操作颜色空间，采用1×1的卷积核卷积，然后非线性变换，即：

f_kⁱ为第i层的第k个颜色通道，f_m^i-1为第i-1层的第m个颜色通道，W_k^i-1为i-1层到i层的第k个卷积核，W_km^i-1为第i-1层第m个颜色通道到第i层第k个颜色通道的第k个卷积核的权重，b_k第i-1层的第k个偏置项，g^i-1为第i-1层的非线性激活函数。

3.根据权利要求2所述的基于静态解析特征的烟、火检测卷积网络，其特征在于，所述颜色特征网络首先在空间维度进行global average pooling压缩，把特征通道变成实数，经过两个全连接神经网络，得到与通道数一样的一维向量作为每个通道的评价分数，然后将改动之后的分数通过乘法逐通道加权到原来对应的通道上，最后得到输出结果。

4.根据权利要求1所述的基于静态解析特征的烟、火检测卷积网络，其特征在于，所述纹理特征网络先连接6个卷积层和3个最大池化层抽取特征，后4个卷积层有批规范化操作，其中卷积操作将r-1层的特征图F_q^r-1转换为r层的特征图F_p^r，

其中卷积核权重为W_qp^r，偏置为b_p^r。

5.根据权利要求4所述的基于静态解析特征的烟、火检测卷积网络，其特征在于，所述纹理特征网络在最后4个卷积层上增加批规范化层，如下式

其中为批内的均值和方差，网络的尾端加了全连接层，经过softmax后输出烟、火概率。

6.根据权利要求1所述的基于静态解析特征的烟、火检测卷积网络，其特征在于，所述边缘特征网络中，在初步的边缘特征网络中将第1个卷积层和第5个卷积层的输出合并，并进行全局平均池，用于减少参数数量和缓解过度拟合问题，如下式所示

式中W_t、H_t是第13层的宽、高。

7.根据权利要求1所述的基于静态解析特征的烟、火检测卷积网络，其特征在于，所述解析特征融合网络融合颜色、纹理与边缘等解析子网络提取的特征，先由颜色子网络抽取特征，然后抽取纹理与边缘特征，构成2个分枝，最后信息融合，最后采用全局池化输出烟、火检测结果。

8.一种基于静态解析特征的烟、火检测方法，所述检测方法使用如权利要求1-7任一项所述的基于静态解析特征的烟、火检测卷积网络，其特征在于，包括以下步骤：

S1把单层的1×1卷积升级成多层的1×1卷积，并且在1×1卷积后加入了非线性运算，抽取类间差异更为显著的颜色通道；

S2在生成颜色模式时加入通道注意力机制；

S3采用小卷积核、卷积和池化相间、前面的卷积层不加批规范化操作的网络结构抽取纹理特征；

S4采用大卷积核、前面多层卷积层不加池化和批规范化操作的网络结构抽取边缘特征；

S5在生成颜色模式后再抽取纹理、形状特征，生成高准确性、高灵敏度的烟雾检测模型；