[发明专利]基于可变形卷积构成的深度神经网络的烟火检测识别方法

权利要求书

1.一种基于可变形卷积构成的深度神经网络的烟火检测识别方法，其特征在于，包括具体步骤下：

步骤一：将采集的图像与现有的烟火图片进行对比，从而判断该图像中是否存在烟火，若是存在则直接进行报警处理，若是不存在则不做任何处理，若是因图像模糊而不好判断是否存在烟火时，则进行下一步处理；

步骤二：将图像传递至可变形卷积构成的深度神经网络结构中；

步骤三：通过可变形卷积构成的深度神经网络结构中的卷积层对图像特征进行提取，提取后，再通过可变形卷积构成的深度神经网络结构中的池化层对图像特征进行优化，最后再由可变形卷积构成的深度神经网络结构中的输出层将图像特征与现有的烟火特征进行对比，从而判断图像特征中是否存在烟火，若是存在则直接进行报警处理，若是不存在则不做任何处理。

2.根据权利要求1所述的一种基于可变形卷积构成的深度神经网络的烟火检测识别方法，其特征在于，所述可变形卷积构成的深度神经网络结构是由卷积层、池化层和输出层组成。

3.根据权利要求2所述的一种基于可变形卷积构成的深度神经网络的烟火检测识别方法，其特征在于，所述卷积层是提取一个局部区域特征的主要结构，不同的卷积核可以看作不同的特征提取器，其稀疏连接和共享权重机制能够有效降低参数数量和计算量，卷积层包含若干组参数可以学习的卷积核，当前层的卷积核对输入图像或者输入的特征图进行卷积运算，在经过激活函数得到新的特征图。

4.根据权利要求3所述的一种基于可变形卷积构成的深度神经网络的烟火检测识别方法，其特征在于，所述卷积运算的公式为：

其中，X_i，j为图像的第i行第j列元素，W_i，j为filter第i行第j列权重，W_b为filter的偏置项，a_i，j为输出特征图的第i行第j列元素，f为激活函数，D为通道数。

5.根据权利要求4所述的一种基于可变形卷积构成的深度神经网络的烟火检测识别方法，其特征在于，所述激活函数的公式为：

假设一个激活函数为f，其中i表示隐含层单元的个数，wⁱ表示隐含单元的权值。

6.根据权利要求2所述的一种基于可变形卷积构成的深度神经网络的烟火检测识别方法，其特征在于，所述池化层即下采样层，卷积神经网络应用池化层进行特征选择，降低特征数量，从而实现减少参数数量，避免过拟合，池化分为最大池化和平均池化。

7.根据权利要求6所述的一种基于可变形卷积构成的深度神经网络的烟火检测识别方法，其特征在于，所述最大池化的计算公式为：

其中，为局部区域，x_i为区域内神经元。

8.根据权利要求6所述的一种基于可变形卷积构成的深度神经网络的烟火检测识别方法，其特征在于，所述平均池化的计算公式为：

其中，为局部区域，x_i为区域内神经元。