推荐星级:
- 1
- 2
- 3
- 4
- 5
深度学习的MPCANet火灾图像识别模型设计
资料介绍
针对火灾发生时,火灾图像背景复杂、人工特征提取过程繁琐、对火灾图像的识别泛化能力不强、容易出现精度不高、误报和漏报等问题,提出了张量对象特征提取的多线性主成分分析(Multilinear Principal Component Analysis,MPCA)深度学习算法的火灾图像识别新方法。利用MPCANet建立火灾图像识别模型,通过MPCA算法学习滤波器作为深度学习网络卷积层卷积核,对张量对象的高维图像进行特征提取,并把蜡烛图像和烟花图像作为干扰。通过仿真实验并与其他火灾图像识别方法对比得到提出的图像识别方法识别精度达到了97.5%、误报率1.5%、漏报率1%。实验表明:该方法可以有效解决火灾图像识别存在的问题。
部分文件列表
文件名 | 大小 |
深度学习的MPCANet火灾图像识别模型设计.pdf | 1M |
部分页面预览
(完整内容请下载后查看)第
卷第
期
年
月
2
47
2
红外与激光工程
Infrared and Laser Engineering
2018
Vol.47 No.2
Feb. 2018
特约专栏
❖
❖
深度学习的 MPCANet 火灾图像识别模型设计
1,2 1 1 1
张秀玲 ,侯代标 ,张逞逞 ,周凯旋 ,魏其珺
1
(1. 燕山大学 河北省工业计算机控制工程重点实验室,河北 秦皇岛 066004;
2. 燕山大学 国家冷轧板带装备及工艺工程技术研究中心,河北 秦皇岛 066004)
摘
要:
针对火灾发生时,火灾图像背景复杂、人工特征提取过程繁琐、对火灾图像的识别泛化能力
不强、容易出现精度不高、误报和漏报等问题,提出了张量对象特征提取的多线性主成分分析
(Multilinear Principal Component Analysis, MPCA) 深 度 学 习 算 法 的 火 灾 图 像 识 别 新 方 法 。 利 用
MPCANet 建立火灾图像识别模型,通过 MPCA 算法学习滤波器作为深度学习网络卷积层卷积核,
对张量对象的高维图像进行特征提取,并把蜡烛图像和烟花图像作为干扰。通过仿真实验并与其他
火灾图像识别方法对比得到提出的图像识别方法识别精度达到了 97.5%、误报率 1.5%、漏报率
1%。实验表明:该方法可以有效解决火灾图像识别存在的问题。
关键词:
深度学习; MPCANet; 张量对象分析; 火灾图像识别
中图分类号: 文献标志码: :
DOI 10.3788/IRLA201847.0203006
TP183
A
Design of MPCANet fire image recognition model for deep learning
1,2 1 1 1
Zhang Xiuling , Hou Daibiao , Zhang Chengcheng , Zhou Kaixuan , Wei Qijun
1
(1. Key Laboratory of Industrial Computer Control Engineering of Hebei Province,
Yanshan University, Qinhuangdao 066004, China;
2. National Engineering Research Center for Equipment and Technology of Cold Strip Rolling, Yanshan University,
Qinhuangdao 066004, Chinaꢀ
Abstract: In view of the complicated background of the fire image, the complicated process of extracting
the artificial feature, the poor generalization ability of the fire image, the low accuracy, false alarm rate,
missing rate, the novel method for detecting fire images of multilinear principal component analysis
ꢁMPCAꢀ was presented in the paper. The fire image recognition model was established by using
MPCANet. Through the MPCA algorithm, the learning filter was used as the convolution kernel of deep
learning network convolution layer, and the feature extraction of high dimensional images of tensor
objects was taken, and candle images and fireworks images were taken as interference. Compared with
other fire image recognition methods, the recognition accuracy of the proposed image recognition method
收稿日 期:
;
修 订日 期:
2017-10-28
2017-08-10
基金项 目:河 北省 自然科 学基 金 钢 铁联 合研究 基金
-
;河北 省 高 校 创 新 团 队 领 军 人 才 培 育 计 划 项 目
;河 北 省
(E2015203354ꢀ
(LJRC013ꢀ
年 燕 山 大 学 基 础 研 究 专 项 课 题 理 工 类
ꢀ
教 育 厅 科 学 研 究 计 划 河 北 省 高 等 学 校 自 然 科 学 研 究 重 点 项 目
;
(ZD2016100ꢀ 2016
(
培育课 题
;秦 皇岛 市科技 局自 筹项 目
(201703A229ꢀ
(16LGY015ꢀ
作者简 介:张 秀玲
,女,教授 ,博士 ,主要 从事 基于深 度学 习的 智能 识别与 应用 方面 的研 究。
(1968-ꢀ
Email:
0203006-1
红外与激光工程
第
期
第
卷
47
2
reaches 97.5%, false alarm rate of 1.5%, missing rate of 1%. Experiments results show that this method
could effectively solve the problems of fire image recognition.
Key words: deep learning; MPCANet; tensor object analysis;
fire image recognition
, 网络由卷积层中的
滤波器组,
PCA
work, PCANet)
引 言
0
非线性处理层中的二值化以及合并层中的块状直方
图组成。 它不利用 算法优化网络,避免梯度反向
SGD
传播时出现梯度消失和剃度弥散。 整个网络结构简
单,训练的参数大大减少,有效解决了参数爆炸问题。
都是把二维图像输入网络中训
随 着 图 像 处 理 技 术 和 计 算 机 科 学 的 不 断 发 展 ,
[1]
图像处理的火灾识别监测技术迎来了迅猛的发展
。
该 技 术 将 机 器 学 习 的 模 式 识 别 方 法 与 数 字 化 图 像
和
CNN
练,提取特征。 当处理多维图像时,特征提取可能表
现不佳, 因为图像结构内的空间关系没有被充分利
PCANet
[2]
处理技术相结合 。 火灾图像包括烟雾图像和火焰图
像,尤其是火焰图像具有红外辐射特性、纹理特 性 、
蔓延增长趋势等特征, 为早期火灾多物理量的探测
和火灾的辨识奠定了基础。
用。 彩色火灾图像是具有列, 行和色彩模式的三维
[9]
三阶张量 对象 。 为解决存在的问题和对图像自身
)
(
国 内 外 关 于 火 灾 图 像 的 识 别 技 术 做 了 许 多 研
究, 秦俊提出了基于飞行时间的深度图像变化率的
的特点文中提出了
,使用张量对象对高维
MPCANet
火灾图像进行处理,多线性特征提取方法,多线性主
成 分 分 析
火焰识别方法, 利用飞行时间法结合火焰深度图特
(Multilinear Principal Component Analysis,
[3]
征对火灾进行识别
以上传统火灾图像识别方法是基于火灾图像一
种或两种特征对火灾图像进行辨识, 但是却非常依
。
它将多维数据表示 为 张 量 不 是 矢 量 ,具 有 三
MPCA)
个 关 键 的 优 点 :保 留 的 多 维 结 构 ,较 低 的 计 算 需 求
[10]
以 及较少的估计参数 。 国外学者研究发现,张量更
[4]
赖于人工特征的选取 。 而且人工选取的 图像特征
[11]
适合对多维图像进行识别分类 。 从高维火灾图像中
基于特定数据集, 使识别算法对其他背景下的数据
效果偏低,泛化能力差。 深度学习算法的出现,为图
像识别提供了新方法。 王光耀使用机器学习的卷积
提取高级语义特征,提取的特征有效利用多维图像内
的空间关系,减少张量对象的类内不变形。 文中设计
了基于
的火灾图像识别模型, 提取的特征
MPCANet
神 经 网 络
对 火
(Convolutional Neural Nerwork, CNN)
[12]
分类器 。 并与基于
训练
的火灾图像识别
CNN
SVM
[5]
灾火焰进行识别,识别率达到了
。 傅天驹利
97.1%
方法的识别结果进行对比,评估提出方法的有效性。
用深度学习
提出基于深度学习的林火图像识别
CNN
的方法,利用
自动提火灾图像特征,避免了传统
CNN
算法
1 MPCA
[6]
方法中人工提取特征的复杂性和盲目性 ,避免了传
统识别算法复杂的特征提取和数据重构过程。
使用不同大小的卷积核, 使网络具有了不
[13]
是
到多维的一个延伸
。
是投
MPCA
PCA
PCA
影向量到向量,
是投影张量到张量, 投影的
MPCA
结构相对简单,另外运算在较低维度的空间进行,因
此处理高维度数据时有低运算量的优势 可以
CNN
同的感受野,可以提取到不同的图像特征,随着卷积
层数的加深,提取更高级的图像特征,这种表达更加
抽象和概念化,更容易识别。 但是 的加深在训
MPCA
捕获大部分原始张量输入变化的多线投影来进行特
征提取, 通过将原始问题分解为一系列多投影子问
CNN
练中容易出现参数爆炸现象,由于使用
算法优
SGD
题来进行,因此适合处理高维火灾图像。
化网络, 梯度反向传播时容易出现梯度消失和梯度
…
IN
I1 ×I2
×
[7]
阶张量表示为
,共有
个
N I ,n=
n
N
AN∈R
弥 散 的 问 题 和 训 练 小 样 本 数 据 出 现 过 拟 合 现 象
。
[8]
…
,每个 都是张量
I
n
的
模式。 图 为张量
n 1
1,2,
N
ꢀ
针对以上问题,
等
提出了卷积网络的新变体,
Chan
即主成分分析网络
(Principal Component Analysis Net
在模式 展开图。
1
0203006-2
全部评论(0)