积分商城

最新搜索： ESAM sonar STM32h7 STM8S003 BRIGHTEK 电解电容封装库
您现在的位置是：首页 > 技术资料 > 一种多网络模型融合的烟雾检测方法
推荐星级：
  • 1
  • 2
  • 3
  • 4
  • 5

一种多网络模型融合的烟雾检测方法

更新时间：2020-01-01 10:34:20 大小：1M 上传用户：songhuahua查看TA发布的资源 标签：烟雾检测 下载积分：1分 评价赚积分 （如何评价?） 打赏 收藏 评论(0) 举报

资料介绍

为降低云雾等类烟雾目标引起的烟雾检测虚警现象,提出一种多网络模型融合的烟雾检测方法。在采用VGG16网络提取烟雾细节特征的基础上,与ResNet50网络特征提取层进行融合,提取到更多细微特征,采用跳跃连接机制将图像信息传递到神经网络的更深层,避免烟雾图像重要特征的丢失,并解决因梯度消失导致的欠拟合问题。训练过程采用基于同构空间下的特征迁移学习方法,解决小样本训练难题,在新的目标检测领域进行重新训练,更有利于将网络模型融合,重新搭建全连接层输出检测结构,采用随机失活的方法,提高模型泛化能力。实验结果表明,与目前流行的深度卷积网络相比,该方法虚警率低,准确率和召回率高。


部分文件列表

文件名 大小
一种多网络模型融合的烟雾检测方法_.pdf 1M

【关注视频号领20积分】   【关注公众号立即送20积分】

部分页面预览

（完整内容请下载后查看）
／
ＣＮ４３１２５８ ＴＰ  
－
第
卷第  
期 年  
１０ ２０１９ １０  
月
ꢀ
ꢀ
ꢀ
计算机工程与科学  
ꢀꢀꢀꢀ  
４１  
， ，  
Ｖｏｌ．４１ Ｎｏ．１０ Ｏｃｔ．２０１９  
ＩＳＳＮ１００７１３０Ｘ  
ꢀ －  
ꢀ
Ｃｏｍ ｕｔｅｒＥｎｉｎｅｅｒｉｎ ＆ Ｓｃｉｅｎｃｅ  
ꢀ ｇ  
ｇ
ꢀ
ｐ
：
（ ）  
１００７１３０Ｘ２０１９１０１７７１０６  
－
文章编号  
－
－
＊
一种多网络模型融合的烟雾检测方法  
１
洋
１
１
通
ꢀ
１
， ，  
周岳勇 熊艳晔  
２
，
，
刘
王
程江华  
ꢀ
（ ，  
国防科技大学电子科学学院 湖南 长沙  
１．  
；
，
海军指挥学院 江苏 南京  
４１００７３２．  
）
２１００１６  
： ，  
要 为降低云雾等类烟雾目标引起的烟雾检测虚警现象 提出一种多网络模型融合的烟雾检测方  
摘
ꢀ
。
，
网络提取烟雾细节特征的基础上 与  
，
网络特征提取层进行融合 提取到更  
ＲｅｓＮｅｔ５０  
法
在采用  
ＶＧＧ１６  
， ， ，  
多细微特征 采用跳跃连接机制将图像信息传递到神经网络的更深层 避免烟雾图像重要特征的丢失 并  
。 ，  
解决因梯度消失导致的欠拟合问题 训练过程采用基于同构空间下的特征迁移学习方法 解决小样本训  
， ， ，  
练难题 在新的目标检测领域进行重新训练 更有利于将网络模型融合 重新搭建全连接层输出检测结构  
，
， 。 ， ，  
采用随机失活的方法 提高模型泛化能力 实验结果表明 与目前流行的深度卷积网络相比 该方法虚警  
，
率低 准确率和召回率高  
。
：
ＶＧＧ１６  
；
； ；  
网络 烟雾检测 特征提取  
关键词  
中图分类号  
：
网络  
ＲｅｓＮｅｔ５０  
：
：
Ａ
文献标志码  
ＴＰ３９１．４  
／
ｄｏｉ１０．３９６９ ．ｉｓｓｎ．１００７１３０Ｘ．２０１９．１０．００８  
ｊ
－
Ａｓｍｏｋｅｄｅｔｅｃｔｉｏｎｍｅｔｈｏｄｂａｓｅｄ  
ꢀ ꢀ ꢀ ꢀ  
ｏｎｆｕｓｉｎ ｍｕｌｔｉｌｅｎｅｔｗｏｒｋｍｏｄｅｌｓ  
ꢀ ꢀ  
ｐ
ꢀ
ｇ
ꢀ
１
１
１
１
２
，
，
，
ＷＡＮＧ Ｙａｎ ＣＨＥＮＧＪｉａｎ ｈｕａ ＬＩＵ Ｔｏｎ ＺＨＯＵ Ｙｕｅ ｏｎ ＸＩＯＮＧ Ｙａｎ ｅ  
ｙ ｇ  
，
ꢀ
ｇ
ꢀ
ｇ
－
ꢀ
ｇ
ꢀ
－
ꢀ
－
ｙ
（
，
，
；
１．ＳｃｈｏｏｌｏｆＥｌｅｃｔｒｏｎｉｃｓＳｃｉｅｎｃｅ ＮａｔｉｏｎａｌＵｎｉｖｅｒｓｉｔ ｏｆＤｅｆｅｎｓｅＴｅｃｈｎｏｌｏ Ｃｈａｎｓｈａ４１００７３  
ꢀ ꢀ  
ｇｙ  
ꢀ
ꢀ
ｙ
ꢀ
ꢀ
ꢀ
ｇ
ꢀ
，
，
）
２．ＮａｖａｌＣｏｍｍａｎｄＣｏｌｌｅｅ Ｎａｎｉｎ ２１００１６ Ｃｈｉｎａ  
ｊ ｇ  
ꢀ
ꢀ
ｇ
ꢀ
：
ＡｂｓｔｒａｃｔＩｎｏｒｄｅｒｔｏｒｅｄｕｃｅｔｈｅｆａｌｓｅａｌａｒｍ ｈｅｎｏｍｅｎｏｎｏｆｓｍｏｋｅｄｅｔｅｃｔｉｏｎｃａｕｓｅｄｂ ｃｌｏｕｄａｎｄｆｏ  
ꢀ ꢀ ꢀ ꢀ ꢀｐ ꢀ ꢀ ꢀｙ ꢀ ｇ  
，
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ａｓｍｏｋｅｄｅｔｅｃｔｉｏｎｍｅｔｈｏｄｂａｓｅｄｏｎｆｕｓｉｎ ｍｕｌｔｉｌｅｎｅｔｗｏｒｋｍｏｄｅｌｓｉｓ ｒｏｏｓｅｄ．Ｏｎｔｈｅｂａｓｉｓｏｆｕｓｉｎ  
ｐ ꢀ ｇ  
ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀｐ ｐ ꢀ ꢀ ꢀ ꢀ  
ꢀ
ꢀ
ｇ
ꢀ
，
ＶＧＧ１６ｎｅｔｗｏｒｋｔｏｅｘｔｒａｃｔｔｈｅｄｅｔａｉｌｅｄｆｅａｔｕｒｅｓｏｆｓｍｏｋｅ ｉｔｉｓｆｕｓｅｄｗｉｔｈｔｈｅＲｅｓＮｅｔ５０ｎｅｔｗｏｒｋｆｅａｔｕｒｅ  
ꢀ ꢀ ꢀ ꢀ ꢀꢀ  
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ｅｘｔｒａｃｔｉｏｎｌａｅｒｔｏｅｘｔｒａｃｔｍｏｒｅｓｕｂｔｌｅｆｅａｔｕｒｅｓ．Ｔｈｅｓｋｉ ｃｏｎｎｅｃｔｉｏｎｍｅｃｈａｎｉｓｍｉｓｕｓｅｄｔｏｔｒａｎｓｆｅｒｔｈｅ  
ꢀ ｙ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ｐ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ  
ꢀ
，
ｉｍａｅｉｎｆｏｒｍａｔｉｏｎｔｏｔｈｅｄｅｅｅｒｌａｅｒｏｆｔｈｅｎｅｕｒａｌｎｅｔｗｏｒｋ ｉｎｏｒｄｅｒｔｏａｖｏｉｄｔｈｅｌｏｓｓｏｆｉｍ ｏｒｔａｎｔｆｅａ  
ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀꢀ ｐ －  
ｇꢀ ｐ ꢀ ｙ ꢀ ꢀ  
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ｔｕｒｅｓｏｆｓｍｏｋｅｉｍａｅａｎｄｓｏｌｖｅｔｈｅｕｎｄｅｒｆｉｔｔｉｎ ｒｏｂｌｅｍ ｃａｕｓｅｄｂ ｔｈｅ ｒａｄｉｅｎｔｄｉｓａ ｅａｒａｎｃｅ．Ｔｈｅ  
ｇꢀ ｇｐ ｐｐ  
ꢀ ꢀ ꢀ ꢀ － ꢀ ꢀｙ ꢀｇ ꢀ  
ꢀ
ꢀ
ꢀ
ꢀ
ｔｒａｉｎｉｎ ｒｏｃｅｓｓａｄｏｔｓｔｈｅｆｅａｔｕｒｅｔｒａｎｓｆｅｒｌｅａｒｎｉｎ ｍｅｔｈｏｄｂａｓｅｄｏｎｉｓｏｍｏｒｈｉｃｓａｃｅｔｏｓｏｌｖｅｔｈｅｓｍａｌｌ  
ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀｐ ꢀ ꢀ ꢀ ꢀ  
ｇｐ ｐ ꢀ ꢀ ｐ  
ｇ
ꢀ
ꢀ
，
，
，
ｓａｍ ｌｅｔｒａｉｎｉｎ ｒｏｂｌｅｍ ｒｅｔｒａｉｎｉｎｔｈｅｎｅｗｔａｒｅｔｄｅｔｅｃｔｉｏｎｆｉｅｌｄ ｂｅｔｔｅｒｉｎｔｅｒａｔｅｔｈｅｎｅｔｗｏｒｋｍｏｄｅｌ  
ｐ ꢀ ｇｐ  
ꢀ ꢀ ꢀ ｇ ꢀ  
ꢀ
ꢀ
ꢀ
ｇ
ꢀ
ꢀ
ꢀ
ꢀ
，
ｒｅｂｕｉｌｄｔｈｅｏｕｔｕｔｄｅｔｅｃｔｉｏｎｓｔｒｕｃｔｕｒｅｏｆｔｈｅｗｈｏｌｅｃｏｎｎｅｃｔｉｏｎｌａｅｒ ａｎｄａｄｏｔｔｈｅｒａｎｄｏｍｉｎａｃｔｉｖａｔｉｏｎ  
ｐ ꢀ ｐꢀ  
ꢀ ꢀ ꢀ ｙ  
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
，
ｍｅｔｈｏｄｔｏｉｍ ｒｏｖｅｔｈｅ ｅｎｅｒａｌｉｚａｔｉｏｎａｂｉｌｉｔ ｏｆｔｈｅｍｏｄｅｌ．Ｅｘｅｒｉｍｅｎｔａｌｒｅｓｕｌｔｓｓｈｏｗｔｈａｔ ｃｏｍ ａｒｅｄ  
ꢀ ꢀ ｐ ꢀｇ  
ꢀ
ꢀ
ｙ
ꢀ
ꢀ
ꢀ
ｐ
ꢀ
ꢀ
ꢀ
ｐ
，
ｗｉｔｈｔｈｅｃｕｒｒｅｎｔ ｏｕｌａｒｄｅｅ ｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｔｗｏｒｋ ｔｈｉｓｍｅｔｈｏｄｈａｓｌｏｗｅｒｆａｌｓｅａｌａｒｍｒａｔｅａｎｄｈｉｈｅｒ  
ꢀ
ꢀ
ꢀ
ꢀｐｐ  
ꢀ
ｐ
ꢀ
ꢀ
ꢀ
ꢀ ꢀ  
ꢀ
ꢀ
ꢀ
ꢀ ｇ  
ａｃｃｕｒａｃ ａｎｄｒｅｃａｌｌｒａｔｅ．  
ｙ
ꢀ ꢀ  
ꢀ
： ； ； ；  
Ｋｅ ｗｏｒｄｓ ＶＧＧ１６ｎｅｔｗｏｒｋ ＲｅｓＮｅｔ５０ｎｅｔｗｏｒｋｓｍｏｋｅｄｅｔｅｃｔｉｏｎｆｅａｔｕｒｅｅｘｔｒａｃｔｉｏｎ  
ꢀ
ꢀ
ｙ
ꢀ
：
；
：
修回日期  
２０１９０５２１  
收稿日期  
＊
２０１９０３２２  
－ －  
－
－
：
基金项目 湖南省自然科学基金  
（
）
２０１７ＪＪ２３３７  
：
４１００７３  
通信地址  
湖南省长沙市国防科技大学电子科学学院  
： ， ， ， ，  
ＡｄｄｒｅｓｓＳｃｈｏｏｌｏｆＥｌｅｃｔｒｏｎｉｃｓＳｃｉｅｎｃｅ ＮａｔｉｏｎａｌＵｎｉｖｅｒｓｉｔ ｏｆＤｅｆｅｎｓｅＴｅｃｈｎｏｌｏ Ｃｈａｎｓｈａ４１００７３ Ｈｕｎａｎ Ｐ．Ｒ．Ｃｈｉｎａ  
ｇｙ  
ꢀ ꢀ  
ꢀ
ꢀ
ｙ
ꢀ
ꢀ
ꢀ
ｇ
ꢀ
， （ ）  
计算机工程与科学  
２０１９４１１０  
ꢀ
Ｃｏｍ ｕｔｅｒＥｎｉｎｅｅｒｉｎ ＆ Ｓｃｉｅｎｃｅ  
ꢀ
ｇ
ꢀ
１７７２  
ꢀ
ｐ
ｇ
［ ］  
１２  
。
该模 型 对 噪 声 较 为 敏 感 王 文 朋 等  
将
ＶＧＧ  
（
）
ＶｉｓｕａｌＧｅｏｍｅｔｒ Ｇｒｏｕ  
ｐ
，
模型应 用 于 烟雾 识别  
引言  
ꢀ
ｙ
ꢀ
１
ꢀ
、
网络架构能够很好地区分烟雾 火焰  
采用  
ＶＧＧ１６  
，
火灾严重威胁到人的生命以及财产安全 及时  
， 。  
种场景 进一步提升了烟雾检测精度 但是  
，
等
５
。
检测火灾并预警有重要意义 火灾初期往往伴随  
，
网络块与块之间采用了最大池化 会丢失  
ＶＧＧ１６  
［
］
１３  
，
，
着烟雾的产生 采用计算机视觉技术自动检测烟雾  
，
原始图像一部分特征 很难保留图像细微特征  
。
是火灾预警的有效措施 传统的烟雾检测算法主  
。
难以很好地区分烟雾和云雾等类烟雾目标  
，
要建立在对烟雾静态和动态特征的提取上 提取特  
针对 网络难以区分 烟雾和云雾 等类  
ＶＧＧ１６  
［］  
１
。
，
烟雾目标的问题 如何更好地将烟雾图像丰富的细  
征之后再进行烟雾分类  
等
将检测图像  
Ｇｕｂｂｉ  
，
小块 将图像进行分区域检测并采用  
，
节特征传递到更 深的 网络层 提取 更多 的烟雾 特  
分为  
３２×３２  
（
ＳＶＭ Ｓｕ ｏｒｔＶｅｃ  
－
，
离散小波变换和支持向量机  
征 本文在  
模型的基础上引入残差网络  
Ｒｅｓ  
ＶＧＧ  
）
模 型 将  
Ｎｅｔ ＲｅｓｉｄｕａｌＮｅｔｗｏｒｋ  
ｐｐ  
ꢀ
－
）
的方法进行分类 检测效率较低  
ｔｏｒＭａｃｈｉｎｅ  
，
。
（
以
和
ＶＧＧ１６ Ｒｅｓ  
－
ꢀ
ꢀ
［］  
２
，
Ａｎｔｏｎ  
，
网络模型特征提取层进行融合 构造特征提  
Ｎｅｔ５０  
此为思路  
等
采用区域匹配的方法提取疑  
，
似烟雾区域 利用背景物体颜色改变速度对烟雾进  
， ，  
取器 能够自动提取烟雾图像细微的特征 并实现  
， 。  
行识别 提升了检测效率并取得了良好效果 这些  
， ，  
端到端分类 输入端直接输入待检测图像 并进行  
， ，  
算法都基于烟雾的单一特征 泛化能力有限 受环  
，
归一化 输出端则采用了随机失活  
（
）
优化  
Ｄｒｏ Ｏｕｔ  
ｐ
［］  
３
。
境干扰较大 李红娣等 提出了图像金字塔纹理  
， ，  
方法 降低节点间的相互依赖性 实现神经网络的  
，
和边缘多尺度特征的烟雾检测方法 并用支持向量  
， ，  
正则化 提高模型的鲁棒性 提升深度卷积神经网  
， 、  
机进行分类 该方法对光照 尺度具有一定的不变  
。 ，  
络的分类能力 同时 在训练阶段采用迁移学习的  
［
］
１４  
，
， ，  
性 取得 了 良 好 的 识 别 效 果 但 虚 警 率 较 高  
。
Ｃａｉ  
。
方法解决小样本训练难题  
提高模型泛化能力  
［］  
４
（
采用视觉背景提取  
ＶＩＢＥ ＶＩｓｕａｌＢａｃｋｒｏｕｎｄ  
等
ꢀ
ｇ
） ，  
算法对运动区域进行提取 并提出将烟  
Ｅｘｔｒａｃｔｏｒ  
本文方法  
２
ꢀ
，
雾静态和动态特征相结合的方法 相比于单特征的  
， ，  
方法 提高了烟雾检测的准确率 而虚警问题依然  
本文主要创新是融合  
和
ＶＧＧ１６ ＲｅｓＮｅｔ５０  
网
。
悬而未解 尽管多特征融合方法在一定程度上提  
， ，  
络模型 提取到烟雾图像更多的细节特征 从而实  
，
高了烟雾检测的准确率 但依然很难区分烟雾与云  
。
现对烟雾的可靠检测 考虑到小样本空间下  
个
２
。
， ， 、  
其原因在于 复杂环境下 烟雾的运动方向 速  
，
网络融合造成的训练困难问题 本文采用基于同构  
雾
，
度受天气情况影 响很 大 同 种燃烧物 在不 同天 气  
，
空间下的特征迁移学习方法 能够很好地将预训练  
， 。 ，  
下 烟雾的浓度也不相同 所以 烟雾的动态特征  
好的 和 模型的特征提取层迁移  
ＶＧＧ１６ ＲｅｓＮｅｔ５０  
，
存在多样化特性 人 工 提取 到的 烟雾 特征 毕竟 有  
，
到烟雾场景下的目标数据集分类任务中 同时提高  
，
限 难以充分描述烟雾的特性  
。
。
模型的泛化能力  
， ，  
近年来 深度学习理论发展迅速 国内外学者  
本文提出的多模型融合烟雾检测方法主要分  
［
］
５ ７  
，
－
，
为多模型网络融合和多模型网络训练 个部分 整  
２
提出了多种模型  
通过多层网络结构逐级提取  
，
图像更有效的特征 完成了传统方法难以胜任的任  
。
体架构如图 所示  
１
， 、  
务 在图像识别 自然语言处理等方面都有着广泛  
网络的卷积层和池化层均采用相同的  
ＶＧＧ１６  
［］  
８
。
［］  
９
， 、  
核函数 以卷积层 池化层堆叠的方式构成卷积块  
的 应 用  
等
将 卷 积 神 经 网 络  
Ｆｒｉｚｚｉ  
ＣＮＮ  
（
）
应 用 于 火 焰 和  
ＣｏｎｖｏｌｕｔｉｏｎａｌＮｅｕｒａｌＮｅｔｗｏｒｋｓ  
， 、  
结构 具有结构简单 容易形成较深的网络结构等  
ꢀ
ꢀ
， ，  
烟雾的识别 取得了良好的效果 但应用范围受环  
。
优点 但是  
，
ＶＧＧ１６  
网络的块与块之间采用了最  
［ ］  
１０  
。
， ，  
大池化 对于烟雾等细节非常丰富的图像而言 可  
境限制  
等
提出了深度归一化卷积神经网  
ＤＮＣＮＮ Ｄｅｅ ＮｏｒｍａｌｉｚａｔｉｏｎａｎｄＣｏｎｖｏｌｕｔｉｏｎ  
－
Ｙｉｎ  
（
。
能会丢失原始图像的部分重要特征 为了弥补特  
络
ｐ
ꢀ
ꢀ
ꢀ
）
模型 该模型能够自动提取特  
ａｌＮｅｕｒａｌＮｅｔｗｏｒｋ  
，
，
征丢失的不足 本文引入  
，
采
ＲｅｓＮｅｔ５０ ＲｅｓＮｅｔ５０  
ꢀ
ꢀ
， ，  
征 并采用批归一化方法加速网络训练进程 提高  
， ，  
用了跳跃连接 构成残差块 从而将图像信息传递  
，
了烟 雾 检 测 精 度 但 虚 警 率 并 未 得 到 有 效 改 善  
。
，
到神经网络的更深层 能够避免烟雾图像重要特征  
［ ］  
１１  
。 ，  
的丢失 同时 可以避免因梯度消失导致的欠拟合  
等
应用深度学习技术将多个特征提取层  
Ｙｕａｎ  
， ，  
进行叠加 提取图像更细微的特征 存在的问题是  
，
问题 从而在加深网络层次的同时有效提高模型的  

相关下载

全部评论(0)

暂无评论
评论赚积分>>

上传资源 上传优质资源有赏金

热门标签

更多>>

最新上传

  • 打赏
  • 30日榜单

热门下载

推荐下载

本站上的所有资源均为源于网上收集或者由用户自行上传，仅供学习和研究使用，无任何商业目的，版权归原作如有侵权，请 来信指出，本站将立即改正。

ICP许可证号：京ICP证070360号     21IC电子网 2000- 版权所有

京ICP备11013301号

京公网安备 11010802024343号