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
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 |
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
- 2025版建设工程消防验收技术图集 高清彩图新...
- JBT4730.6-2005承压设备无损检测第6部分：涡...
- JBT4730.5-2005承压设备无损检测第5部分：渗...
- JBT4730.4-2005承压设备无损检测第4部分：磁...
- JBT4730.3-2005承压设备无损检测第3部分：超...
- JBT4730.2-2005承压设备无损检测第2部分：射...
- JBT4730.1-2005承压设备无损检测第1部分：通...
- HJ652-2013矿山生态环境保护与恢复治理方案（...
- HJ651-2013矿山生态环境保护与恢复治理技术规...
- HJ450-2008清洁生产标准印制电路板制造业
更多>>
最新上传
- 打赏
- 30日榜单
-
21ic小能手 打赏5.00元 2天前
-
21下载积分 打赏1.00元 2天前
用户：德才兼备
-
mulanhk 打赏1.00元 3天前
-
21ic小能手 打赏10.00元 3天前
-
21ic小能手 打赏5.00元 3天前
-
21ic小能手 打赏3.00元 3天前
-
21ic小能手 打赏5.00元 3天前
-
21ic小能手 打赏5.00元 3天前
-
21ic小能手 打赏10.00元 3天前
-
21ic小能手 打赏5.00元 3天前
-
21ic小能手 打赏5.00元 3天前
-
21ic小能手 打赏3.00元 3天前
-
21ic小能手 打赏3.00元 3天前
-
21ic小能手 打赏5.00元 3天前
-
21ic小能手 打赏5.00元 3天前
-
21ic小能手 打赏5.00元 3天前
-
21ic小能手 打赏5.00元 3天前
-
21ic小能手 打赏5.00元 3天前
-
21ic小能手 打赏5.00元 3天前
资料：数控电子负载-CH552
-
21ic小能手 打赏5.00元 3天前
-
21ic小能手 打赏5.00元 3天前
-
21ic下载 打赏310.00元 3天前
用户：zhengdai
-
21ic下载 打赏310.00元 3天前
用户：liqiang9090
-
21ic下载 打赏330.00元 3天前
用户：jh0355
-
21ic下载 打赏210.00元 3天前
用户：小猫做电路
-
21ic下载 打赏240.00元 3天前
用户：jh03551
-
21ic下载 打赏210.00元 3天前
用户：gsy幸运
-
21ic下载 打赏70.00元 3天前
用户：w178191520
-
21ic下载 打赏60.00元 3天前
用户：sun2152
-
21ic下载 打赏80.00元 3天前
用户：江岚
-
21ic下载 打赏60.00元 3天前
用户：xuzhen1
-
21ic下载 打赏20.00元 3天前
用户：kk1957135547
-
21ic下载 打赏40.00元 3天前
用户：潇潇江南
-
21ic下载 打赏20.00元 3天前
用户：w993263495
-
21ic下载 打赏20.00元 3天前
用户：w1966891335
-
21ic下载 打赏70.00元 3天前
用户：有理想666
-
21ic下载 打赏35.00元 3天前
用户：xzxbybd
-
21ic下载 打赏15.00元 3天前
用户：x15580286248
-
21ic下载 打赏25.00元 3天前
用户：铁蛋锅
-
21ic下载 打赏35.00元 3天前
用户：mulanhk
全部评论(0)