基于轻量级卷积神经网络的烟雾检测算法研究

发布时间：2021-02-08 22:21

　　烟雾检测作为火灾预警的先验技术手段,对于现代智能消防系统至关重要。然而烟雾图像场景模糊,背景复杂多变,实现快速准确的烟雾检测识别一直是学者们的研究目标。随着计算机视觉与图像处理技术的快速发展,近年来不断涌现出基于深度学习的烟雾检测检测算法。相较于传统的点式传感器预警系统,其在准确率和应用范围上取得了突破性的进展,为火灾预警提供了可靠的技术保障。尽管当前的烟雾检测算法在准确率上取得了一定的成绩,但不容乐观的是,大多数算法存在计算复杂度高、耗时较长、误报率和漏报率居高不下等问题。本文由此对烟雾检测算法的优化进行了一系列探索研究。论文提出了一种端到端的轻量级卷积网络SInception,该网络首先对GoogLeNet中的Inception结构进行调整,在保留低计算量特性的同时提高烟雾检测准确率,随后针对Sequeeze-and-Excitation block进行优化,将其与调整后的SInception结构结合,对特征图中的通道权重进行自动分配,帮助网络提高特征表达能力。论文利用数据集YUAN进行训练,该算法检测准确率达到98.68%,检测率为96.94%,误检率为0,检测速度仅为0.2ms... 

【文章来源】：西南交通大学四川省 211工程院校 教育部直属院校

【文章页数】：73 页

【学位级别】：硕士

【部分图文】：

LeNet-5卷积神经网络结构

2.2.1 VGGNet2014 年 牛 津 大 学 计 算 机 视 觉 组 和 Google DeepMind 公 司 共 同 研 发 出VGGNet(Visual Geometry Group)[18]，通过重复堆叠若干个 3×3 卷积内核和 2×2 的最大池化层，成功构建出 16~19 层的深度卷积神经网络。实验证明了卷积神经网络的深度增加和小卷积核的使用能够有效提升网络的最终分类识别效果，错误率大大降低，可扩展性非常强，并且迁移到其它图像样本时也表现出良好的鲁棒性。VGGNet 的网络结构第一次在接近输入层的卷积层中使用了 3×3 的卷积，之前的LeNet 相信大的卷积核能够提取图像中相似的特征，因此在网络底层使用了 9×9 或 11×11 的大卷积核。VGG 网络中使用多个 3×3 的卷积核来模拟大卷积核对样本的局部感知，该操作最突出的优点在于可以大规模减少参数，例如 9×9 的卷积核需要 81 个权重参数，而 3×3 的卷积核只需要 9 个权重参数。参数减少，运算时间也会成比例减少。之后的 GoogleNet，ResNet 等网络也借鉴了这一思想。图 2-2 为 VGGNet 的网络结构。

图 2-3 Inception 基本结构[19]图 2-3 显示了 Inception 基本组成单元，它将深度卷积神经网络中常用的卷积(1×1，3×3，5×5)、池化操作(3×3)结合在一起。这样设计 Inception 网络结构的优点在于：网络能够学习到输入样本的所有特征，同时 5x5 的卷积层也能够覆盖大部分输入层，最后进行的池化操作主要用于减小空间并降低过度拟合。但是这样的结构堆叠了一个池化层和三个卷积层，使得模块整体的计算量大幅度增加，处理速度相对较慢，还可能引起梯度爆炸。因此 Szegedy 修改了内部计算逻辑

【参考文献】：
期刊论文
[1]基于深度学习的烟雾识别研究[J]. 王涛,宫宁生,蒋贵祥.  电子技术应用. 2018(10)
[2]视频烟雾检测研究进展[J]. 史劲亭,袁非牛,夏雪.  中国图象图形学报. 2018(03)
[3]基于级联卷积神经网络的视频动态烟雾检测[J]. 陈俊周,汪子杰,陈洪瀚,左林翼.  电子科技大学学报. 2016(06)
[4]基于颜色增强变换和MSER检测的烟雾检测算法[J]. 李笋,石永生,汪渤,周志强,王海罗.  北京理工大学学报. 2016(10)
[5]利用多特征判别的烟雾检测方法研究[J]. 史玉坤,仲贞,张德馨,杨金锋.  信号处理. 2015(10)
[6]用两层分类算法进行视频烟雾检测[J]. 仝伯兵,王士同.  计算机科学. 2015(03)
[7]视频检测烟雾的研究现状[J]. 罗胜,Jiang Yuzheng.  中国图象图形学报. 2013(10)



本文编号：3024618