基于深度学习的烟雾识别研究基于深度学习的烟雾识别研究
基于Google第二代人工智能学习系统TensorFlow构建神经网络对烟雾图像进行识别检测,通过改进的运动检测
算法截取疑似烟雾区域图像,并结合PCA降维算法和Inception Resnet v2网络模型在TensorFlow平台下进行烟
雾特征的训练识别。该算法实现了较大范围的火灾实时检测报警,经过实验证明整个检测过程准确地识别了视
频流中的烟雾区域,相比于传统烟雾识别方法具有更高的准确率和自适应性,为大范围的火灾烟雾报警提供了
一种有效方案。
0 引言引言
火灾对人类社会造成的伤害无可估量,每年都有大量的生命财产因为火灾而蒙受了巨大损失,不同于室内火灾监控技术的
成熟,户外火情由于各种因素的影响为实时监控带来了困难。随着计算机技术的发展和图像识别技术的广泛普及,通过视频监
控智能地进行火情监控将是未来火灾预警的重要手段。由于野外火情具有相当的隐蔽性,直接对火焰检测效果甚微,而对火情
发生时产生的大量烟雾进行检测就成为了一个有效的方案,如何提高烟雾的识别率和效率就成为了当前研究的重点。
近年来众多研究学者在烟雾检测方面做出了许多研究,众多学者提出了许多对于烟雾检测的方法和方案。其中李红娣等
[1]
提
出的采用金字塔纹理和边缘特征的检测方法,王欣刚等
[2]
利用运动检测和小波分析的方法进行检测,袁非牛等
[3]
提出了根据运
动方向进行判断的检测方法。这些方法多为现今烟雾识别领域的主流方法,但是由于此类算法多是基于单一颜色和运动变化等
方面对烟雾检测或需要大量运算难以保证检测的实时性,在复杂环境条件下应用尚有不足,再进行田地里的秸秆焚烧监控时,
由于干扰量多且实时性和准确性要求较高,这种情况下传统方法难以达到预期效果。
深度学习领域近来发展迅猛备受关注,成为了目前各行各业研究的热点,同时国家也对人工智能深度学习方面进行大力扶
持。不久前AlphaGo在围棋上大获全胜更使得深度学习成为了热门话题,深度学习在人工智能
[4]
、语音识别
[5]
和图像识别等方
面都有突出表现,其中在图像识别方面的应用已经较为成熟,通过深度网络抽取目标特征加以识别被广泛应用。因此,本文针
对传统烟雾检测算法的不足,通过深度学习算法对烟雾进行实时监测预警,经过实验验证该算法识别率高具有较好的检测效
果,并且大幅优化了深度学习中由于复杂的神经网络而造成的大量运算,相比于传统图像识别方法有更好的自适应性和灵活
性。
1 视频运动检测视频运动检测
由于在发生火情形成烟雾的情况下烟雾不是静止不动的而是运动状态,因此可以对视频中运动物体进行检测来提取疑似烟
雾目标,但是由于烟雾具有移动缓慢的特点,传统的光流法、帧间插法、背景插法等运动检测算法检测效果不佳。针对这些不
足,本文综合帧插与背景插法结果叠加从而准确有效地检测运动区域。
首先对具有n帧的连续视频片断中全部的n帧进行三帧插处理,即在第i帧与i-1帧、i+1帧这3帧之间做两两帧插,帧插公式如
下: