煙霧檢測(cè)作為火災(zāi)預(yù)警的先驗(yàn)技術(shù)手段,對(duì)于現(xiàn)代智能消防系統(tǒng)至關(guān)重要。然而煙霧圖像場(chǎng)景模糊,背景復(fù)雜多變,實(shí)現(xiàn)快速準(zhǔn)確的煙霧檢測(cè)識(shí)別一直是學(xué)者們的研究目標(biāo)。隨著計(jì)算機(jī)視覺與圖像處理技術(shù)的快速發(fā)展,近年來不斷涌現(xiàn)出基于深度學(xué)習(xí)的煙霧檢測(cè)檢測(cè)算法。相較于傳統(tǒng)的點(diǎn)式傳感器預(yù)警系統(tǒng),其在準(zhǔn)確率和應(yīng)用范圍上取得了突破性的進(jìn)展,為火災(zāi)預(yù)警提供了可靠的技術(shù)保障。盡管當(dāng)前的煙霧檢測(cè)算法在準(zhǔn)確率上取得了一定的成績(jī),但不容樂觀的是,大多數(shù)算法存在計(jì)算復(fù)雜度高、耗時(shí)較長(zhǎng)、誤報(bào)率和漏報(bào)率居高不下等問題。本文由此對(duì)煙霧檢測(cè)算法的優(yōu)化進(jìn)行了一系列探索研究。論文提出了一種端到端的輕量級(jí)卷積網(wǎng)絡(luò)SInception,該網(wǎng)絡(luò)首先對(duì)GoogLeNet中的Inception結(jié)構(gòu)進(jìn)行調(diào)整,在保留低計(jì)算量特性的同時(shí)提高煙霧檢測(cè)準(zhǔn)確率,隨后針對(duì)Sequeeze-and-Excitation block進(jìn)行優(yōu)化,將其與調(diào)整后的SInception結(jié)構(gòu)結(jié)合,對(duì)特征圖中的通道權(quán)重進(jìn)行自動(dòng)分配,幫助網(wǎng)絡(luò)提高特征表達(dá)能力。論文利用數(shù)據(jù)集YUAN進(jìn)行訓(xùn)練,該算法檢測(cè)準(zhǔn)確率達(dá)到98.68%,檢測(cè)率為96.94%,誤檢率為0,檢測(cè)速度僅為0.2ms... 

【文章來源】：西南交通大學(xué)四川省 211工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：73 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

LeNet-5卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

2.2.1 VGGNet2014 年 牛 津 大 學(xué) 計(jì) 算 機(jī) 視 覺 組 和 Google DeepMind 公 司 共 同 研 發(fā) 出VGGNet(Visual Geometry Group)[18]，通過重復(fù)堆疊若干個(gè) 3×3 卷積內(nèi)核和 2×2 的最大池化層，成功構(gòu)建出 16~19 層的深度卷積神經(jīng)網(wǎng)絡(luò)。實(shí)驗(yàn)證明了卷積神經(jīng)網(wǎng)絡(luò)的深度增加和小卷積核的使用能夠有效提升網(wǎng)絡(luò)的最終分類識(shí)別效果，錯(cuò)誤率大大降低，可擴(kuò)展性非常強(qiáng)，并且遷移到其它圖像樣本時(shí)也表現(xiàn)出良好的魯棒性。VGGNet 的網(wǎng)絡(luò)結(jié)構(gòu)第一次在接近輸入層的卷積層中使用了 3×3 的卷積，之前的LeNet 相信大的卷積核能夠提取圖像中相似的特征，因此在網(wǎng)絡(luò)底層使用了 9×9 或 11×11 的大卷積核。VGG 網(wǎng)絡(luò)中使用多個(gè) 3×3 的卷積核來模擬大卷積核對(duì)樣本的局部感知，該操作最突出的優(yōu)點(diǎn)在于可以大規(guī)模減少參數(shù)，例如 9×9 的卷積核需要 81 個(gè)權(quán)重參數(shù)，而 3×3 的卷積核只需要 9 個(gè)權(quán)重參數(shù)。參數(shù)減少，運(yùn)算時(shí)間也會(huì)成比例減少。之后的 GoogleNet，ResNet 等網(wǎng)絡(luò)也借鑒了這一思想。圖 2-2 為 VGGNet 的網(wǎng)絡(luò)結(jié)構(gòu)。

圖 2-3 Inception 基本結(jié)構(gòu)[19]圖 2-3 顯示了 Inception 基本組成單元，它將深度卷積神經(jīng)網(wǎng)絡(luò)中常用的卷積(1×1，3×3，5×5)、池化操作(3×3)結(jié)合在一起。這樣設(shè)計(jì) Inception 網(wǎng)絡(luò)結(jié)構(gòu)的優(yōu)點(diǎn)在于：網(wǎng)絡(luò)能夠?qū)W習(xí)到輸入樣本的所有特征，同時(shí) 5x5 的卷積層也能夠覆蓋大部分輸入層，最后進(jìn)行的池化操作主要用于減小空間并降低過度擬合。但是這樣的結(jié)構(gòu)堆疊了一個(gè)池化層和三個(gè)卷積層，使得模塊整體的計(jì)算量大幅度增加，處理速度相對(duì)較慢，還可能引起梯度爆炸。因此 Szegedy 修改了內(nèi)部計(jì)算邏輯

【參考文獻(xiàn)】：
期刊論文
[1]基于深度學(xué)習(xí)的煙霧識(shí)別研究[J]. 王濤,宮寧生,蔣貴祥.  電子技術(shù)應(yīng)用. 2018(10)
[2]視頻煙霧檢測(cè)研究進(jìn)展[J]. 史勁亭,袁非牛,夏雪.  中國(guó)圖象圖形學(xué)報(bào). 2018(03)
[3]基于級(jí)聯(lián)卷積神經(jīng)網(wǎng)絡(luò)的視頻動(dòng)態(tài)煙霧檢測(cè)[J]. 陳俊周,汪子杰,陳洪瀚,左林翼.  電子科技大學(xué)學(xué)報(bào). 2016(06)
[4]基于顏色增強(qiáng)變換和MSER檢測(cè)的煙霧檢測(cè)算法[J]. 李筍,石永生,汪渤,周志強(qiáng),王海羅.  北京理工大學(xué)學(xué)報(bào). 2016(10)
[5]利用多特征判別的煙霧檢測(cè)方法研究[J]. 史玉坤,仲貞,張德馨,楊金鋒.  信號(hào)處理. 2015(10)
[6]用兩層分類算法進(jìn)行視頻煙霧檢測(cè)[J]. 仝伯兵,王士同.  計(jì)算機(jī)科學(xué). 2015(03)
[7]視頻檢測(cè)煙霧的研究現(xiàn)狀[J]. 羅勝,Jiang Yuzheng.  中國(guó)圖象圖形學(xué)報(bào). 2013(10)



本文編號(hào)：3024618