采用卷积神经网络的烟火智能识别算法

陈金鹏， 孙浩, 2, 3， 东辉, 2， 范龙翔, 4， 李晨， 姚立纲, 2

(1. 福州大学机械工程及自动化学院， 福建 福州 350108; 2. 福建省高端装备制造协同创新中心， 福建 福州 350001;3. 福州大学智能制造仿真研究院， 福建 福州 350108; 4. 福建(泉州)哈尔滨工业大学工程技术研究院， 福建 泉州 362011)

0 引言

常规烟火识别通常借助传感器， 检测火焰燃烧导致的颗粒物浓度、 温度等理化参数变化. 尽管传统检测方法及相应的商业化传感器已广泛应用， 但在方法的智能化、 覆盖面和成本等方面仍有待创新. 基于深度学习的烟火检测具有智能程度高、 覆盖面广、 成本低和抗干扰性强等优点. 在实际应用中， 普通相机即可实现烟火形态的高精度识别与检测， 在野外等特殊工况中具有重要应用价值.

基于深度学习图像识别算法能自我学习和有效提取复杂图像特征， 且很多时候比手工筛选特征更能表达事物本质. 文献[4]通过分别使用Dense-SIFT字典学习、 深度学习和传统方法， 对楼宇等高大空间烟火检测效果进行对比. 其结果表明， 所用深度学习算法在隐层不多的情况下， 达到甚至超过传统算法效果. 其他相关研究工作[5-7]分别使用AlexNet、 GoogleNet、 VGG、 Inception、 ResNet最新模型， 对早期火焰与烟雾进行识别； 其识别精度相较于一般传统算法得到较大提高， 但工作重点是烟火图像分类， 而未给出烟火目标检测解决方案.

本研究提出基于深度学习烟火检测方法， 使用YOLOv3把目标检测问题转化为回归问题， 对网络结构与损失函数进行改进， 预测边界框可……