基于膨脹卷積和稠密連接的煙霧識(shí)別方法

程廣濤,鞏家昌,趙洪偉

(1.國(guó)家消防工程技術(shù)研究中心 研發(fā)部,天津 300381; 2.中國(guó)刑事警察學(xué)院 聲像資料檢驗(yàn)技術(shù)系,沈陽(yáng) 110854;3.應(yīng)急管理部天津消防研究所 研發(fā)部,天津 300381)

0 概述

在社會(huì)生產(chǎn)和日常生活中,火災(zāi)作為重要隱患一直威脅著人們的生命和財(cái)產(chǎn)安全。隨著科技水平的迅猛發(fā)展,如何防火和有效救援成為消防救援管理部門和社會(huì)單位必須加以重視的研究課題。煙霧作為火災(zāi)發(fā)生的早期信號(hào),其檢測(cè)成為火災(zāi)早期預(yù)警的主要技術(shù)手段。視頻圖像傳感器的日益普及和計(jì)算機(jī)視覺技術(shù)的不斷進(jìn)步,使得基于視頻圖像的煙霧檢測(cè)算法得到迅速發(fā)展[1]。

對(duì)于煙霧圖像識(shí)別的研究主要集中在煙霧圖像特征的準(zhǔn)確描述。局部二值化模型(Local Binary Pattern,LBP)常被用于描述煙霧圖像的紋理特征[2],其通過建模中心像素和周圍像素的局部變化規(guī)律來刻畫煙霧特征。文獻(xiàn)[3]為提取煙霧圖像每個(gè)通道的LBP特征,提出基于多通道LBP特征編碼的煙霧識(shí)別方法(MCLBP)。為進(jìn)一步描述煙霧圖像運(yùn)動(dòng)的時(shí)域信息,文獻(xiàn)[4]提出LBP特征的擴(kuò)展VLBP方法。文獻(xiàn)[5]通過一種基于Gabor濾波的層級(jí)結(jié)構(gòu),實(shí)現(xiàn)多尺度、多方向的多層紋理特征表達(dá),以提高煙霧識(shí)別的綜合效果。文獻(xiàn)[6]結(jié)合聚合Gabor核和局部二值模式(LAGBP)增強(qiáng)煙霧識(shí)別性能。為了描述煙霧圖像的模糊特征,文獻(xiàn)[7]使用小波能量高頻信號(hào)變化刻畫煙霧飄散規(guī)律,文獻(xiàn)[8]結(jié)合煙霧的模糊特征和運(yùn)動(dòng)特征,應(yīng)用小波變換和稀疏光流進(jìn)行煙霧識(shí)別。上述方法提取的煙霧圖像特征魯棒性較差,會(huì)隨著應(yīng)用環(huán)境的變化而發(fā)生改變。

近年來,深度卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network,CNN)在計(jì)算機(jī)視覺任務(wù)中取得了優(yōu)異的結(jié)果,其原因在于CNN只需根據(jù)原始圖像數(shù)據(jù)就能自動(dòng)學(xué)習(xí)到豐富的圖像特征,包括低階的邊緣、紋理等特征和高階的抽象特征。文獻(xiàn)[9]利用AlexNet網(wǎng)絡(luò)[10]直接將煙霧圖像原始數(shù)據(jù)作為分類器的輸入進(jìn)行端到端訓(xùn)練,避免復(fù)雜的預(yù)處理過程。文獻(xiàn)[11]對(duì)經(jīng)典深度卷積神經(jīng)網(wǎng)絡(luò)在煙霧識(shí)別任務(wù)上的性能進(jìn)行對(duì)比分析,發(fā)現(xiàn)具有Inception結(jié)構(gòu)的深度網(wǎng)絡(luò)性能更優(yōu)。文獻(xiàn)[12]利用14層的深度規(guī)范和卷積神經(jīng)網(wǎng)絡(luò)(Deep Normalization and Convolutional Neural Network,DNCNN)進(jìn)行煙霧圖像特征提取和分類,其檢測(cè)率較高而誤報(bào)率較低。文獻(xiàn)[13]在傳統(tǒng)的卷積神經(jīng)網(wǎng)絡(luò)中引入批量歸一化層和輕量級(jí)卷積結(jié)構(gòu),同時(shí)提取網(wǎng)絡(luò)中不同卷積層的特征圖進(jìn)行聯(lián)合訓(xùn)練。文獻(xiàn)[14]借助Inception設(shè)計(jì)框架提出深度多尺度卷積神經(jīng)網(wǎng)絡(luò)(Deep Multi-scale Convolutional Neural Network,DMCNN),其采取不同大小的卷積核進(jìn)行并行卷積操作和拼接,利用更小的深度學(xué)習(xí)模型達(dá)到了更好的識(shí)別效果。深度卷積神經(jīng)網(wǎng)絡(luò)中的小卷積核設(shè)計(jì)限制了卷積核的感受野,不利于煙霧圖像的全局特征提取。盡管池化層可以擴(kuò)大卷積核的感受野,但煙霧圖像分辨率較小,池化層的應(yīng)用會(huì)造成相對(duì)較大的信息損失。

由于圖像中的煙霧屬于非剛體目標(biāo),其隨著燃燒材料、應(yīng)用環(huán)境的變化,會(huì)呈現(xiàn)多種特征模式,因此考慮煙霧圖像的全局特征有助于改善煙霧識(shí)別的性能。本文提出一種基于膨脹卷積和稠密連接的煙霧識(shí)別方法DDCNN。利用膨脹卷積擴(kuò)大卷積核的感受野,使卷積核可以監(jiān)控更廣泛的煙霧區(qū)域。在卷積層之間進(jìn)行稠密連接,以增強(qiáng)信息流通和特征重利用,促使煙霧圖像的全局特征和局部特征有效結(jié)合。在此基礎(chǔ)上構(gòu)造深度卷積神經(jīng)網(wǎng)絡(luò),并在訓(xùn)練樣本和標(biāo)簽的凸組合上進(jìn)行訓(xùn)練,以增強(qiáng)模型的泛化能力。

1 膨脹卷積結(jié)構(gòu)

膨脹卷積最初應(yīng)用于小波分解問題[15]。為了解決圖像分割任務(wù)中池化層導(dǎo)致的圖像空域信息損失問題,文獻(xiàn)[16]利用膨脹卷積代替池化操作以擴(kuò)大卷積核的感受野,提升圖像分割任務(wù)的準(zhǔn)確率。

(1)

其中,f[i]是輸入信號(hào),g[i]是輸出信號(hào),h[l]表示長(zhǎng)度為L(zhǎng)的濾波,r表示用于對(duì)f[i]采樣的膨脹因子。當(dāng)r=1時(shí),式(1)表示普通卷積。

在處理2維圖像數(shù)據(jù)時(shí),通過在卷積核間插入“洞”來實(shí)現(xiàn)膨脹卷積,即在卷積核相鄰數(shù)值之間插入r-1個(gè)零值。對(duì)于大小為k×k的卷積濾波,膨脹后的卷積濾波大小為kd×kd,其中,kd=k+(k-1)·(r-1)。通過改變膨脹因子,膨脹卷積可以利用相同大小的卷積核去感知更廣泛的圖像區(qū)域。膨脹卷積示例如圖1所示。

圖1 卷積核大小為3×3的膨脹卷積示意圖

在深度卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)中,很多研究者采取VGG網(wǎng)絡(luò)[17]中的3×3小卷積結(jié)構(gòu),通過堆疊3個(gè)3×3卷積核來代替7×7卷積核,堆疊2個(gè)3×3卷積核來代替5×5卷積核,在保證具有相同感受野的條件下,采用多層非線性層增加網(wǎng)絡(luò)深度以確保學(xué)習(xí)到更復(fù)雜的特征模式,進(jìn)而提升深度卷積神經(jīng)網(wǎng)絡(luò)的效果。同時(shí),通過堆疊小卷積核替換大卷積核也可以減少深度模型的參數(shù)量。

在煙霧識(shí)別任務(wù)中,圖像中的煙霧屬于非剛體,隨著燃燒物、光照條件、應(yīng)用場(chǎng)景的變化而呈現(xiàn)眾多形態(tài),導(dǎo)致煙霧圖像的局部特征通常呈現(xiàn)較弱的魯棒性。因此,在深度卷積過程中增大卷積核的感受野,有助于獲得煙霧圖像的全局特征,進(jìn)而增強(qiáng)煙霧識(shí)別的性能。簡(jiǎn)單地堆疊3個(gè)普通3×3卷積核可以達(dá)到7×7的感受野,為了擴(kuò)大卷積核的感受野,本文依次堆疊r=1、r=2和r=5的膨脹卷積替換普通卷積,如圖2所示,使膨脹卷積的感受野擴(kuò)大到19×19,對(duì)圖像中更加廣泛的區(qū)域進(jìn)行感知。

圖2 稠密膨脹卷積結(jié)構(gòu)塊

2 稠密連接

稠密卷積網(wǎng)絡(luò)(Dense Convolutional Network,DenseNet)[18]的提出增強(qiáng)了信息和梯度在深度卷積神經(jīng)網(wǎng)絡(luò)中的傳輸效率。DenseNet利用卷積層間的稠密連接促進(jìn)特征重利用,同時(shí)通過學(xué)習(xí)更少的參數(shù)來緩解特征冗余問題。鑒于DenseNet的特點(diǎn),本文對(duì)膨脹卷積結(jié)構(gòu)設(shè)計(jì)稠密連接機(jī)制,如圖2(b)所示?？梢钥闯?當(dāng)前層的輸入來自之前所有層,可有效地增強(qiáng)特征流通,促進(jìn)圖像中煙霧數(shù)據(jù)局部特征和全局特征的有效融合,進(jìn)而提升煙霧識(shí)別性能。

具體地,xi表示第i層特征圖,第K卷積層的輸入來自所有前面的特征圖xK=HK([x0,x1,…,xK-1]),其中,[x0,x1,…,xK-1]表示特征圖的拼接融合,H(·)表示卷積操作。本文稠密膨脹結(jié)構(gòu)的詳細(xì)信息如表1所示,輸入的特征圖尺寸為m×m×c,輸出的特征圖尺寸為m×m×(c+3d)。其中,d表示特征圖生長(zhǎng)因子,本文d值取為12。

表1 稠密膨脹卷積結(jié)構(gòu)詳細(xì)信息

3 稠密膨脹卷積神經(jīng)網(wǎng)絡(luò)

本文通過堆疊稠密膨脹網(wǎng)絡(luò)結(jié)構(gòu)得到用于煙霧識(shí)別的深層卷積神經(jīng)網(wǎng)絡(luò)DDCNN,如圖3所示。輸入的煙霧圖像分辨率為48像素×48像素×3像素,首先經(jīng)過一個(gè)普通的3×3×24卷積運(yùn)算。依次利用3個(gè)稠密膨脹卷積結(jié)構(gòu)提取煙霧圖像特征,為了保證膨脹卷積處理時(shí)前后特征圖的分辨率不變,在卷積運(yùn)算時(shí)對(duì)特征圖上下左右擴(kuò)充s個(gè)元素,s的取值與膨脹率r保持一致。為了減少模型參數(shù),在相鄰2個(gè)稠密膨脹結(jié)構(gòu)之間設(shè)計(jì)壓縮層,實(shí)現(xiàn)特征圖分辨率和通道數(shù)目同時(shí)壓縮。壓縮層采取卷積核為1×1、滑動(dòng)步長(zhǎng)為2的卷積運(yùn)算,使得特征圖通道數(shù)壓縮為原來的1/2,特征圖分辨率壓縮為原來的1/4。然后對(duì)特征圖進(jìn)行全局池化操作,全局池化層由于無參操作可緩解過擬合問題,對(duì)于圖像的平移也具有更強(qiáng)的魯棒性,因此全局池化層更適用于圖像數(shù)據(jù)不充分的煙霧識(shí)別任務(wù)。最后利用Sigmoid函數(shù)對(duì)煙霧圖像進(jìn)行二分類判斷,輸出各類別的置信度。在整個(gè)深度神經(jīng)網(wǎng)絡(luò)中,在每個(gè)卷積運(yùn)算后附加BN規(guī)范化和ReLu非線性激活函數(shù)。

圖3 稠密膨脹卷積神經(jīng)網(wǎng)絡(luò)示意圖

4 訓(xùn)練數(shù)據(jù)混合增強(qiáng)

為保證深度卷積神經(jīng)網(wǎng)絡(luò)的性能,需要龐大的圖像數(shù)據(jù)集作為支撐。煙霧圖像識(shí)別任務(wù)中的問題之一是煙霧圖像訓(xùn)練數(shù)據(jù)不充分,導(dǎo)致訓(xùn)練的網(wǎng)絡(luò)模型泛化能力差,即模型只記憶少量的訓(xùn)練數(shù)據(jù)而產(chǎn)生過好的訓(xùn)練效果,當(dāng)測(cè)試數(shù)據(jù)分布與訓(xùn)練數(shù)據(jù)略有不同時(shí),測(cè)試效果較差。目前,多數(shù)研究者采取數(shù)據(jù)增強(qiáng)技術(shù)改善模型的泛化能力,但這個(gè)過程依賴于數(shù)據(jù)集,并且數(shù)據(jù)增強(qiáng)假定領(lǐng)域內(nèi)樣本都屬于同一類,沒有對(duì)不同類的不同樣本之間的領(lǐng)域關(guān)系進(jìn)行建模。文獻(xiàn)[19]為了增強(qiáng)訓(xùn)練樣本之間的線性表達(dá),使離散的訓(xùn)練數(shù)據(jù)分布空間近似連續(xù),提出MixUp數(shù)據(jù)增強(qiáng)方法以提升當(dāng)前神經(jīng)網(wǎng)絡(luò)的泛化能力。MixUp在成對(duì)樣本及其標(biāo)簽的凸組合上訓(xùn)練神經(jīng)網(wǎng)絡(luò),其構(gòu)建的虛擬訓(xùn)練樣本如下:

2)截割頭運(yùn)動(dòng)視覺測(cè)試。截割頭運(yùn)動(dòng)情況下的視覺性能測(cè)試是檢驗(yàn)可視化輔助截割系統(tǒng)可靠性的重要部分。同樣地，每100 ms采集1張圖片，首先保持截割頭垂直方向不動(dòng)，然后操作掘進(jìn)機(jī)截割頭勻速?gòu)淖钣覕[動(dòng)到最左邊?；剞D(zhuǎn)角測(cè)試結(jié)果如圖11a 所示。

(2)

其中,(xi,yi)和(xj,yj)是從訓(xùn)練數(shù)據(jù)中隨機(jī)抽取的兩個(gè)樣本,λ服從于Beta(α,α)分布,α∈(0,∞)。本文實(shí)驗(yàn)設(shè)置α=1,此時(shí)λ服從于均值為0.5的均勻分布。圖4給出混合增強(qiáng)后的數(shù)據(jù)示例。

圖4 MixUp數(shù)據(jù)處理示例

5 實(shí)驗(yàn)驗(yàn)證

本文使用Pytorch深度學(xué)習(xí)框架構(gòu)建和訓(xùn)練DDCNN網(wǎng)絡(luò)。實(shí)驗(yàn)在Windows10操作系統(tǒng)環(huán)境下進(jìn)行,PC機(jī)配置主頻為3.40 GHz的i7-3700 CPU處理器,16 GB的RAM和Nvidia GTX 1080Ti GPU顯卡。每次迭代大約需要11 s以訓(xùn)練DDCNN。

5.1 模型訓(xùn)練

本文實(shí)驗(yàn)所用的數(shù)據(jù)集由袁非牛教授課題組提供(http://staff.ustc.edu.cn/～yfn/vsd.html),具體信息如表2所示。整個(gè)數(shù)據(jù)集包含24 217張圖像,其中,煙霧圖像5 695張,非煙霧圖像18 522張,分為4個(gè)子數(shù)據(jù)集,分別為Set1、Set2、Set3和Set4。數(shù)據(jù)集中包含黑煙和白煙兩種類型,每種類型都包含濃煙、淡煙等模式。許多非煙霧圖像具有與煙霧圖像非常相似的顏色、形狀和紋理特征,這是發(fā)生誤報(bào)警的主要原因。因此,煙霧識(shí)別任務(wù)中的數(shù)據(jù)難以收集,致使性能優(yōu)異的深度卷積神經(jīng)網(wǎng)絡(luò)模型容易產(chǎn)生過擬合現(xiàn)象。另外,煙霧數(shù)據(jù)的多樣性及其與其他目標(biāo)的相似性,使得測(cè)試數(shù)據(jù)分布和訓(xùn)練數(shù)據(jù)分布易出現(xiàn)偏差,導(dǎo)致訓(xùn)練模型的測(cè)試效果較差。Set3數(shù)據(jù)集和Set4數(shù)據(jù)集包含較多的圖像樣本,實(shí)驗(yàn)中選擇Set3作為訓(xùn)練數(shù)據(jù),Set4作為驗(yàn)證數(shù)據(jù)。規(guī)模相對(duì)較小的Set1和Set2數(shù)據(jù)集用作測(cè)試數(shù)據(jù)。

表2 煙霧圖像數(shù)據(jù)集

本文使用批量梯度下降算法(Batch-SGD)訓(xùn)練深度卷積神經(jīng)網(wǎng)絡(luò)的參數(shù)變量,批量大小設(shè)置為32,動(dòng)量參數(shù)為0.9。初始學(xué)習(xí)率設(shè)置為10-2,對(duì)數(shù)據(jù)集共迭代200次,每經(jīng)過60次將學(xué)習(xí)率除以10。網(wǎng)絡(luò)權(quán)重初始化采用Kaiming初始化方法[20]。如圖5所示,DDCNN大約經(jīng)過75次迭代時(shí),驗(yàn)證集上的損失函數(shù)值降低到0.000 6,準(zhǔn)確率達(dá)到99.53%,并逐漸趨于穩(wěn)定。

圖5 DDCNN算法的驗(yàn)證準(zhǔn)確率與損失值

5.2 模型驗(yàn)證

本文使用檢測(cè)率(Detection Rate,DR)、誤報(bào)率(False Alarm Rate,FAR)和準(zhǔn)確率(Accuracy Rate,AR)作為煙霧識(shí)別方法的量化評(píng)價(jià)指標(biāo),具體計(jì)算過程如下:

(3)

(4)

(5)

其中,Qp和Qn分別表示煙霧樣本和非煙霧樣本的數(shù)目,Pp表示煙霧樣本中被正確檢測(cè)為煙霧的數(shù)目,Np表示非煙霧樣本中被錯(cuò)分為煙霧類別的數(shù)目,Nn表示非煙霧樣本中被正確檢測(cè)為非煙霧的數(shù)目。

根據(jù)上述實(shí)驗(yàn)設(shè)置,將本文DDCNN煙霧識(shí)別網(wǎng)絡(luò)與經(jīng)典的卷積神經(jīng)網(wǎng)絡(luò)AlexNet和VGG16以及其他2種基于卷積神經(jīng)網(wǎng)絡(luò)的煙霧識(shí)別方法DNCNN[13]和DMCNN[15]進(jìn)行比較。對(duì)于AlexNet和VGG16網(wǎng)絡(luò),分別將輸入圖像的分辨率調(diào)整為227像素×227像素和224像素×224像素。對(duì)于基于卷積神經(jīng)網(wǎng)絡(luò)的煙霧識(shí)別方法DNCNN、DMCNN和DDCNN,輸入圖像的分辨率調(diào)整為48像素×48像素。表3給出不同煙霧識(shí)別算法在測(cè)試集Set1和Set2上的實(shí)驗(yàn)結(jié)果,表中加粗?jǐn)?shù)字表示各個(gè)量化指標(biāo)下的最優(yōu)值?？梢钥闯?DDCNN方法在兩個(gè)測(cè)試集上的DR指標(biāo)都達(dá)到最優(yōu)。AlexNet網(wǎng)絡(luò)的FAR指標(biāo)最優(yōu),但是DDCNN方法的DR指標(biāo)和AR指標(biāo)高于AlexNet。DDCNN在Set2測(cè)試集上的AR值略低于DMCNN,但DDCNN的模型大小只有0.34 MB,大約是DMCNN模型大小的1/3。當(dāng)煙霧圖像識(shí)別應(yīng)用于視頻圖像火災(zāi)早期報(bào)警相關(guān)系統(tǒng)時(shí),從實(shí)際應(yīng)用角度考慮,需將誤報(bào)率控制在可接受的范圍內(nèi),取得更高檢測(cè)率DR的算法意味著對(duì)火災(zāi)的漏檢率更低,具有更高的應(yīng)用價(jià)值。

表3 5種方法的煙霧識(shí)別結(jié)果對(duì)比

5.3 消融實(shí)驗(yàn)

為了闡述DDCNN網(wǎng)絡(luò)中膨脹卷積和稠密連接在煙霧識(shí)別任務(wù)中的必要性,設(shè)計(jì)如下2個(gè)消融實(shí)驗(yàn):

1)膨脹卷積的作用驗(yàn)證

膨脹卷積在DDCNN中的作用是擴(kuò)大卷積核的感受野,進(jìn)而增強(qiáng)卷積核對(duì)煙霧圖像全局特征的提取。為了說明煙霧圖像全局特征的重要性,在DDCNN結(jié)構(gòu)中,簡(jiǎn)單地堆疊3個(gè)普通3×3卷積替換圖2(b)所示的膨脹卷積結(jié)構(gòu),保持卷積層之間的稠密連接不變,將構(gòu)成的深度卷積神經(jīng)網(wǎng)絡(luò)標(biāo)記為DDCNN_Dil。從表4的實(shí)驗(yàn)結(jié)果看出,使用普通卷積,在Set1和Set2測(cè)試集上的檢測(cè)率DR指標(biāo)具有較大幅度的下降,在Set1上DR由96.38%降低到93.48%,在Set2上DR由96.07%降低到92.44%。因此,通過增加卷積核的感受野可提取煙霧圖像的全局特征,有利于改善煙霧圖像的識(shí)別性能。

2)稠密連接的作用驗(yàn)證

稠密連接的作用是增強(qiáng)特征圖間額信息流通和特征重利用,使得煙霧圖像的局部特征和全局特征有效結(jié)合。為了驗(yàn)證稠密連接有助于提升煙霧識(shí)別性能,在DDCNN結(jié)構(gòu)中,去掉特征圖間的稠密連接,利用圖2(a)所示的膨脹卷積結(jié)構(gòu)替代圖2(b)所示的稠密膨脹卷積結(jié)構(gòu),由此堆疊而成的深度卷積神經(jīng)網(wǎng)絡(luò)標(biāo)記為DDCNN_Den。從表4的實(shí)驗(yàn)結(jié)果可以看出,刪除稠密連接后,煙霧識(shí)別性能下降。在Set1和Set2測(cè)試集上,DR指標(biāo)分別下降了0.73%和0.88%,AR指標(biāo)分別下降了0.29%和0.40%。因此,通過稠密連接實(shí)現(xiàn)特征重利用有助于增強(qiáng)數(shù)據(jù)信息流通,進(jìn)而提升模型對(duì)煙霧圖像的識(shí)別能力。

表4 3種方法的消融實(shí)驗(yàn)結(jié)果對(duì)比

5.4 數(shù)據(jù)增強(qiáng)

煙霧圖像識(shí)別任務(wù)中的問題之一是圖像數(shù)據(jù)的不充分和多變性,深度卷積神經(jīng)網(wǎng)絡(luò)容易過分記住訓(xùn)練集中出現(xiàn)的數(shù)據(jù),測(cè)試數(shù)據(jù)分布一旦與訓(xùn)練數(shù)據(jù)稍有不同,就會(huì)導(dǎo)致訓(xùn)練模型的識(shí)別能力降低。

在圖像識(shí)別任務(wù)中,通常使用數(shù)據(jù)增強(qiáng)技術(shù)處理上述問題。數(shù)據(jù)增強(qiáng)一般通過對(duì)訓(xùn)練樣本進(jìn)行翻轉(zhuǎn)、旋轉(zhuǎn)、平移等幾何變換達(dá)到擴(kuò)充訓(xùn)練數(shù)據(jù)集的目的,進(jìn)而改善深度訓(xùn)練模型的泛化能力。本文對(duì)訓(xùn)練數(shù)據(jù)集Set3中的所有圖像數(shù)據(jù)進(jìn)行水平翻轉(zhuǎn)和垂直翻轉(zhuǎn)增強(qiáng),DDCNN在增強(qiáng)后數(shù)據(jù)集上的性能如表5中的DDCNN_Fli行所示。實(shí)驗(yàn)結(jié)果表明,擴(kuò)大訓(xùn)練煙霧圖像規(guī)模后,在各個(gè)量化指標(biāo)上都略有提升。數(shù)據(jù)增強(qiáng)技術(shù)對(duì)每一個(gè)圖像單獨(dú)進(jìn)行處理,并沒有針對(duì)不同圖像之間的關(guān)系進(jìn)行建模,對(duì)于離散分布的訓(xùn)練數(shù)據(jù)而言并沒有達(dá)到連續(xù)分布的近似。MixUp與常見的數(shù)據(jù)增強(qiáng)技術(shù)不同,直接根據(jù)訓(xùn)練圖像對(duì)建立樣本和標(biāo)簽的凸組合訓(xùn)練深度神經(jīng)網(wǎng)絡(luò),導(dǎo)致訓(xùn)練模型的泛化能力更強(qiáng)。如表5中的DDCNN_Mix行所示,對(duì)訓(xùn)練數(shù)據(jù)進(jìn)行MixUp處理之后,在Set1和Set2測(cè)試集上,DR指標(biāo)分別提高了0.86%和1.06%。與上述的水平翻轉(zhuǎn)和垂直翻轉(zhuǎn)數(shù)據(jù)增強(qiáng)結(jié)果相比,除了FAR指標(biāo)略差之外,其他DR和AR指標(biāo)都有提升。

表5 3種方法的數(shù)據(jù)增強(qiáng)實(shí)驗(yàn)結(jié)果對(duì)比

5.5 與傳統(tǒng)方法比較

為了展示利用深度卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行煙霧識(shí)別的優(yōu)勢(shì),將DDCNN方法與傳統(tǒng)基于紋理特征的煙霧識(shí)別方法MCLBP[3]和LAGBP[6]進(jìn)行比較,結(jié)果如表6所示。與MCLBP方法相比較,DDCNN方法在Set1和Set2測(cè)試集上的DR、AR和FAR指標(biāo)都更有優(yōu)勢(shì)。LAGBP方法在2個(gè)測(cè)試集上的FAR性能都達(dá)到最優(yōu),但DR指標(biāo)低于DDCNN方法。如上所述,在FAR達(dá)到可接受的范圍內(nèi),DR指標(biāo)更高的煙霧識(shí)別方法更能滿足消防報(bào)警需求,具有更好的應(yīng)用價(jià)值。

表6 本文方法與2種傳統(tǒng)方法的實(shí)驗(yàn)結(jié)果對(duì)比

6 結(jié)束語(yǔ)

為充分考慮煙霧圖像的全局特征,本文提出一種基于膨脹卷積和稠密連接的煙霧識(shí)別方法。通過堆疊不同膨脹因子的膨脹卷積,擴(kuò)大卷積核的感受野,獲得全局的煙霧圖像區(qū)域特征。在膨脹卷積層之間進(jìn)行稠密連接,實(shí)現(xiàn)特征重利用和信息流通,增強(qiáng)煙霧圖像局部特征和全局特征的有效結(jié)合?；谂蛎浘矸e結(jié)構(gòu)和稠密連接機(jī)制,構(gòu)造深度卷積神經(jīng)網(wǎng)絡(luò),并利用MixUp方法促使離散分布的訓(xùn)練數(shù)據(jù)近似連續(xù)分布,完成深度網(wǎng)絡(luò)在成對(duì)樣本和標(biāo)簽的凸組合上的訓(xùn)練。在公開數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果表明,該方法訓(xùn)練的模型大小僅0.34 MB,其在Set1和Set2測(cè)試集上的檢測(cè)率最高可達(dá)97.24%和98.01%,驗(yàn)證了DDCNN方法的有效性。后續(xù)將研究幾何變換、生成對(duì)抗網(wǎng)絡(luò)等數(shù)據(jù)增強(qiáng)方式,以提高煙霧識(shí)別的準(zhǔn)確率。