(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210507716.5 (22)申请日 2022.05.11 (71)申请人 北京花兰 德科技咨询服 务有限公司 地址 102200 北京市昌平区七北路42号院2 号楼C座6 08 (72)发明人 董燊　贾奕斐　洪晓宇　梁晓良　 陈浩楠　 (74)专利代理 机构 北京春江专利商标代理事务 所(普通合伙) 11835 专利代理师 曹洁 (51)Int.Cl. G06V 20/52(2022.01) G06V 10/82(2022.01) G06V 10/80(2022.01) G06V 10/40(2022.01)G06V 10/25(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于神经网络的园区可燃物识别方法及系 统 (57)摘要 本发明提供一种基于神经网络的园区可燃 物识别方法及系统， 属于智能识别技术领域。 该 方法包括： 获取园区监控设备采集到的图像； 利 用第一神经网络模型对所述图像进行特征提取 处理， 输出所述图像的特征图； 利用第二神经网 络模型对所述特征图进行识别， 识别出感兴趣区 域， 并基于所述感兴趣区域进行可燃物识别， 所 述第一神经网络模型包括卷积层、 全 连接层和输 出层， 所述第二神经网络模型包括卷积层、 池化 层、 全连接层、 分类层和输 出层。 本发明通过智能 识别园区内的可燃物， 从而可以实现火灾的预测 和预防， 从源头上避免火灾的发生。 权利要求书2页 说明书8页 附图2页 CN 114898289 A 2022.08.12 CN 114898289 A 1.一种基于神经网络的园区可燃物 识别方法， 其特 征在于， 包括以下步骤： 获取园区监控设备采集到的图像； 利用第一神经网络模型对所述图像进行 特征提取处 理， 输出所述图像的特 征图； 利用第二神经网络模型对所述特征图进行识别， 识别出感兴趣区域， 并基于所述感兴 趣区域进 行可燃物识别， 所述第一神经网络模型包括卷积层、 全连接层和输出层， 所述第二 神经网络模型包括卷积层、 池化层、 全连接层、 分类层和输出层。 2.根据权利要求1所述的方法， 其特征在于， 所述利用第 二神经网络模型对所述特征图 进行识别之前， 还 包括： 构建用于可燃物 识别的神经网络结构搜索空间； 训练面向可燃物 识别的超网络模型； 使用进化 算法在所述超网络模型 上搜索最优神经网络结构； 将所述最优神经网络结构作为所述第二神经网络模型的网络结构。 3.根据权利要求2所述的方法， 其特征在于， 所述将所述最优神经网络结构作为所述第 二神经网络模型的网络结构之后， 还 包括： 将训练图像样本经过所述第一神经网络提取到的样本特征图输入至所述第二神经网 络模型， 输出分类概 率图； 通过集中性损失函数计算所述分类概率图与金标准的误差， 并通过梯度后向传播方 法， 获得所述第二神经网络模型的改进的权 重参数。 4.根据权利要求1所述的方法， 其特征在于， 还包括利用第 三神经网络识别出可燃物的 预警等级， 第三神经网络包括： 输入层、 隐含层、 求和层和竞争层， 其中， 入层包括初级输入 层、 差分层和归一 化层， 所述初级输入层可燃物温度时间序列数据X1＝[X11 X21  …  XN1]T； 所述变形层用于对输入层的神经 元进行变形， 变形矩阵用下式表示： 式中， ΔXn1＝Xn1‑X(n‑1)1， 指当温度数据和前次温度数据的差； 归一化层用于对变形矩阵利用归一化系数矩阵对变形向量进行归一化处理， 得到归一 化矩阵， 归一 化系数矩阵如下式： 归一化矩阵如下式： Z＝Y·δ 将归一化矩阵输入到第三神经网络的隐含层， 隐含层中利用标准差σ ＝0.1的高斯函数 将神经元激活， 得到初始概 率矩阵如下式：权　利　要　求　书 1/2 页 2 CN 114898289 A 2式中， Znm为归一化矩阵Z中第m个样 本量的第n个值， Cm为高斯 函数的中心点； 求和层通过 下式求出待识别可燃物属于求和层中的哪个预警等级： 式中ωmk为隐含层神经元与求和层神经元之间的互相关系数， 由训练 数据反复训练确定 。 5.根据权利要求 4所述的方法， 其特 征在于， 所述第二神经网络模型包括： 可变形编码器和具有重构上采样结构的解码器网络， 所述可变形编码器的组成依次包 括输入层、 第一可变形卷积层、 第二可变形卷积层、 第一最大池化层、 第三可变形卷积层、 第 四可变形卷积层、 第二最大池化层、 第五可变形卷积层、 第六可变形卷积层、 第三最大池化 层、 第七可变形 卷积层、 第八可变形 卷积层、 第四最大池化层、 第九可变形 卷积层； 具有重构上采样结构的解码器网络包括第一常规卷积层、 第一重构上采样层、 第二常 规卷积层、 第三常规卷积层、 第二重构上采样层、 第四常规卷积层、 第五常规卷积层、 第三重 构上采样层、 第六常规卷积层、 第七常规卷积层、 第四重构上采样层、 第八常规卷积层、 第九 常规卷积层、 第十常规卷积层即输出层； 第一常规卷积层与第九可变形卷积层连接， 第一重 构上采样层与第八可变形卷积层进行拼接， 第二重构上采样层与第六可变形卷积层进 行拼 接， 第三重构上采样层与第四可变形卷积层进行拼接， 第四重构上采样层与第二可变形卷 积层进行拼接； 在每 个可变形 卷积层和常规卷积层的激活函数之前， 均加入组标准 化。 6.根据权利要求3所述的方法， 其特征在于， 所述利用第 二神经网络模型对所述特征图 进行识别， 识别出感兴趣区域， 并基于所述感兴趣区域进行 可燃物识别， 包括： 对所述感兴趣区域分别 采用M*M的卷积层提取所述感兴趣区域的整体特征、 N*N的卷积 层提取所述感兴趣区域的细节特 征； M＞N； 对所述整体特 征和所述细节特 征进行特征融合， 得到融合特 征； 基于所述融合特 征进行可燃物识别。 7.根据权利要求1所述的方法， 其特征在于， 所述第 二神经网络模型共享所述第 一神经 网络模型的最后一个所述池化层和所述全连接层。 8.一种基于神经网络的园区可燃物 识别系统， 其特 征在于， 包括： 一个或多个处 理器； 存储装置， 用于存 储一个或多个程序； 当所述一个或多个程序被所述一个或多个处理器执行时， 使得所述一个或多个处理器 实现如权利要求1 ‑7中任一所述的方法。权　利　要　求　书 2/2 页 3 CN 114898289 A 3