如何创建用于室内和室外火灾检测的定制InceptionV3和CNN架构

这篇文章主要介绍了如何创建用于室内和室外火灾检测的定制InceptionV3和CNN架构，具有一定借鉴价值，感兴趣的朋友可以参考下，希望大家阅读完这篇文章之后大有收获，下面让小编带着大家一起了解一下。

惠州网站建设公司成都创新互联公司,惠州网站设计制作，有大型网站制作公司丰富经验。已为惠州成百上千家提供企业网站建设服务。企业网站搭建\外贸网站制作要多少钱，请找那个售后服务好的惠州做网站的公司定做！

创建用于室内和室外火灾检测的定制InceptionV3和CNN架构。

 

嵌入式处理技术的最新进展已使基于视觉的系统可以在监视过程中使用卷积神经网络检测火灾。在本文中，两个定制的CNN模型已经实现，它们拥有用于监视视频的高成本效益的火灾检测CNN架构。第一个模型是受AlexNet架构启发定制的基本CNN架构。我们将实现和查看其输出和限制，并创建一个定制的InceptionV3模型。为了平衡效率和准确性，考虑到目标问题和火灾数据的性质对模型进行了微调。我们将使用三个不同的数据集来训练我们的模型。

创建定制的CNN架构

我们将使用TensorFlow API Keras构建模型。首先，我们创建用于标记数据的ImageDataGenerator。[1]和[2]数据集在这里用于训练。最后，我们将提供980张图像用于训练和239张图像用于验证。我们也将使用数据增强。

import tensorflow as tfimport keras_preprocessingfrom keras_preprocessing import imagefrom keras_preprocessing.image import ImageDataGeneratorTRAINING_DIR = "Train"training_datagen = ImageDataGenerator(rescale = 1./255,                                  horizontal_flip=True,                                  rotation_range=30,                                  height_shift_range=0.2,                                  fill_mode='nearest')VALIDATION_DIR = "Validation"validation_datagen = ImageDataGenerator(rescale = 1./255)train_generator = training_datagen.flow_from_directory(TRAINING_DIR,                                         target_size=(224,224),                                        class_mode='categorical',                                         batch_size = 64)validation_generator = validation_datagen.flow_from_directory(                                                VALIDATION_DIR,                                           target_size=(224,224),                                          class_mode='categorical',                                           batch_size= 16)
  
    
  
  
  

在上面的代码中应用了3种数据增强技术，它们分别是水平翻转，旋转和高度移位。

现在，我们将创建我们的CNN模型。该模型包含三对Conv2D-MaxPooling2D层，然后是3层密集层。为了克服过度拟合的问题，我们还将添加dropout层。最后一层是softmax层，它将为我们提供火灾和非火灾两类的概率分布。通过将类数更改为1，还可以在最后一层使用‘Sigmoid’激活函数。

from tensorflow.keras.optimizers import Adammodel = tf.keras.models.Sequential([tf.keras.layers.Conv2D(96, (11,11), strides=(4,4), activation='relu', input_shape=(224, 224, 3)), tf.keras.layers.MaxPooling2D(pool_size = (3,3), strides=(2,2)),tf.keras.layers.Conv2D(256, (5,5), activation='relu'),tf.keras.layers.MaxPooling2D(pool_size = (3,3), strides=(2,2)),tf.keras.layers.Conv2D(384, (5,5), activation='relu'),tf.keras.layers.MaxPooling2D(pool_size = (3,3), strides=(2,2)),tf.keras.layers.Flatten(),tf.keras.layers.Dropout(0.2),tf.keras.layers.Dense(2048, activation='relu'),tf.keras.layers.Dropout(0.25),tf.keras.layers.Dense(1024, activation='relu'),tf.keras.layers.Dropout(0.2),tf.keras.layers.Dense(2, activation='softmax')])model.compile(loss='categorical_crossentropy',optimizer=Adam(lr=0.0001),metrics=['acc'])history = model.fit(train_generator,steps_per_epoch = 15,epochs = 50,validation_data = validation_generator,validation_steps = 15)
  
    
  
  
  

我们将使用Adam作为学习率为0.0001的优化器。经过50个时期的训练，我们得到了96.83的训练精度和94.98的验证精度。训练损失和验证损失分别为0.09和0.13。

我们的训练模型

让我们测试模型中的所有图像，看看它的猜测是否正确。为了进行测试，我们选择了3张图像，其中包括有火的图像，没有火的图像以及包含火样颜色和阴影的照片。

我们最终得到上面创建的模型在对图像进行分类时犯了一个错误。  该模型52％的把握确定图像中有火焰。  这是因为已进行训练的数据集中几乎没有图像可以说明室内火灾的模型。  所以该模型仅知道室外火灾情况，而当给出一张室内火样的阴影图像时会出现错误。  另一个原因是我们的模型不具备可以学习火的复杂特征。  

接下来，我们将使用标准的InceptionV3模型并对其进行自定义。复杂模型能够从图像中学习复杂特征。

创建定制的InceptionV3模型

这次我们将使用不同的数据集[3]，其中包含室外和室内火灾图像。  我们已经在该数据集中训练了我们之前的CNN模型，结果表明它是过拟合的，因为它无法处理这个相对较大的数据集和从图像中学习复杂的特征。  

我们开始为自定义的InceptionV3创建ImageDataGenerator。数据集包含3个类，但对于本文，我们将仅使用2个类。它包含用于训练的1800张图像和用于验证的200张图像。另外，我添加了8张客厅图像，以在数据集中添加一些噪点。

import tensorflow as tfimport keras_preprocessingfrom keras_preprocessing import imagefrom keras_preprocessing.image import ImageDataGeneratorTRAINING_DIR = "Train"training_datagen = ImageDataGenerator(rescale=1./255,zoom_range=0.15,horizontal_flip=True,fill_mode='nearest')VALIDATION_DIR = "/content/FIRE-SMOKE-DATASET/Test"validation_datagen = ImageDataGenerator(rescale = 1./255)train_generator = training_datagen.flow_from_directory(TRAINING_DIR,target_size=(224,224),shuffle = True,class_mode='categorical',batch_size = 128)validation_generator = validation_datagen.flow_from_directory(VALIDATION_DIR,target_size=(224,224),class_mode='categorical',shuffle = True,batch_size= 14)
  
    
  
  
  

为了使训练更加准确，我们可以使用数据增强技术。在上面的代码中应用了2种数据增强技术-水平翻转和缩放。

让我们从Keras API导入InceptionV3模型。我们将在InceptionV3模型的顶部添加图层，如下所示。我们将添加一个全局空间平均池化层，然后是2个密集层和2个dropout层，以确保我们的模型不会过拟合。最后，我们将为2个类别添加一个softmax激活的密集层。

接下来，我们将首先仅训练我们添加并随机初始化的图层。我们将在这里使用RMSprop作为优化器。

from tensorflow.keras.applications.inception_v3 import InceptionV3from tensorflow.keras.preprocessing import imagefrom tensorflow.keras.models import Modelfrom tensorflow.keras.layers import Dense, GlobalAveragePooling2D, Input, Dropoutinput_tensor = Input(shape=(224, 224, 3))base_model = InceptionV3(input_tensor=input_tensor, weights='imagenet', include_top=False)x = base_model.outputx = GlobalAveragePooling2D()(x)x = Dense(2048, activation='relu')(x)x = Dropout(0.25)(x)x = Dense(1024, activation='relu')(x)x = Dropout(0.2)(x)predictions = Dense(2, activation='softmax')(x)model = Model(inputs=base_model.input, outputs=predictions)for layer in base_model.layers:  layer.trainable = Falsemodel.compile(optimizer='rmsprop', loss='categorical_crossentropy', metrics=['acc'])history = model.fit(train_generator,steps_per_epoch = 14,epochs = 20,validation_data = validation_generator,validation_steps = 14)
  
    
  
  
  

在训练了顶层20个周期之后，我们将冻结模型的前249层，并训练其余的层（即顶层2个初始块）。在这里，我们将使用SGD作为优化器，学习率为0.0001。

#To train the top 2 inception blocks, freeze the first 249 layers and unfreeze the rest.for layer in model.layers[:249]:  layer.trainable = Falsefor layer in model.layers[249:]:  layer.trainable = True#Recompile the model for these modifications to take effectfrom tensorflow.keras.optimizers import SGDmodel.compile(optimizer=SGD(lr=0.0001, momentum=0.9), loss='categorical_crossentropy', metrics=['acc'])history = model.fit(train_generator,steps_per_epoch = 14,epochs = 10,validation_data = validation_generator,validation_steps = 14)
  
    
  
  
  

经过10个周期的训练，我们获得了98.04的训练准确度和96.43的验证准确度。训练损失和验证损失分别为0.063和0.118。

以上10个时期的训练过程

我们用相同的图像测试我们的模型，看看是否它可以正确猜出。

这次我们的模型可以使所有三个预测正确。  96％的把握可以确定图像中没有任何火。  我用于测试的其他两个图像如下：  

    

来自下面引用的数据集中的非火灾图像

实时测试

现在，我们的模型已准备好在实际场景中进行测试。  以下是使用OpenCV访问我们的网络摄像头并预测每帧图像中是否包含火的示例代码。  如果框架中包含火焰，我们希望将该框架的颜色更改为B＆W。  

import cv2import numpy as npfrom PIL import Imageimport tensorflow as tffrom keras.preprocessing import image#Load the saved modelmodel = tf.keras.models.load_model('InceptionV3.h6')video = cv2.VideoCapture(0)while True:        _, frame = video.read()#Convert the captured frame into RGB        im = Image.fromarray(frame, 'RGB')#Resizing into 224x224 because we trained the model with this image size.        im = im.resize((224,224))        img_array = image.img_to_array(im)        img_array = np.expand_dims(img_array, axis=0) / 255        probabilities = model.predict(img_array)[0]        #Calling the predict method on model to predict 'fire' on the image        prediction = np.argmax(probabilities)        #if prediction is 0, which means there is fire in the frame.        if prediction == 0:                frame = cv2.cvtColor(frame, cv2.COLOR_RGB2GRAY)                print(probabilities[prediction])cv2.imshow("Capturing", frame)        key=cv2.waitKey(1)        if key == ord('q'):                breakvideo.release()cv2.destroyAllWindows()
  
    
  
  
  

这个项目的Github链接在这里：https://github.com/DeepQuestAI/Fire-Smoke-Dataset。可以从那里找到数据集和上面的所有代码。

感谢你能够认真阅读完这篇文章，希望小编分享的“如何创建用于室内和室外火灾检测的定制InceptionV3和CNN架构”这篇文章对大家有帮助，同时也希望大家多多支持创新互联，关注创新互联行业资讯频道，更多相关知识等着你来学习!

网站标题：如何创建用于室内和室外火灾检测的定制InceptionV3和CNN架构
分享URL：http://jkwzsj.com/article/pdhsoe.html