本文摘要：摘要：在智慧消防城市救援平臺(tái)項(xiàng)目中，定位建筑內(nèi)消防器材位置的前提是準(zhǔn)確識(shí)別建筑圖紙上消防器材圖標(biāo)，只有精準(zhǔn)地識(shí)別建筑圖紙上的消防器材，救援平臺(tái)才能為消防救援行動(dòng)提供有效支撐。針對(duì)手動(dòng)錄入建筑樓層消防信息效率低下的問(wèn)題，文中提出了一種在darkn
摘要：在智慧消防城市救援平臺(tái)項(xiàng)目中，定位建筑內(nèi)消防器材位置的前提是準(zhǔn)確識(shí)別建筑圖紙上消防器材圖標(biāo)，只有精準(zhǔn)地識(shí)別建筑圖紙上的消防器材，救援平臺(tái)才能為消防救援行動(dòng)提供有效支撐。針對(duì)手動(dòng)錄入建筑樓層消防信息效率低下的問(wèn)題，文中提出了一種在darknet框架下利用YOLOv3算法來(lái)實(shí)現(xiàn)的基于深度學(xué)習(xí)的消防器材自動(dòng)識(shí)別方案。通過(guò)收集數(shù)據(jù)集，下載預(yù)訓(xùn)練文件，使用YOLOv3算法進(jìn)行自訓(xùn)練的方法，達(dá)到在消防器材圖標(biāo)數(shù)量和種類(lèi)眾多的建筑圖紙上實(shí)現(xiàn)對(duì)消防器材圖標(biāo)準(zhǔn)確識(shí)別與位置輸出的目的。實(shí)驗(yàn)結(jié)果表明，消防器材自動(dòng)識(shí)別方案能顯著提高智慧消防城市救援平臺(tái)項(xiàng)目中建筑圖紙上消防器材圖標(biāo)錄入的效率，具有很強(qiáng)的可靠性。
關(guān)鍵詞：目標(biāo)檢測(cè);計(jì)算機(jī)視覺(jué);YOLOv3;卷積神經(jīng)網(wǎng)絡(luò);深度學(xué)習(xí)
近年來(lái)，城市中的安全隱患日益增多，各類(lèi)災(zāi)害事故呈現(xiàn)出風(fēng)險(xiǎn)高、危害大的特點(diǎn)。安全隱患日益增多的主要原因是城市規(guī)模不斷擴(kuò)大導(dǎo)致的人口 大量聚集，因此社會(huì)公共安全需求日益倍增。隨著城市化進(jìn)程的持續(xù)進(jìn)行，城市高層、地下、商業(yè)綜合體、地鐵、隧道等建筑發(fā)展迅猛，導(dǎo)致公安消防局現(xiàn)役防滅火力量嚴(yán)重不足，消防官兵長(zhǎng)期疲勞作戰(zhàn)，火災(zāi)防控壓力巨大。國(guó)務(wù)院《促進(jìn)大數(shù)據(jù)發(fā)展行動(dòng)綱要》(2015)中指出要推動(dòng)智慧消防城市救援平臺(tái)的建設(shè)和發(fā)展。“要深入推進(jìn)消防信息化建設(shè)，積極建設(shè)‘智慧消防’”是2017年1月全國(guó)消防工作會(huì)議上中央政法委書(shū)記郭聲琨強(qiáng)調(diào)的重點(diǎn)。
深度學(xué)習(xí)論文范例：基于深度學(xué)習(xí)的熒光顯微成像技術(shù)及應(yīng)用
在此背景下智慧消防城市救援平臺(tái)項(xiàng)目應(yīng)運(yùn)而生，利用圖像識(shí)別技術(shù)對(duì)建筑圖紙上的消防器材圖標(biāo)進(jìn)行定位識(shí)別，能更好地發(fā)揮智慧消防城市救援平臺(tái)的作用。目前國(guó)內(nèi)圖像識(shí)別的研究方向大多是關(guān)于數(shù)字識(shí)別的，如對(duì)數(shù)字儀表[1]、試卷答題卡[2]、手寫(xiě)試卷分?jǐn)?shù)的識(shí)別;射頻指紋識(shí)別的研究[3]。
人臉識(shí)別算法如正交人臉特征學(xué)習(xí)算法[4]、二階段性別分類(lèi)算法[5];車(chē)牌識(shí)別如依賴(lài)邊緣特征的車(chē)牌識(shí)別[6]，算法如色彩遷移與正則化約束去霧算法[7];農(nóng)產(chǎn)品蟲(chóng)害如玉米螟蟲(chóng)害的圖像識(shí)別方法[8]，圖像識(shí)別中儲(chǔ)糧害蟲(chóng)的特征提取[9];缺陷檢測(cè)如游樂(lè)設(shè)施焊縫缺陷檢測(cè)[10]，鈑金件表面缺陷檢測(cè)[11]以及醫(yī)用病理如腹膜腔脫落細(xì)胞病理圖像識(shí)別[12]等方面，但對(duì)于消防方面深度學(xué)習(xí)的應(yīng)用較少。應(yīng)用方向多是對(duì)于依賴(lài)卷積神經(jīng)網(wǎng)絡(luò)的煙霧識(shí)別來(lái)識(shí)別森林火災(zāi)[13]，通過(guò)讀取視頻圖像來(lái)進(jìn)行煙霧識(shí)別[14]，識(shí)別方法上多是對(duì)于生成對(duì)抗網(wǎng)絡(luò)和卷積神經(jīng)網(wǎng)絡(luò)[15]、顏色統(tǒng)計(jì)特征和小波變換方法[16]的對(duì)比研究，用在建筑圖紙上消防器材的處理與識(shí)別目前較少。
1YOLOv3的原理
YOLO算法的基本思想可以通過(guò)一個(gè)例子來(lái)理解。例如輸入一張64×64的圖片，YOLO算法會(huì)將輸入的圖片用網(wǎng)格分成64×64的單元格，如果單元格和真實(shí)檢測(cè)框中目標(biāo)的中心坐標(biāo)重合，就由這個(gè)單元格來(lái)預(yù)測(cè)目標(biāo)。YOLOv3算法中每個(gè)目標(biāo)都擁有3個(gè)對(duì)應(yīng)的邊界框來(lái)定位，YOLOv3算法就是使用邏輯回歸的辦法來(lái)確定在三個(gè)邊界框的回歸框。所以說(shuō)YOLO是一種endtoend的目標(biāo)檢測(cè)模型。
1.1YOLOv3的結(jié)構(gòu)
池化層和全連接層不包含于YOLOv3的整個(gè)結(jié)構(gòu)中。Darknet-53網(wǎng)絡(luò)是YOLOv3主干結(jié)構(gòu)，同時(shí)全卷積的結(jié)構(gòu)是YOLOv3所有預(yù)測(cè)支路所采用的結(jié)構(gòu)�？梢钥闯鯵OLOv3的基本組件是DBL。BatchNormalization(BN)和LeakyReluDarknet緊跟在Darknet的卷積層后。在YOLOv3中除最后一層卷積層外，最小組件由BN和LeakyRelu共同構(gòu)成，而最小組件已經(jīng)是卷積層不可分離的一部分。
5個(gè)resn結(jié)構(gòu)分別為res1、res2、…、res8，其組成了YOLOv3的主干網(wǎng)絡(luò)。resn結(jié)構(gòu)中的n代表數(shù)字，表示由n個(gè)res_unit組成了res_block，YOLOv3的大組件就由resn結(jié)構(gòu)組成。YOLOv3和YOLOv2的區(qū)別在于后者沒(méi)有殘差結(jié)構(gòu)，YOLOv3借鑒了ResNet的殘差結(jié)構(gòu)使得YOLOv2的Darknet-19改進(jìn)為YOLOv3的Darknet-53。YOLOv3網(wǎng)絡(luò)結(jié)構(gòu)更深，就是因?yàn)槭褂昧诉@種殘差結(jié)構(gòu)。
1.2特征提取網(wǎng)絡(luò)Darknet-53
(Backbone)YOLOv3算法使用的特征提取網(wǎng)絡(luò)是一個(gè)由殘差單元疊加而成的53層的卷積網(wǎng)絡(luò)。JosephRedmon的實(shí)驗(yàn)證實(shí)了，YOLOv3算法中的Darknet53模型很好地平衡了識(shí)別目標(biāo)物體的效率和準(zhǔn)確度。YOLOv3追求精度的同時(shí)保證了實(shí)時(shí)性(fps>60)，而不是盲目的追求效率。YOLOv3算法要進(jìn)行5次尺寸變換。
1.3損失函數(shù)
損失函數(shù)(LossFunction)是掌握YOLO的重要關(guān)鍵。YOLO系列文獻(xiàn)里面只有YOLOv1明確提到了損失函數(shù)的公式，所用的損失函數(shù)并沒(méi)有在YOLOv3的文獻(xiàn)里明確提出。sum-squareerror的損失計(jì)算方法是YOLO系列文獻(xiàn)中唯一提到損失函數(shù)公式。畫(huà)出LossFunction曲線(xiàn)需要獲取(xi,yi)、(wi,hi)、class、Confidence這四個(gè)參數(shù)。損失函數(shù)應(yīng)該由四類(lèi)不同的關(guān)鍵信息各自確定。LossFunction因此可以作為衡量模型訓(xùn)練成果的標(biāo)準(zhǔn)。
2數(shù)據(jù)集訓(xùn)練
步驟一，權(quán)重下載。從官方網(wǎng)站上下載權(quán)重?cái)?shù)據(jù)放到Y(jié)OLOv3算法程序的主目錄下，然后使用主目錄下的conver.py文件進(jìn)行轉(zhuǎn)換，命令如下：Pythonconvert,py-wyolov3.cfgyolov3.weightsmodel_data/yolo_weights.h5就能得到權(quán)重文件。最后權(quán)重文件放在model_data文件夾里。
步驟二，生成訓(xùn)練文件。訓(xùn)練文件每一行對(duì)應(yīng)著一個(gè)樣本圖片，代碼的開(kāi)頭是圖片的路徑，后面是對(duì)應(yīng)目標(biāo)的4個(gè)參數(shù)坐標(biāo)。步驟三，修改YOLOv3.cfg。有三處需要修改的代碼，Classes對(duì)應(yīng)的YOLOv3.cfg是數(shù)據(jù)集的類(lèi)別，filters的數(shù)值需要通過(guò)計(jì)算公式filters=(5+classes)*3來(lái)計(jì)算。步驟四，利用k-means.py生成一個(gè)先驗(yàn)框。先驗(yàn)框的作用就是在沒(méi)開(kāi)始訓(xùn)練之前決定模型需要檢測(cè)的物體的大小，然后模型可以再利用邊界框?qū)貧w框進(jìn)行調(diào)整。
步驟五，修改yolo_classes.txt文件。這個(gè)yolo_classes.txt上顯示的就是項(xiàng)目要識(shí)別的類(lèi)別和對(duì)應(yīng)的名稱(chēng)。本項(xiàng)目有4種需要識(shí)別的器材，分別為煙感、溫感、手報(bào)(手動(dòng)報(bào)警裝置)、消報(bào)(消火栓)，因?yàn)轭A(yù)訓(xùn)權(quán)重練文件只能識(shí)別英文，所以該文用yangan、wengan、shoubao、xiaobao的拼音來(lái)代表4種不同的消防器材。
3實(shí)驗(yàn)結(jié)果
使用Python調(diào)用經(jīng)過(guò)以上的步驟訓(xùn)練出來(lái)的權(quán)重文件，對(duì)建筑圖紙上的四類(lèi)消防器材圖標(biāo)分別進(jìn)行識(shí)別。本次實(shí)驗(yàn)說(shuō)明了，利用YOLOv3算法進(jìn)行自訓(xùn)練的方法來(lái)實(shí)現(xiàn)消防器材的自動(dòng)識(shí)別是切實(shí)可行的，模型識(shí)別效果良好，達(dá)成了該文的研究目的，能提高智慧消防城市救援平臺(tái)數(shù)據(jù)錄入工作的效率。
4結(jié)束語(yǔ)
為完成建筑圖紙上消防器材圖標(biāo)的識(shí)別工作，文中使用了深度學(xué)習(xí)方面的相關(guān)知識(shí)�；赑ython語(yǔ)言，使用基于Darknet框架中的YOLOv3算法對(duì)數(shù)據(jù)集的多次訓(xùn)練，使得該文的研究方案能同時(shí)識(shí)別4種不同的建筑圖標(biāo)，識(shí)別結(jié)果在準(zhǔn)確性和高效性方面顯得極為突出。調(diào)用訓(xùn)練好的權(quán)重文件對(duì)建筑圖紙上的消防器材圖標(biāo)進(jìn)行識(shí)別，并輸出其位置坐標(biāo)，最終實(shí)現(xiàn)了對(duì)建筑器材消防圖紙上消防器材圖標(biāo)的自動(dòng)識(shí)別研究，為后續(xù)城市智慧安防平臺(tái)的建筑圖紙信息錄入工作，指揮調(diào)度系統(tǒng)在火災(zāi)消防行動(dòng)中開(kāi)展精準(zhǔn)的指揮工作奠定了基礎(chǔ)。
參考文獻(xiàn)：
[1]郭蘭英,韓睿之,程鑫.基于可變形卷積神經(jīng)網(wǎng)絡(luò)的數(shù)字儀表識(shí)別方法[J].計(jì)算機(jī)科學(xué),2020,47(10):187-193.
[2]仝夢(mèng)園,金守峰,陳陽(yáng),等.改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)的手寫(xiě)試卷分?jǐn)?shù)識(shí)別方法[J].西安工程大學(xué)學(xué)報(bào),2020,34(4):80-85.
[3]袁建國(guó),趙富強(qiáng),覃陸禎玥,等.基于星座圖對(duì)射頻指紋識(shí)別方法的研究[J].半導(dǎo)體光電,2020,41(4):592-597.
[4]孫文赟,宋昱,陳昌盛.基于卷積-反卷積網(wǎng)絡(luò)的正交人臉特征學(xué)習(xí)算法[J].深圳大學(xué)學(xué)報(bào)(理工版),2020,37(5):474-481.
作者：李小玄1，董雷1，2
轉(zhuǎn)載請(qǐng)注明來(lái)自發(fā)表學(xué)術(shù)論文網(wǎng)：http:///dzlw/28318.html
