前言

📅大四是整个大学期间最忙碌的时光,一边要忙着备考或实习为毕业后面临的就业升学做准备,一边要为毕业设计耗费大量精力。近几年各个学校要求的毕设项目越来越难,有不少课题是研究生级别难度的,对本科同学来说是充满挑战。为帮助大家顺利通过和节省时间与精力投入到更重要的就业和考试中去,学长分享优质的选题经验和毕设项目与技术思路。

🚀对毕设有任何疑问都可以问学长哦!

大家好,这里是海浪学长毕设专题,本次分享的课题是

🎯基于机器视觉的火灾烟雾检测识别系统

课题背景和意义

火灾对人类社会造成的伤害无可估量，每年都有大量的生命财产因为火灾而蒙受了巨大损失，不同于室内火灾监控技术的成熟，户外火情由于各种因素的影响为实时监控带来了困难。随着计算机技术的发展和图像识别技术的广泛普及，通过视频监控智能地进行火情监控将是未来火灾预警的重要手段。由于野外火情具有相当的隐蔽性，直接对火焰检测效果甚微，而对火情发生时产生的大量烟雾进行检测就成为了一个有效的方案，如何提高烟雾的识别率和效率就成为了当前研究的重点。

近年来众多研究学者在烟雾检测方面做出了许多研究，众多学者提出了许多对于烟雾检测的方法和方案。其中李红娣等[1]提出的采用金字塔纹理和边缘特征的检测方法，王欣刚等[2]利用运动检测和小波分析的方法进行检测，袁非牛等[3]提出了根据运动方向进行判断的检测方法。这些方法多为现今烟雾识别领域的主流方法，但是由于此类算法多是基于单一颜色和运动变化等方面对烟雾检测或需要大量运算难以保证检测的实时性，在复杂环境条件下应用尚有不足，再进行田地里的秸秆焚烧监控时，由于干扰量多且实时性和准确性要求较高，这种情况下传统方法难以达到预期效果。

深度学习领域近来发展迅猛备受关注，成为了目前各行各业研究的热点，同时国家也对人工智能深度学习方面进行大力扶持。不久前AlphaGo在围棋上大获全胜更使得深度学习成为了热门话题，深度学习在人工智能[4]、语音识别[5]和图像识别等方面都有突出表现，其中在图像识别方面的应用已经较为成熟，通过深度网络抽取目标特征加以识别被广泛应用。因此，本文针对传统烟雾检测算法的不足，通过深度学习算法对烟雾进行实时监测预警，经过实验验证该算法识别率高具有较好的检测效果，并且大幅优化了深度学习中由于复杂的神经网络而造成的大量运算，相比于传统图像识别方法有更好的自适应性和灵活性。

实现技术思路

数据预处理

深度学习通过对数据的特征分析从而完成对模型的训练，通常一个图像数据中包含了大量信息，而对最终的学习效果产生影响的只有主要特征，而大量特征造成了数据冗余而使得运算效率大打折扣。一个500×500大小的视频帧图像其原始特征就会达到M=250 000维，这在应用过程中产生了庞大的运算量，严重影响到运算效率。由于本文应用的系统目标是对烟雾进行实时的监控报警，对算法实时性有较高要求，因此为了减少图像在训练、测试和检测过程中的运算量、提高运算效率，对图像数据使用经验值法[6]进行灰度化处理后利用PCA算法进行数据的降维处理，以减少无关特征的影响。

卷积网络模型构建

卷积神经网络(CNN)是一种深度学习的架构，在人工智能、文本处理、图像识别等方面被广泛应用。卷积神经网络对烟雾识别的主要过程是使用现有烟雾图像对网络进行训练，进而提取烟雾图像特征，由于类似于人类的记忆学习过程近似，故被称为网络的学习过程。本文通过预处理的烟雾图像数据集对卷积神经网络训练提取烟雾特征，并结合Inception Resnet v2[7]网络模型进行烟雾检测，在基于TensorFlow[8]的多GPU支持下本文对烟雾特征的提取训练时间大大缩短。

基本卷积神经网络原理

卷积神经网络是一个利用反向传播算法进行特征训练的多层神经网络，卷积核就是其核心，当前在各领域被广泛运用。一个基本的卷积神经网络通常是由一系列卷积层、非线性层、池化层和完全连接层组成的。与普通神经网络不同，在卷积层中一个神经元只与部分相邻层的神经元相连，图2展示了一个卷积神经网络卷积的基本结构。

根据不同需求可以构建多层神经网络，为了使神经网络能够解决更复杂的问题，使用具有更多层次的网络可以识别更高级的特征，多层网络中上一个卷积层的输出即为下一层的输入。但是网络层数增加的同时也带来参数过多、资源消耗过大、网络退化等问题。

网络模型构建

Inception结构将不同的卷积层以并联的方式连接；Inception使用不同尺寸的过滤器，将各自的处理结果拼接成一个更深的矩阵；Inception结构增加了网络深度和宽度，可以更好地提取特征，同时减少了参数，保证了计算效率。图3展示了Inception模块结构。

Resnet残差网络利用shortcut将一个卷积层的输入和输出连接起来即构成了一个残差块，当残差函数F(x)与输入向量大小相同时，使用式(9)表达残差块公式：

式(10)中使用线性投影Ws进行维度匹配。残差网络的使用最大限度地解决了因为网络深度增加而带来的退化问题。在网络最后一层使用全局池化层代替全连接层，对全部的输出特征图进行全局均值池化得到输出，取消了全连接层可以大幅减少参数，避免了全连接层由于参数过多而造成的过度拟合和过度消耗资源。

图4展示了改进后的网络结构，由于模型深度很深，为了能更直观地展示，将部分重复的残差区块进行了压缩。整个模型架构由40个Inception Resnet模块组成，整个模型中有233个卷积层。Inception Resnet模型可以快速准确地提取更多的特征，使得训练和检测过程中的效率和准确率都进一步得到了保证。

算法流程