摘 要

火灾严重威胁着公共安全和社会发展，因此火灾的及时监测和预警有重大意义。传统的监测方式利用传感器采集信息，然而要经受地理环境、温度、湿度、风速等因素的影响，并不能达到很好的监测效果。基于图像的传统火灾监测方法因受人工提取特征的限制，监测人员的经验知识很大程度上决定了分类效果的好坏，对于不同的数据集还需要制定不同的方案提取特征，很多时候也不能达到预期效果。

随着计算机技术的发展和大数据时代的来临，深度学习因其具有自动特征提取的优势，在复杂系统的数据处理方面取得了重大突破，为火灾监测提供了新思路。本文首先简单介绍了图像识别技术的关键环节，然后介绍了深度学习的基本原理以及一种主要用于图像处理的深度学习模型——卷积神经网络，最后通过在Matlab上实现卷积神经网络算法来检验将该方法用于火灾图像识别的效果。

关键词：深度学习，图像识别，卷积神经网络，火灾图像

Abstract

Fire is a grave threat to public safety and social development, so the timely monitoring and warning of fire is of great significance. In the traditional monitoring methods, sensors used for collecting information are influenced by the geographical environment, temperature, humidity, wind speed and other factors, and therefore the good monitoring cannot be guaranteed. The traditional fire monitoring methods based on images are limited by the requirement of artificial feature extraction, so classification effect is to large extent determined by the expert knowledge. In addition, different schemes of feature extraction are needed for different data sets, and the expected effect cannot be often achieved.

With the advent of computer technology and big data era, deep learning has made a significant breakthrough in the data processing in complex systems due to its advantage of automatic feature extraction and provides a new idea for fire monitoring. In the thesis, the key elements of image processing are introduced and then the fundamental of deep learning and a deep learning model, convolutional neural network (CNN), mainly used for image processing are introduced. Finally, the algorithm of CNN is implemented on Matlab for verifying the effect of deep learning in the fire monitoring.

Key words: depth learning, image recognition, convolution neural network, fire image

目 录

第1章 绪论 1

1.1课题研究背景 1

1.1.1火灾的危害 1

1.1.2传统火灾监测方式 2

1.1.3新型火灾监测方式 2

1.1.4深度学习的优势 3

1.1.5本文的意义 4

1.2国内外研究现状 5

1.2.1深度学习研究现状 5

1.2.2火灾图像识别研究现状 5

1.3论文主要内容和结构 6

第2章 图像识别技术概述 7

2.1图像识别基本框架 7

2.2图像输入 8

2.3预处理 8

2.4图像分割 8

2.4特征提取与表达 9

2.5图像识别 9

第3章 深度学习简介 10

3.1深度学习的基本原理 10

3.1.1特征学习 10

3.1.2深层结构的优势 11

3.2卷积神经网络 12

3.2.1卷积神经网络的基本结构 12

3.2.2卷积特征提取 13

3.2.3池化 14

3.2.4反向传播算法 15

第4章 基于卷积神经网络的火灾图像识别 17

4.1卷积神经网络的模型构建 17

4.2具体算法实现 19

4.2.1代码运算流程 19

4.2.2各模块简介 19

第5章 实验结果及分析 21

5.1实验参数选取 21

5.2实验结果 21

第6章 结论 23

参考文献 24

致 谢 25

第1章 绪论

1.1课题研究背景

1.1.1火灾的危害

火灾严重的威胁到人类的人身财产安全。据统计，每年我国发生4万余起火灾，共计有7千余人因为火灾受伤或者失去生命，直接或者间接经济损失高达几十亿元。按照火灾的发生地点划分，火灾大致可以分为三类：生活建筑火灾，生产工厂火灾，森林火灾。

1）建筑火灾

建筑火灾是所有火灾类型里面发生频次最高的，造成的损失在所有火灾里面占比最大。建筑火灾可能会破坏一个家庭，给一个家庭带来难以弥补的经济损失，甚至可能会失去最重要的亲人。建筑火灾主要的产生原因是用电不规范，线路老化，用火随意等原因。如2017年5月22日，深圳一大厦起火，导致3人死亡，初判原因与电气有关。

2）工厂火灾

生产工厂火灾发生频次较低，但是影响很大，常造成群体性伤亡，造成的直接经济损失十分大。生产工厂火灾因为其影响范围广，很大部分是因为相关人员玩忽职守、生产作业不规范、设备有缺陷、人为失误等原因，容易激起社会舆论，甚至会影响一个地区的治安和经济发展。

3）森林火灾

森林火灾一般因为发现不及时，抢救不及时等原因，在可燃物集中的情况下，具有影响范围大，破坏能力强，难以控制等特点。森林火灾不仅仅燃烧树木，还可能造成严重的空气污染，甚至会影响一个地区的生态平衡。其发生的主要原因是自然天气引起自燃，人为大意点火等原因。如2017年5月17号，内蒙古呼伦贝尔陈巴尔虎旗那吉林场发生森林火灾，火场过面积超过8400公顷，国家森林防指共调集兵力9000余人进行扑救，耗时四天时间，才将火灾现场全部烟点扑灭。

总的来说，由于火灾的发生具有突发性，人们难以在火灾发生之前进行很好的监测及做好预防措施，导致火灾被发现的时候已经造成了巨大损失，并且达到了难以控制的阶段。在工厂环境中，还可能存在易爆物品，造成二次伤害。在森林火灾中，火灾的发展很大程度上受不确定性因素的影响，如干燥的天气，大风等自然环境因素。预防火灾及将火灾控制在最小的影响，其重点在快速及时的发现火灾，在火灾尚未扩展的时候将其消灭。

1.1.2传统火灾监测方式

传统火灾探测器使用传感器，监测周围某一个或者某几个物理环境因素的变化，将物理信号转化为电信号，实现报警。根据传感器的采集的信号不同，传统火灾监测器可以分为：烟感型火灾监测器、温感型火灾监测器、火焰探测器、特殊气味探测器。