本发明涉及计算机软件领域，尤其涉及的是一种基于cnn卷积神经网络的图像火焰识别系统。
背景技术：
现有技术中，由于火灾的频发性，尽早预防和避免火灾事故越来越重要。近年来，随着视频监视设备的普及和视频图像处理技术的发展，通过分析图像信息识别有火焰成为一种新技术。
火焰视觉识别系统通常包括三部分：火焰数据采集、特征提取、火焰识别等。在获得数据之后，然后对数据进行特征提取。最后，将提取到的特征数据输入到模糊推理机、神经网络、支持向量机等分类器中，得到识别结果。
然而，计算机为按上述流程完成图像中火焰识别任务,需要大量的训练数据来降低模型系统的不确定性。但是，目前尚未形成火焰的自然大数据集，这就意味着,现有的火焰识别模型系统中存在着大量不确定性。尽管在一个数据集的测试集上表现良好,但当实际应用时，模型对随机的新数据泛化能力就会变得很差，鲁棒性很低，精度急剧下降,无法重现实验室模型的准确率。为此，亟需一种能识别率高、鲁棒性好的火焰识别方法。
因此，现有技术存在缺陷，需要改进。
技术实现要素：
本发明所要解决的技术问题是：提供一种识别率高、鲁棒性好的基于cnn卷积神经网络的图像火焰识别系统。
本发明的技术方案如下：一种基于cnn卷积神经网络的图像火焰识别系统，包括用于识别火焰的cnn神经网络，其中，cnn神经网络包括3个cnn子网络，其分别为cnn子网络1、cnn子网络2和cnn子网络3；3个cnn子网络的输入数据分别为大小为m×n的rgb图像分解为r、g和b的三个通道数据；并且，每个cnn子网络包括4个卷积层、3个池化层、1个全连接层和1个子网络输出层。
应用于上述技术方案，所述的图像火焰识别系统中，每个cnn子网络依次包括3×3大小的卷积核64个的第一卷积层、3×3卷积核64个的第二卷积层、2×2的核第一池化层、5×5卷积核96个的第三卷积层、2×2的核第二池化层、5×5卷积核96个的第四卷积层、2×2的核第三池化层、全连接层和子网络输出层。
应用于各个上述技术方案，所述的图像火焰识别系统中，还包括由3个cnn子网络的输出加权求和得到最终的输出结果的求和输出层。
应用于各个上述技术方案，所述的图像火焰识别系统中，每一子网络输出层输出的结果数据包括无火概率、阴燃火概率、小明火概率和大明火概率。
应用于各个上述技术方案，所述的图像火焰识别系统中，求和输出层输出的结果数据也包括无火概率、阴燃火概率、小明火概率和大明火概率；并且，其输出式为：输出权值w＝w1×cnn子网络1输出+w2×cnn子网络2输出+w3×cnn子网络3输出；其中，w1＝0.4，w2＝0.3，w3＝0.3。
应用于各个上述技术方案，所述的图像火焰识别系统中，每个cnn子网络的4个卷积层、3个池化层、1个全连接层的激活函数均采用relu函数；其表达式为：relu(x)＝max(0,x)；并且，子网络输出层的激活函数为softmax函数，其表达式为
应用于各个上述技术方案，所述的图像火焰识别系统中，各池化层采用选取区域中的最大值maxpooling作为输出值。
应用于各个上述技术方案，所述的图像火焰识别系统中，权值w的初始化采用零均值、常数标准差std，其中，各层常数标准差std分别为:[0.0001，0.001，0.001，0.001，0.01，0.1]。
采用上述方案，本发明在火焰图像数据尚未形成大数据集的当下，训练得到的cnn神经网络识别率和鲁棒性高；即使获取得到的火焰图像存在位移、缩放及其他形式扭曲不变性，也有较好识别效果；避免了显示的特征抽取，而隐式地从训练数据中进行学习，避免了火焰出现的场合、形式不一样，造成的识别错误。
附图说明
图1为本发明的连接示意图。
具体实施方式
以下结合附图和具体实施例，对本发明进行详细说明。
本实施例提供了一种基于cnn卷积神经网络的图像火焰识别系统，其中，其包括用于识别火焰的cnn神经网络，如图1所示，cnn神经网络包括3个cnn子网络，其分别为cnn子网络1、cnn子网络2和cnn子网络3；3个cnn子网络的输入数据分别为大小为m×n的rgb图像分解为r、g和b的三个通道数据；例如，cnn子网络1的输入数据分别为大小为m×n的rgb图像分解为r、g和b的r通道数据，cnn子网络2的输入数据分别为大小为m×n的rgb图像分解为r、g和b的g通道数据，cnn子网络3的输入数据分别为大小为m×n的rgb图像分解为r、g和b的b通道数据；即大小为m×n的rgb图像分解为r、g和b三个通道数据，分别作为cnn子网络1、cnn子网络2和cnn子网络3的输入。
并且，每个cnn子网络包括4个卷积层、3个池化层、1个全连接层和1个子网络输出层。其中，每个cnn子网络依次包括3×3大小的卷积核64个的第一卷积层、3×3卷积核64个的第二卷积层、2×2的核第一池化层、5×5卷积核96个的第三卷积层、2×2的核第二池化层、5×5卷积核96个的第四卷积层、2×2的核第三池化层、全连接层和子网络输出层。
例如，每一个cnn子网络中依次包括：
第一层卷积：3×3大小的卷积核64个。
第二层卷积：与上一层，即第一层卷积为全连接，3×3卷积核64个。
第一层池化：2×2的核。
第三层卷积：5×5卷积核96个。
第二层池化：2×2的核。
第四层卷积：5×5的卷积核96个。
第三层池化：2×2的核。
第五层为全连接层。
第六层为子网络输出层：输出有四个，分别为无火、阴燃火、小明火和大明火，输出的每一维都是图像属于该类别的概率；每一子网络输出层输出的结果数据包括无火概率、阴燃火概率、小明火概率和大明火概率。
并且，还包括由3个cnn子网络的输出加权求和得到最终的输出结果的求和输出层，即整个cnn神经网络的最后一层，求和输出层输出的结果数据也包括无火概率、阴燃火概率、小明火概率和大明火概率；其中，最后一层为输出层，由三个cnn子网络的输出加权求和得到最终的输出结果，同样最终输出有四个分别为无火、阴燃火、小明火和大明火，输出的每一维都是图像属于该类别的概率。
其输出式为：输出权值w＝w1×cnn子网络1输出+w2×cnn子网络2输出+w3×cnn子网络3输出；其中，w1＝0.4，w2＝0.3，w3＝0.3。
cnn子网络中，除最后一层之外,其余各层激活函数均采用relu函数,即每个cnn子网络的4个卷积层、3个池化层、1个全连接层的激活函数均采用relu函数。
其表达式为：relu(x)＝max(0,x)。
各个卷积层输出激活后,再输出。
最后一层的函数为softmax，其表达式为
每一池化层采用maxpooling即选取区域中的最大值作为输出值。
权值w的初始化采用零均值、常数标准差(standarddeviation,std)方案。各层std分别为:
[0.0001，0.001，0.001，0.001，0.01，0.1]。
以上仅为本发明的较佳实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。