火焰监护人：基于深度学习的火灾检测系统

介绍

想象一下，在确保家人的安全时，要醒来烟味，心跳加速。早期检测至关重要，并且是一个深层学习驱动的火灾探测系统的“火焰监护人”，旨在使挽救生命的差异。本文指导您使用CNN和TensorFlow创建此技术，从数据收集和增强到模型构建和微调。无论您是技术爱好者还是专业人士，都可以发现如何利用尖端技术来保护生活和财产。

学习成果

• 获得准备，组织和增强图像数据集的技能，以优化模型性能。
• 了解如何构建和微调卷积神经网络以进行有效的图像分类任务。
• 使用指标和可视化来评估和解释模型性能的能力。
• 了解如何为实用应用部署和调整DL（深度学习）模型，以证明其在消防检测等现实世界中的实用性。

本文作为数据科学博客马拉松的一部分发表。

目录

• 深度学习中的革命检测
• 火灾检测中的挑战
• 数据集概述
• 设置环境
• 数据准备
• 可视化图像的分布
• 展示火和非火图像
• 通过增强技术增强培训数据
• 构建火灾检测模型
• 模型拟合：培训卷积神经网络
• 评估模型
• 示例用法：预测新图像中的火
• 常见问题

深度学习中的革命检测

最近，Thedeep Learning彻底改变了从医疗保健到金融的色彩丰富的领域，现在，它在安全和灾难运营方面取得了长足的进步。深度学习的一个特别激烈的操作是火灾发现领域。随着全球范围反射的增加频率和僵化性，开发有效且可靠的火灾发现系统比以往任何时候都更加关键。在这个全面的伴侣中，我们将引导您完成使用卷积神经网络（CNN）和TensorFlow创建重要的火灾发现系统的过程。该系统恰当地命名为“火焰监护人”。

火灾，无论是野火还是结构性火灾对生命，财产和环境构成重大威胁。早期发现对于减轻火灾的毁灭性影响至关重要。基于深度学习的火灾检测系统可以快速，准确地分析大量数据，在升级之前识别火灾事件。

火灾检测中的挑战

使用深度学习检测火提出了一些挑战：

• 数据可变性：火影图像在颜色，强度和周围环境方面可能有很大差异。强大的检测系统必须能够处理此变异性。
• 误报：将假阳性（错误地识别为火灾）最小化以避免不必要的恐慌和资源部署至关重要。
• 实时处理：为了实际使用，系统应能够实时处理图像，并提供及时的警报。
• 可伸缩性：系统应可扩展以处理大型数据集并在不同的情况下工作。

数据集概述

用于火焰监护人火灾检测系统的数据集包括分为两个类：“火”和“非火力”的图像。该数据集的主要目的是训练卷积神经网络（CNN）模型，以准确区分包含火的图像和那些没有火灾的图像。

火和非火图像的组成

• 火灾图像：这些图像包含存在火灾的各种情况。该数据集包括野火，结构火和受控烧伤的图像。这些图像中的火可能在大小，强度和存在的环境上有所不同。这种多样性有助于模型学习火的不同视觉特征。
• 非火图像：这些图像不包含任何火。它们包括各种场景，例如景观，建筑物，森林以及其他自然和城市环境，而没有任何火灾。包含多种非火图像可确保模型不能在非火灾情况下错误地识别火灾。

您可以从这里下载数据集。

设置环境

首先，我们需要使用必要的库和工具来建立自己的地形。我们将使用Google协作进行此设计，因为它为GPU支持提供了一个可访问的平台。我们以前已经下载了数据集并将其上传到驱动器上。

 #mount驱动器
从Google.Colab Import Drive
drive.mount（'/content/drive'）

＃Importing必要的库
导入numpy作为NP
导入大熊猫作为pd
导入matplotlib.pyplot作为PLT
进口海洋作为SNS
导入plotly.extress为px
导入plotly.graph_objects作为go
从plotly.subplots导入make_subplots
导入操作系统
导入TensorFlow作为TF
来自Tensorflow.keras.preprocessing导入图像
来自tensorflow.keras.preprocessing.image导入成像的Atagenerator


#setting样式网格 
sns.set_style（'darkgrid'）

数据准备

我们需要一个带有火和非火语脚本图片的数据集，以训练我们的算法。将创建一个空白的数据帧和一个函数来添加Google驱动器中的图像。

 ＃创建一个空数据框
df = pd.dataframe（columns = ['path'，'label']）

＃功能将图像添加到数据框
def add_images_to_df（目录，标签）：
    对于dirname，_，在OS.Walk（目录）中的文件名：
        用于文件名中的文件名：
            df.loc [len（df）] = [os.path.join（dirname，filename），标签]

＃添加火图像
add_images_to_df（'/content/drive/mydrive/fire/fire_dataset/fire_images'，'fire'）

＃添加非火图像
add_images_to_df（'/content/drive/mydrive/fire/fire_dataset/non_fire_images'，'non_fire'）

＃洗牌数据集
df = df.sample（frac = 1）.Reset_index（drop = true）

可视化图像的分布

可视化火灾和非火力图像的分布有助于我们更好地了解数据集。我们将绘图用于交互式图。

创建图像发行的饼图

现在让我们创建一个用于图像分布的饼图。

 ＃创建散点图
无花果= px.scatter（
    data_frame = df，
    x = df.index，
    y ='label'，
    颜色='label'，
    title =“火和非火图像的分布”
）

＃更新标记大小
图.update_traces（Marker_Size = 2）

图.add_trace（go.pie（values = df ['label']。value_counts（）。

展示火和非火图像

现在让我们编写用于显示火和非火图像的代码。

 Def Visualize_images（标签，标题）：
    data = df [df ['label'] ==标签]
    图片= 6＃设置图片的数量
    图，ax = plt.subplots（int（pics // 2），2，无花果=（15，15））
    plt.suptitle（标题）
    ax = ax.ravel（）
    对于范围（（图片// 2） * 2）的i
        路径= data.sample（1）.loc [：，'path']。to_numpy（）[0]
        img = image.load_img（路径）
        img = image.img_to_array（img） / 255
        ax [i] .imshow（img）
        ax [i] .axes.xaxis.set_visible（false）
        ax [i] .axes.yaxis.set_visible（false）
visualize_images（'fire'，'带火的图像'）
visualize_images（'non_fire'，“无火的图像”） 

通过显示一些来自火灾和非火灾类别的示例图像，我们将了解我们的模型将使用的内容。

通过增强技术增强培训数据

我们将采用图像添加方法来改善我们的培训数据。应用任意图像适应（类似于回旋，无人机和剪切）被称为加法。通过生成更健壮和不同的数据集，此过程增强了模型概括为新图像的能力。

来自tensorflow.keras.models导入顺序
来自tensorflow.keras.layers导入conv2d，maxpool2d，扁平，密集

Generator = Imagedatagenerator（
    rotation_range = 20，
    width_shift_range = 0.1，
    height_shift_range = 0.1，
    shear_range = 2，
    zoom_range = 0.2，
    recale = 1/255，
    验证_split = 0.2，
）
train_gen = generator.flow_from_dataframe（df，x_col ='path'，y_col ='label'，images_size =（256,256），class_mode ='binary'，subset ='训练'）
val_gen = generator.flow_from_dataframe（df，x_col ='path'，y_col ='label'，images_size =（256,256），class_mode ='binary'，subset ='验证'）
class_indices = {}
对于train_gen.class_indices.keys（）中的键：
    class_indices [train_gen.class_indices [键]] =键
    
打印（class_indices）

可视化增强图像

我们可以可视化训练集产生的一些增强图像。

 sns.set_style（'dark'）
图片= 6＃设置图片的数量
图，ax = plt.subplots（int（pics // 2），2，无花果=（15，15））
plt.suptitle（“训练集中生成的图像”）
ax = ax.ravel（）
对于范围（（图片// 2） * 2）的i
    ax [i] .imshow（train_gen [0] [0] [i]）
    ax [i] .axes.xaxis.set_visible（false）
    ax [i] .axes.yaxis.set_visible（false）

构建火灾检测模型

我们的模型将对应几个卷积层，每个卷积层随后是最大池子播种机。卷积层是CNN的核心结构块，使模型可以从图像中学习特征的空间尺度。最大池层有助于降低点图的维度，从而使模型更有效。我们还将在模型末端添加完全连接的（厚）。这些层有助于结合卷积层学到的功能，并做出最终的括号决定。该事件子播种将具有具有Sigmoid激活函数的单个神经元，该神经元的概率得分表明图像是否包含火。定义模型电枢后，我们将发布一个摘要，以查看每个子播种机中的结构和参数数量。此步骤对于确保正确配置模型很重要。

来自tensorflow.keras.models导入顺序
来自tensorflow.keras.layers导入conv2d，maxpool2d，扁平，密集

型号=顺序（）
model.Add（conv2d（过滤器= 32，kernel_size =（2,2），activation ='relu'，input_shape =（256,256,3）））））））））
model.Add（maxpool2d（））
model.Add（conv2d（filters = 64，kernel_size =（2,2），activation ='relu'））
model.Add（maxpool2d（））
model.Add（conv2d（filters = 128，kernel_size =（2,2），activation ='relu'））
model.Add（maxpool2d（））
模型add（Flatten（））
ADD（密集（64，激活='relu'））
ADD（密集（32，激活='relu'））
ADD（密集（1，激活='Sigmoid'））
model.summary（）

用优化器和损失功能编译模型

接下来，我们将使用ADAM优化器和二进制交叉渗透损失函数进行编译。 Adam Optimizer的效率和自适应学习率广泛用于深度学习。二进制跨凝结适用于我们的二元分类问题（火与非火灾）。

我们还将指定其他指标，例如曲线（AUC）下的准确性，召回和区域，以评估模型在训练和验证过程中的性能。

添加回调以进行最​​佳培训

回调是TensorFlow中的一个强大功能，使我们能够监视和控制训练过程。我们将使用两个重要的回调：

• 早期踩踏：当验证损失停止改善，防止过度拟合时，停止训练。
• REDUCELRONPLATEAU：降低验证损失高原时的学习率，帮助模型收敛到更好的解决方案。

 #compiling模型
来自Tensorflow.keras.metrics导入召回，AUC
来自tensorflow.keras.utils导入plot_model

model.compile（优化器='adam'，loss ='binary_crossentropy'，metrics = ['fecuctiacy'，召回（），auc（）），）

＃定义回调
从tensorflow.keras.callbacks进口早期踩踏，还原
早期_Stoppping =早期踩踏（Monitor ='Val_loss'，耐心= 5，Restore_best_weights = true）
redy_lr_on_plateau = reducelronplateau（Monitor ='val_loss'，因子= 0.1，耐心= 5）

模型拟合：培训卷积神经网络

模型拟合是指训练数据集上的机器学习模型的过程。在此过程中，该模型通过调整其参数（权重和偏见）以最大程度地减少损耗函数来了解数据中的基本模式。在深度学习的背景下，这涉及到训练数据的几个时代和后退传球。

 model.fit（x = train_gen，batch_size = 32，epochs = 15，validation_data = val_gen，callbacks = [forath_stopppping，redion_lr_on_plateau]）

评估模型

训练后，我们将在验证集上评估模型的性能。此步骤有助于我们了解模型对新数据的推广程度。我们还将可视化培训历史，以了解损失和指标如何随着时间的流逝而发展。

 eval_list = model.evaluate（val_gen，return_dict = true）
对于eval_list.keys（）中的公制：
    打印（公制F”：{eval_list [metric] :. 2f}”）
   
eval_list = model.evaluate（val_gen，return_dict = true）
对于eval_list.keys（）中的公制：
    打印（公制F”：{eval_list [metric] :. 2f}”）

示例用法：预测新图像中的火

最后，我们将演示如何使用训练有素的模型来预测新图像是否包含火。此步骤涉及加载图像，预处理以匹配模型的输入要求，并使用模型进行预测。

下载和加载图像

我们将从Internet下载示例图像，并使用TensorFlow的图像处理功能加载它。此步骤涉及调整图像并标准化其像素值。

做出预测

使用训练有素的模型，我们将对已加载的图像进行预测。该模型将输出概率分数，我们将进行四舍五入以获得二进制分类（火灾或非火灾）。我们还将使用类索引将预测映射到其相应的标签。

 ＃下载图像
！
＃加载图像
img = image.load_img（'preadive.jpg'）
IMG

img = image.img_to_array（img）/255
img = tf.image.resize（img，（256,256））
img = tf.expand_dims（img，axis = 0）

打印（“图像形状”，img.shape）

预测= int（tf.Round（model.predict（x = img））。numpy（）[0] [0]）
打印（“预测值是：”，预测”，预测标签为： 

结论

开发基于深度学习的火灾探测系统，例如“火焰监护人”，体现了深度学习在应对现实世界挑战时的变革潜力。通过精心遵循每个步骤，从数据准备和可视化到模型构建，培训和评估，我们创建了一个可靠的框架来检测图像中的火灾。该项目不仅强调了技术复杂性涉及深度学习，而且还强调了利用技术对安全和灾难预防的重要性。

正如我们得出的那样，很明显，DL模型可以显着增强火灾检测系统，从而使其更高效，可靠和可扩展。尽管传统方法具有其优点，但深度学习的融合却引入了新的精致和准确性。开发“火焰监护人”的旅程既具有启发性和有意义，展现了现代技术的巨大能力。

关键要点

• 了解数据处理和可视化技术。
• 理解适当的数据收集和增强确保有效的模型培训和概括。
• 实施模型构建和模型评估。
• 理解诸如早期和还原的回调，以优化培训并防止过度拟合。
• 学习的建筑卷积神经网络使用CNN进行火灾检测。

常见问题

Q1。什么是“火焰监护人”？

答：“火焰监护人”是一种使用卷积神经网络（CNN）和Tensorflow的火灾检测系统，以高精度识别图像中的火灾。

Q2。为什么早期火灾检测很重要？

答：早期的火灾检测对于防止广泛损害，挽救生命并减少火灾的环境影响至关重要。快速反应可以显着减轻野火和结构火的毁灭性影响。

Q3。使用深度学习构建火灾检测系统涉及哪些挑战？

A.挑战包括处理数据可变性（颜色，强度和环境的差异），最大程度地减少误报，确保实时处理能力以及可伸缩性处理大型数据集。

Q4。图像增强如何有助于训练模型？

A.图像增强通过应用旋转，变焦和剪切等随机转换来增强训练数据集。这可以通过将其暴露于各种场景，改善其稳健性来更好地推广模型。

Q5。哪些指标用于评估模型的性能？

答：使用准确性，回忆和曲线下的面积（AUC）等指标评估该模型。这些指标有助于评估模型如何区分火灾和非火图像及其整体可靠性。

本文所示的媒体不由Analytics Vidhya拥有，并由作者酌情使用。

以上是火焰监护人：基于深度学习的火灾检测系统的详细内容。更多信息请关注PHP中文网其他相关文章！