基于VGG16网络的火灾图像识别方法研究

摘要：为了更有效地识别不同场景下的火灾信息，基于VGG16网络和残差结构设计了一种改进的VGG图像型火灾识别方法。首先，改进的网络保留了VGG16网络的特征提取层；其次，考虑到火灾识别是二分类问题，故将VGG16网络中的3层全连接层改进为2层全连接层；最后，使用残差结构以避免梯度消失问题。通过实验，结果表明：改进的VGG网络对火灾图像分类识别准确率为81.21%，AUC值为0.879，优于VGG16网络和Resnet34网络，可准确识别火灾信息。

关键词：卷积神经网络；火灾识别；深度学习；残差结构；VGG16

中图分类号：TP18 文献标识码：A文章编号：1009-3044（2023）16-0029-03

0 引言

火灾作为常见的灾害之一，对人民生命和财产构成巨大威胁。据应急管理部消防救援局2022 年11月1日发布的视频，2022年前三个季度全国共接报火灾63.68万起，死亡1441人，受伤1640人，直接财产损失55亿元。因此，对火灾的快速、高效地检测并预警显得尤为重要。传统的感烟和感温型火灾探测方法对于小空间范围适用性较好，但在大空间范围内，这种火灾识别方法具有一定的局限性。相比于传统的感烟和感温火灾识别方法，图像型火灾识别可以很好地避免这一缺点 。李建文等人[1]通过对核电站场所内火灾发生的特点进行分析，结合图像分析技术的优势，降低了核电站的火灾探测误报率；王媛彬等人[2]通过提取火灾火焰图像的特征，对是否有火焰产生实现了判断。马越豪等人[3]利用无人机技术，通过图像的颜色特征检测火灾区域，提出了一种火灾检测方法。Kandil等人[4]提取火焰小波变换后的图像特征，通过使用BP 神经网络进行火焰的识别。然而，以上这些基于图像处理的火灾识别方法均属于传统的图像处理方法，需要人工提取特征，易受干扰且效率较低。

随着深度学习[5]的发展，卷积神经网络（CNN） 已经在手写字符识别、语音识别[6]、图像识别等领域得到了成功应用。与传统的机器学习图像识别算法相比，卷积神经网络具有无须人工提取特征，局部区域连接以及权值共享特点。本文基于改进的VGG16网络模型，对图像进行发生火灾和未发生火灾的分类，借助深度学习的方法，让计算机通过大量样本训练提取到火灾特征，对火灾进行识别，并将该网络与ResNet34 网络和VGG16网络进行对比，测试网络在火灾数据集上的性能表现。

1 数据和模型

1.1 数据来源

本文采用的火灾样本数据集来自公开数据集“Fire Image Data Set for Dunnings 2018 study – PNG still image set”静态火灾图像数据集。为保证样本的平衡，选取火灾图像4 000张，非火灾图像4 000张。

将发生火灾的图像标注为0，未发生火灾的图像标注为1，训练集和测试集按照7：3的比例进行划分，数据库中的部分图像如图1所示。

1.2 网络模型

本文分别采用VGG16、ResNet34 以及改进的VGG 网络模型对数据集进行训练和测试。其中VGG16[7]是由牛津大学和Google公司共同研发的一个卷积神经网络结构。VGG16网络是由13个卷积层和5个池化层组成，最后由3个全连接层作为分类层。

在本文中，考虑到火灾识别是一个二分类问题，不需要复杂的分类层，故保留VGG16网络中的特征提取层，重新设置分类层，采用2层全连接层 [8]。VGG16网络的特点是采用连续的3×3的卷积核代替较大卷积核，相比直接使用大尺度卷积核训练，训练量大大减小，通过增加通道数提高了网络特征识别能力，并且VGG16网络的非线性能力增强，增加了卷积神经网络特征提取能力。

残差神经网络[9]（ResNet）是由何恺明等人提出的，并在ILSVRC2015比赛中取得冠军。ResNet34是由33 层卷积层和1层全连接层组成的神经网络模型。残差网络主要由残差块构成，这种残差块的输入会经过一个跳跃结构输出到残差块的输出，避免了网络退化的问题，同时缓解了在深度神经网络中增加深度带来的梯度消失问题。

改进的VGG网络模型是在原来的VGG16模型的基础上添加了残差块结构，改进的VGG 网络结构见图2。

三个网络的激活函数均使用Rule函数，选择Rule 函数是因为在一定程度上解决了梯度消失的问题，加速梯度下降的收敛速度，并且Rule函数计算简单，更加高效。

三个网络在经过对图像的特征提取和分类后，通过使用Softmax函数将两个目标类别给出的输出数值转化为相对概率。关于Softmax 函数的定义表达式为：

2 实验结果与分析

2.1 实验环境及超参数设置

模型的训练与测试均在PyTorch框架下完成。硬件 环 境 ：Intel（R） Xeon（R） Platinum 8157 CPU @ 2.30GHz，NVIDIA GeForce RTX 3090 GPU;软件环境：Ubuntu18.04 操作系统， Python 3.8， CUDA 11.3，Py⁃Torch 1.11.0，以及图像相关的第三方库。

模型训练时使用GPU加速，具体训练设置如下：最大训练数设置为100个epoch，batch size设置为64，学习率设置为0.001。损失函数为交叉熵损失函数（Cross Entropy Loss） ，交叉熵函数可以完美解决均方误差函数权重更新慢的问题，在误差大时权重更新快，在误差小时，权重更新慢。交叉熵损失函数的表达式为：

优化方法为随机梯度下降法（SGD） ，该算法是通过迭代运算不断优化参数，使损失函数最小化。

2.2 训练结果

为比较3种网络的性能，在数据集上进行实验，得到实验结果，绘制了以下图像。

训练迭代100次，图3是在训练过程中，网络模型的损失值随着迭代次数变化的曲线图。观察图3的损失值曲线发现，随着迭代次数的增加，3种网络模型的损失函数均呈递减形式，并最终都稳定在一个数值；从图3还可以看出，改进后的VGG模型在损失方面要优于其他两个网络。

在测试集上的准确率如图4所示。观察图4发现，随着训练迭代次数的增加，3种模型的准确率均呈递增形式，并最终收敛；除此之外，改进后的VGG模型在准确率上明显优于其他两个网络。

2.3 性能评估

为了评价算法对火灾的识别能力，本文通过召回率、准确率、受试者操作特征曲线（ROC） 以及AUC四个指标，对网络性能进行评价。

首先，给出实验结果汇总后得到的混淆矩阵。混淆矩阵是一种精度评价模型，主要比较预测值和实际值在不同类别上的表现。表1为3种网络在测试集上的混淆矩阵。通过观察表1混淆矩阵发现，改进的VGG模型对有火发生的识别能力要优于无火灾发生的识别能力。并且改进的VGG模型对有火发生的识别能力要优于另外两个网络。

3 结束语

针对传统火灾探测器检测局限性、检测率低的问题，本文提出了一种改进的VGG网络的图像型火灾识别方法。本文选取公开数据集上的4 000张火灾照片和4 000张未发生火灾的照片，保证了样本的平衡，并将数据集按7：3分为训练集和测试集，对改进的VGG 模型进行实验，得到的火灾识别模型分类准确率为81.21%，AUC 值为0.879，网络性能优于VGG16 网络和ResNet34网络，说明了该网络可以应用于火灾识别，且具有准确的优点。

参考文献：

[1] 李建文，刘旭升，孙宝承，等.图像分析技术在核电站火灾探测中的应用[J].消防科学与技术，2019，38（10）：1441-1443.

[2] 王媛彬，马宪民.基于图像特征的火灾火焰识别方法[J].消防科学与技术，2012，31（2）：126-128.

[3] 马越豪，卢晓，董佩，等.基于图像特征的无人机火灾检测[J]. 消防科学与技术，2019，38（5）：658-660.

[4] oKgannidtiioln M[C，]S/a/IlEamEEa MEU.AR OneCwO hNy，bSrt.iPd eatelgrosbriuthrgm，R fuors sfiiare.I EviEsEio，n2 0r0ec9⁃：

[5] S1c4h6m0-id1h4u6b6e.r J.Deep learning in neural networks：an overview[J].

[6] NHeinutroanl NGe，Dtweonrgk sL，2，Y01u5 D（6，1et） ：8al5.-D1e1e7p. neural networks for acoustic smeoadrcehli nggr oiunp ss[pJ]e.eIEchE Ere Scioggnnailt ioPnro：ctheess isnhga rMeda gavzieinwes， 2o0f 1f2o，u2r9 （r6e）⁃：

[7] 8S2im-o9n7y.an K，Zisserman A.Very deep convolutional networks for laarrXgiev-：1sc4a0l9e. 15im56ag.het tprse：c//oagrnxiitvi.oonr[gE/aBb/sO/1L4].09[2.1052516-.10-20]. 2014：

[8] 蒋珍存，温晓静，董正心，等.基于深度学习的VGG16图像型火灾探测方法研究[J].消防科学与技术，2021，40（3）：375-377.

[9] Hagee Kre Mco，gZnhiatinogn [XC ]Y//，2R0e1n6 S I EQE，eEt aCl.oDnefeerpe nrecsei douna Cl loemarpnuitnegr fVoris iimon⁃ a2n0d1 6P：7a7tt0e-rn7 7R8.ecognition （CVPR）. Las Vegas， NV， USA. IEEE，

【通联编辑：唐一东】