火焰監護人：基於深度學習的火災檢測系統-人工智慧-PHP中文網

想像一下，在確保家人的安全時，要醒來煙味，心跳加速。早期檢測至關重要，並且是一個深層學習驅動的火災探測系統的“火焰監護人”，旨在使挽救生命的差異。本文指導您使用CNN和TensorFlow創建此技術，從數據收集和增強到模型構建和微調。無論您是技術愛好者還是專業人士，都可以發現如何利用尖端技術來保護生活和財產。

學習成果

獲得準備，組織和增強圖像數據集的技能，以優化模型性能。
了解如何構建和微調卷積神經網絡以進行有效的圖像分類任務。
使用指標和可視化來評估和解釋模型性能的能力。
了解如何為實用應用部署和調整DL（深度學習）模型，以證明其在消防檢測等現實世界中的實用性。

本文作為數據科學博客馬拉鬆的一部分發表。

深度學習中的革命檢測
火災檢測中的挑戰
數據集概述
設置環境
數據準備
可視化圖像的分佈
展示火和非火圖像
通過增強技術增強培訓數據
構建火災檢測模型
模型擬合：培訓卷積神經網絡
評估模型
示例用法：預測新圖像中的火
常見問題

深度學習中的革命檢測

最近，Thedeep Learning徹底改變了從醫療保健到金融的色彩豐富的領域，現在，它在安全和災難運營方面取得了長足的進步。深度學習的一個特別激烈的操作是火災發現領域。隨著全球範圍反射的增加頻率和僵化性，開發有效且可靠的火災發現系統比以往任何時候都更加關鍵。在這個全面的伴侶中，我們將引導您完成使用卷積神經網絡（CNN）和TensorFlow創建重要的火災發現系統的過程。該系統恰當地命名為“火焰監護人”。

火災，無論是野火還是結構性火災對生命，財產和環境構成重大威脅。早期發現對於減輕火災的毀滅性影響至關重要。基於深度學習的火災檢測系統可以快速，準確地分析大量數據，在升級之前識別火災事件。

火災檢測中的挑戰

使用深度學習檢測火提出了一些挑戰：

數據可變性：火影圖像在顏色，強度和周圍環境方面可能有很大差異。強大的檢測系統必須能夠處理此變異性。
誤報：將假陽性（錯誤地識別為火災）最小化以避免不必要的恐慌和資源部署至關重要。
實時處理：為了實際使用，系統應能夠實時處理圖像，並提供及時的警報。
可伸縮性：系統應可擴展以處理大型數據集並在不同的情況下工作。

數據集概述

用於火焰監護人火災檢測系統的數據集包括分為兩個類：“火”和“非火力”的圖像。該數據集的主要目的是訓練卷積神經網絡（CNN）模型，以準確區分包含火的圖像和那些沒有火災的圖像。

火和非火圖像的組成

火災圖像：這些圖像包含存在火災的各種情況。該數據集包括野火，結構火和受控燒傷的圖像。這些圖像中的火可能在大小，強度和存在的環境上有所不同。這種多樣性有助於模型學習火的不同視覺特徵。
非火圖像：這些圖像不包含任何火。它們包括各種場景，例如景觀，建築物，森林以及其他自然和城市環境，而沒有任何火災。包含多種非火圖像可確保模型不能在非火災情況下錯誤地識別火災。

您可以從這裡下載數據集。

設置環境

首先，我們需要使用必要的庫和工具來建立自己的地形。我們將使用Google協作進行此設計，因為它為GPU支持提供了一個可訪問的平台。我們以前已經下載了數據集並將其上傳到驅動器上。

 #mount驅動器
從Google.Colab Import Drive
drive.mount（'/content/drive'）

＃Importing必要的庫
導入numpy作為NP
導入大熊貓作為pd
導入matplotlib.pyplot作為PLT
進口海洋作為SNS
導入plotly.extress為px
導入plotly.graph_objects作為go
從plotly.subplots導入make_subplots
導入操作系統
導入TensorFlow作為TF
來自Tensorflow.keras.preprocessing導入圖像
來自tensorflow.keras.preprocessing.image導入成像的Atagenerator


#setting樣式網格 
sns.set_style（'darkgrid'）

登入後複製

數據準備

我們需要一個帶有火和非火語腳本圖片的數據集，以訓練我們的算法。將創建一個空白的數據幀和一個函數來添加Google驅動器中的圖像。

 ＃創建一個空數據框
df = pd.dataframe（columns = ['path'，'label']）

＃功能將圖像添加到數據框
def add_images_to_df（目錄，標籤）：
    對於dirname，_，在OS.Walk（目錄）中的文件名：
        用於文件名中的文件名：
            df.loc [len（df）] = [os.path.join（dirname，filename），標籤]

＃添加火圖像
add_images_to_df（'/content/drive/mydrive/fire/fire_dataset/fire_images'，'fire'）

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

＃洗牌數據集
df = df.sample（frac = 1）.Reset_index（drop = true）

登入後複製

可視化圖像的分佈

可視化火災和非火力圖像的分佈有助於我們更好地了解數據集。我們將繪圖用於交互式圖。

創建圖像發行的餅圖

現在讓我們創建一個用於圖像分佈的餅圖。

 ＃創建散點圖
無花果= px.scatter（
    data_frame = df，
    x = df.index，
    y ='label'，
    顏色='label'，
    title =“火和非火圖像的分佈”
）

＃更新標記大小
圖.update_traces（Marker_Size = 2）

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

登入後複製

火焰監護人：基於深度學習的火災檢測系統

展示火和非火圖像

現在讓我們編寫用於顯示火和非火圖像的代碼。

 Def Visualize_images（標籤，標題）：
    data = df [df ['label'] ==標籤]
    圖片= 6＃設置圖片的數量
    圖，ax = plt.subplots（int（pics // 2），2，無花果=（15，15））
    plt.suptitle（標題）
    ax = ax.ravel（）
    對於範圍（（圖片// 2） * 2）的i
        路徑= data.sample（1）.loc [：，'path']。 to_numpy（）[0]
        img = image.load_img（路徑）
        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'，'帶火的圖像'）
visualize_images（'non_fire'，“無火的圖像”）

登入後複製

火焰監護人：基於深度學習的火災檢測系統

通過顯示一些來自火災和非火災類別的示例圖像，我們將了解我們的模型將使用的內容。

通過增強技術增強培訓數據

我們將採用圖像添加方法來改善我們的培訓數據。應用任意圖像適應（類似於迴旋，無人機和剪切）被稱為加法。通過生成更健壯和不同的數據集，此過程增強了模型概括為新圖像的能力。

來自tensorflow.keras.models導入順序
來自tensorflow.keras.layers導入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，
    驗證_split = 0.2，
）
train_gen = generator.flow_from_dataframe（df，x_col ='path'，y_col ='label'，images_size =（256,256），class_mode ='binary'，subset ='訓練'）
val_gen = generator.flow_from_dataframe（df，x_col ='path'，y_col ='label'，images_size =（256,256），class_mode ='binary'，subset ='驗證'）
class_indices = {}
對於train_gen.class_indices.keys（）中的鍵：
    class_indices [train_gen.class_indices [鍵]] =鍵
    
打印（class_indices）

登入後複製

可視化增強圖像

我們可以可視化訓練集產生的一些增強圖像。

 sns.set_style（'dark'）
圖片= 6＃設置圖片的數量
圖，ax = plt.subplots（int（pics // 2），2，無花果=（15，15））
plt.suptitle（“訓練集中生成的圖像”）
ax = ax.ravel（）
對於範圍（（圖片// 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）

登入後複製

火焰監護人：基於深度學習的火災檢測系統

構建火災檢測模型

我們的模型將對應幾個卷積層，每個卷積層隨後是最大池子播種機。卷積層是CNN的核心結構塊，使模型可以從圖像中學習特徵的空間尺度。最大池層有助於降低點圖的維度，從而使模型更有效。我們還將在模型末端添加完全連接的（厚）。這些層有助於結合卷積層學到的功能，並做出最終的括號決定。該事件子播種將具有具有Sigmoid激活函數的單個神經元，該神經元的概率得分錶明圖像是否包含火。定義模型電樞後，我們將發布一個摘要，以查看每個子播種機中的結構和參數數量。此步驟對於確保正確配置模型很重要。

來自tensorflow.keras.models導入順序
來自tensorflow.keras.layers導入conv2d，maxpool2d，扁平，密集

型號=順序（）
model.Add（conv2d（過濾器= 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（）

登入後複製

用優化器和損失功能編譯模型

接下來，我們將使用ADAM優化器和二進制交叉滲透損失函數進行編譯。 Adam Optimizer的效率和自適應學習率廣泛用於深度學習。二進制跨凝結適用於我們的二元分類問題（火與非火災）。

我們還將指定其他指標，例如曲線（AUC）下的準確性，召回和區域，以評估模型在訓練和驗證過程中的性能。

添加回調以進行最佳培訓

回調是TensorFlow中的一個強大功能，使我們能夠監視和控制訓練過程。我們將使用兩個重要的回調：

早期踩踏：當驗證損失停止改善，防止過度擬合時，停止訓練。
REDUCELRONPLATEAU：降低驗證損失高原時的學習率，幫助模型收斂到更好的解決方案。

 #compiling模型
來自Tensorflow.keras.metrics導入召回，AUC
來自tensorflow.keras.utils導入plot_model

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

＃定義回調
從tensorflow.keras.callbacks進口早期踩踏，還原
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）

登入後複製

模型擬合：培訓卷積神經網絡

模型擬合是指訓練數據集上的機器學習模型的過程。在此過程中，該模型通過調整其參數（權重和偏見）以最大程度地減少損耗函數來了解數據中的基本模式。在深度學習的背景下，這涉及到訓練數據的幾個時代和後退傳球。

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

登入後複製

評估模型

訓練後，我們將在驗證集上評估模型的性能。此步驟有助於我們了解模型對新數據的推廣程度。我們還將可視化培訓歷史，以了解損失和指標如何隨著時間的流逝而發展。

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

登入後複製

火焰監護人：基於深度學習的火災檢測系統

示例用法：預測新圖像中的火

最後，我們將演示如何使用訓練有素的模型來預測新圖像是否包含火。此步驟涉及加載圖像，預處理以匹配模型的輸入要求，並使用模型進行預測。

下載和加載圖像

我們將從Internet下載示例圖像，並使用TensorFlow的圖像處理功能加載它。此步驟涉及調整圖像並標準化其像素值。

做出預測

使用訓練有素的模型，我們將對已加載的圖像進行預測。該模型將輸出概率分數，我們將進行四捨五入以獲得二進制分類（火災或非火災）。我們還將使用類索引將預測映射到其相應的標籤。

 ＃下載圖像
！
＃加載圖像
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（“圖像形狀”，img.shape）

預測= int（tf.Round（model.predict（x = img））。numpy（）[0] [0]）
打印（“預測值是：”，預測”，預測標籤為：

登入後複製

火焰監護人：基於深度學習的火災檢測系統