随着社会的进步和城市地下综合管廊的发展,城市地下综合管廊集电力、通信、燃气、供热、给排水等各种工程管线一体,发挥着重要的社会作用。城市地下综合管廊一旦发生火灾就会造成巨大的社会经济损失,在火灾造成巨大损失前发现火灾并扑灭有着十分重要的意义。采用温感传感器或烟感传感器为主的传统火灾报警方法,会因为环境因素的大量干扰从而出现误报、漏报的现象。而采用数字图像处理技术的火灾自动检测报警方法利用的是摄像头对监控场景进行视频检测,然后利用设计好的数字图像处理算法对图像进行处理,接着将疑似区域中的特征提取出来,最后采用模式识别的方法实现对火灾的图像识别。因此对比之下,采用图像处理技术的火灾检测方法可监控并取得更多的现场信息,从而使得系统对火灾的反应更加的敏捷,更适合用在早期的火灾检测系统当中。本文对基于卷积神经网络的管廊火灾图像识别方法进行了深入研究,论文的主要研究成果如下:研究了一种火灾图像亮度增强方法,有效解决管廊火灾图像亮度不足的问题。现阶段,管廊火灾图像主要存在亮度分布不均衡和离散点干扰导致的图像质量受损的问题。针对以上问题,本文将多通道融合技术应用于提高管廊火灾图像质量,首先将原始RGB通道转换为HSV通道并分离出三个独立的通道分别是色调通道、饱和度通道和亮度通道,接着对亮度通道进行直方图均衡化处理,可以显著的增强亮度。然后在图像亮度增强的前提下对图像进行中值滤波操作,去除火灾图像中的离散值干扰,使V通道清晰度有效提高。最后将分离出来的三个通道进行融合并转换到RGB通道,使图像质量有效提高。在对具有明显亮度值偏低且离散噪声较多的管廊火灾图像处理中,所提出的多通道融合算法具有明显的图像质量提高效果。研究了一种基于粒子群算法(Particle Swarm Optimization,PSO)优化的k近邻算法,用于有效解决k近邻算法聚类缓慢计算量大的问题。现阶段k近邻算法处理管廊火灾图像主要存在的问题是火灾图像数据量大,导致k近邻算法计算量大耗时久;聚类算法对初始值敏感,不同的初始值会导致不同的结果。针对以上问题,本文首先将PSO应用于k中值聚类算法,PSO的优势在于将速度-位移模型应用在全局搜索策略当中,很大程度的减少了计算复杂度。然后确定聚类数使算法达到最大适应度,有效提高算法的计算效率。对于在管廊火灾图像区域分割应用中,所提出的算法在样本集较大时也能取得较好的区域分割效果。研究了一种基于自适应池化的卷积神经网络算法。传统的卷积神经网络池化方法包括最大值池化和均值池化,这些方法没有考虑到极端值干扰的问题,在某些情况下会对原图信息造成损失。针对以上问题,本文首先将火灾区域分割后的图像输入卷积神经网络,避免网络学习到大量非火灾特征信息,减少训练时间。然后基于自适应池化方法,建立了动态池化方法选择模型,提高了池化操作的稳定性。对于在管廊火灾图像识别的应用中,所提出的算法较使用传统池化方法的神经网络具有更高的火灾识别准确率。设计了一套基于PyQt的管廊火灾图像识别软件。该软件系统主要实现了对管廊火灾的图像识别,主要设计了三大模块分别是主界面、系统首页和登录界面。在主界面中,针对本文提出的算法设计了相应的结果显示界面,实现了管廊火灾图像识别的完整流程。在登录界面中利用My SQL与后台数据库建立连接来验证登录用户信息的正确性,保证了软件的登录和使用安全。对于在管廊火灾图像识别的操作中,所设计的软件具有较好的易操作性。