危化品仓库用以存储易燃、易爆、腐蚀性强的危险化学品,危化品存储有非常严格的要求,部分危险品种类严禁混存,且有严格安全距离要求,违反这些规定可能会引发重大的安全事故,危化品的存储安全是当前亟待解决的问题。深度学习在各个领域已经崭露头角,但危化品仓库环境复杂,卷积神经网络需要快速且适应性强的训练方法。本文将深度学习算法应用于巡检车视觉,提出了两种卷积神经网络的训练方法,精简了训练模型,提高了模型的训练速度和适用能力。为训练出精简、可快速训练的网络架构,抑制神经网络训练时过拟合现象的发生,本文提出一种基于泊松分布的dropout方法。在充分利用神经元历史行为的基础上,在全链接层对神经元进行筛选;实验结果表明,在保持正确率的情况下,损失值提前收敛,节约了训练时间。为了迅速在数据集中提取更多的有效特征,本文提出了基于双池化的卷积神经网络算法,为了突出图像中的边缘信息,该方法通过给定的模板对数据区进行卷积,以加快网络的训练速度,从而快速得到较低的损失值。该方法易于实现,适用于依赖图像边缘信息进行识别的场景。