CN108564065B - 一种基于ssd的电缆隧道明火识别方法 - Google Patents

一种基于ssd的电缆隧道明火识别方法 Download PDF

Info

Publication number
CN108564065B
CN108564065B CN201810404976.3A CN201810404976A CN108564065B CN 108564065 B CN108564065 B CN 108564065B CN 201810404976 A CN201810404976 A CN 201810404976A CN 108564065 B CN108564065 B CN 108564065B
Authority
CN
China
Prior art keywords
frame
tunnel
ssd
output
image
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201810404976.3A
Other languages
English (en)
Other versions
CN108564065A (zh
Inventor
裴星宇
黄顺涛
崔江静
仇炜
黄培专
朱五洲
袁永毅
廖雁群
刘淡冰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong Power Grid Co Ltd
Zhuhai Power Supply Bureau of Guangdong Power Grid Co Ltd
Original Assignee
Guangdong Power Grid Co Ltd
Zhuhai Power Supply Bureau of Guangdong Power Grid Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Guangdong Power Grid Co Ltd, Zhuhai Power Supply Bureau of Guangdong Power Grid Co Ltd filed Critical Guangdong Power Grid Co Ltd
Priority to CN201810404976.3A priority Critical patent/CN108564065B/zh
Publication of CN108564065A publication Critical patent/CN108564065A/zh
Application granted granted Critical
Publication of CN108564065B publication Critical patent/CN108564065B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Multimedia (AREA)
  • Fire-Detection Mechanisms (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及计算机图像处理识别方法的技术领域，更具体地，涉及一种基于SSD的电缆隧道明火识别方法，选择了训练SSD网络模型的方式，充分利用了SSD网络选取不同层次的特征图进行多尺度检测的特点，弥补了现有方法对小目标物体检测鲁棒性较差的缺陷。本发明能够准确地检测与定位出图像中的明火火焰区域并完成准确的结果检测，让摄像机的摆放位置以及巡检机器人的定点巡检位置更加自由，可以有效地应对一些复杂的环境状况本发明具有卷积神经网络的优点，减少隧道内部机器人拍摄明火检测过程中图像背景比较复杂、隧道环境较为昏暗等因素的干扰，具有较强的抗干扰能力，提高隧道明火检测的准确率。

Description

一种基于SSD的电缆隧道明火识别方法
技术领域
本发明涉及计算机图像处理识别方法的技术领域，更具体地，涉及一种基于SSD的电缆隧道明火识别方法。
背景技术
近年来，电缆隧道得以大规模的发展。但是，由于电缆隧道空间狭长、隧道出入口较少、高压电缆密集等原因，一旦发生电缆燃烧等火灾事故，火灾扑救措施较难展开。同时，火势一旦蔓延，将对隧道内的电气设备和城市安全造成巨大危害。目前，缆隧道中传统的火灾探测一般采用感温、感烟、光电等传感器。然而，传统传感器存在无法掌控火灾现场的情况，无法根据实际情况进行实时调度等缺陷。
发明内容
本发明的目的在于克服现有技术的不足，提供一种基于SSD的电缆隧道明火识别方法，以机器人巡检的方式代替人工巡检，利用图像处理技术实现电缆隧道明火识别，促进电缆隧道巡检向智能化、快速化、准确化方向发展。
为解决上述技术问题，本发明采用的技术方案是：
提供一种基于SSD的电缆隧道明火识别方法，包括以下步骤：
S1.通过隧道巡检机器人摄像头拍摄采集隧道明火样本图像，获得图像集；
S2.遍历步骤S1中所述图像集中所有的样本图像，对每张样本图像用包围框包围完整的明火区域并进行标记处理为具有包围框的明火样本图像，将包围框内的像素点标记为明火类别，将包围框外的像素点标记为背景类别，获得第一训练集；
S3.针对步骤S2中所述的具有包围框的明火样本图像进行尺度缩放处理，将每张明火样本图像的包围框的较长边变换到预设目标尺寸，较短边根据较长边变换到预设目标尺寸的缩放尺度进行相同比例的缩放，获得第二训练集；
S4.采用COCO数据集输入SSD模型进行预训练并迭代预训练得到预训练后模型，将步骤S3中所述的第二训练集输入预训练后模型进行针对训练并迭代针对训练得到隧道明火检测模型；
S5.实时采集隧道待测图像，按照步骤S3中所述的缩放尺度进行缩放后输入至步骤S4中所述的隧道明火检测模型中，计算输出置信度大于90％的分类结果作为待测图像的识别结果。
本发明的基于SSD的电缆隧道明火识别方法，选择了训练SSD网络模型的方式，充分利用了SSD网络选取不同层次的特征图进行多尺度检测的特点，弥补了现有方法对小目标物体检测鲁棒性较差的缺陷。本发明具有卷积神经网络的优点，减少隧道内部机器人拍摄明火检测过程中图像背景比较复杂、隧道环境较为昏暗等因素的干扰，具有较强的抗干扰能力，提高隧道明火检测的准确率。
优选地，摄像头以明火区域为目标物，拍摄范围为水平左偏差为15°～30°视角、水平右偏差为15°～30°视角之间的范围以及俯视偏差为50°～70°视角、仰视偏差为50°～70°视角之间的范围。隧道明火样本图像可从不同视角进行采集，获得多样的样本图像，可提高异常识别的准确度。
优选地，步骤S2中所述的包围框为长方形框，完整的明火区域为包围框内非目标物的区域面积占包围框面积的比例小于15％的明火区域。
优选地，步骤S4中所述的SSD模型由VGG-16网络和四个卷积层构建，步骤S4中预训练后模型的建立步骤如下:
S41.以隧道明火样本图像为输入，在卷积层中核对图像卷积运算得到的特征图；
S42.对VGG-16网络中的Conv4_3层、Conv7层、Conv8_2～Conv11_2层的特征图用两种不同的3×3卷积核进行卷积，一种输出分类用的置信度，一种输出回归用的定位信息；
S43.将所有的输出结构合并，通过非极大值抑制处理得到检测结果。
通过选取六个不同层次的特征图进行多尺度检测，在保留对深层特征图的检测的基础上，增加对较浅特征图的检测，既充分利用了深层特征图的丰富图像细节信息，又达到增强小尺度物体检测鲁棒性的效果，解决在明火火焰较小情况下的检测与定位问题。
优选地，输出分类用的置信度时，每个边框生成两个类别的置信度；输出回归用的定位信息时，每个边框的生成四个坐标值(x,y,w,h)；其中，x表示边框左上角点的横坐标值，y表示边框左上角点的纵坐标值，w表示边框的宽度值，h表示边框的高度值。
优选地，步骤S41中特征图按下述方法进行运算：
步骤1：将Conv4_3层输出的特征图分成38×38个单元，每个单元上使用四种默认边界框，每个默认边界框上使用大小为3×3的卷积核进行卷积运算，输出边框的四个元素和类别的两个元素，边框的四个元素分别是输出边框的左上角点的横坐标值x、纵坐标值y和边框回归层所输出边框的宽度值w、高度值h，类别的两个元素分别是边框中的物体属于明火和背景的置信度；
步骤2：按照步骤S41中相同的方法依次在Conv7层、Conv8_2～Conv11_2层输出的特征图上进行计算；其中，各层特征图分别被分为19×19、10×10、5×5、3×3、1×1个单元，每个单元所使用的默认边界框数分别为6、6、6、4、4。
优选地，步骤S4中预训练后模型的模型训练误差小于10％，隧道明火检测模型的模型训练误差的平均值小于5％。
与现有技术相比，本发明的有益效果是：
(1)本发明能够实现隧道明火检测和定位，具有较高的准确率，并且具有稳定性好，抗干扰能力强，通用性高等优点，对隧道较小明火火焰具有鲁棒性，能够应用于隧道内部巡检系统。
(2)本发明具有卷积神经网络的优点，减少隧道内部机器人拍摄明火检测过程中图像背景比较复杂、隧道环境较为昏暗等因素的干扰，具有较强的抗干扰能力，提高隧道明火检测的准确率。
具体实施方式
下面结合具体实施方式对本发明作进一步的说明。
实施例一
本实施例为本发明的基于SSD的电缆隧道明火识别方法的第一实施例，包括以下步骤：
S1.通过隧道巡检机器人摄像头拍摄采集隧道明火样本图像，获得图像集；
S2.遍历步骤S1中所述图像集中所有的样本图像，对每张样本图像用包围框包围完整的明火区域并进行标记处理为具有包围框的明火样本图像，将包围框内的像素点标记为明火类别，将包围框外的像素点标记为背景类别，获得第一训练集；
S3.针对步骤S2中所述的具有包围框的明火样本图像进行尺度缩放处理，将每张明火样本图像的包围框的较长边变换到预设目标尺寸，较短边根据较长边变换到预设目标尺寸的缩放尺度进行相同比例的缩放，获得第二训练集；
S4.采用COCO数据集输入SSD模型进行预训练并迭代预训练得到预训练后模型，将步骤S3中所述的第二训练集输入预训练后模型进行针对训练并迭代针对训练得到隧道明火检测模型；
S5.实时采集隧道待测图像，按照步骤S3中所述的缩放尺度进行缩放后输入至步骤S4中所述的隧道明火检测模型中，计算输出置信度大于90％的分类结果作为待测图像的识别结果。
步骤S1中，摄像头以明火区域为目标物，拍摄范围为水平左偏差为15°～30°视角、水平右偏差为15°～30°视角之间的范围以及俯视偏差为50°～70°视角、仰视偏差为50°～70°视角之间的范围。隧道明火样本图像可从不同视角进行采集，获得多样的样本图像，可提高异常识别的准确度。具体地，明火样本图像对其中每个像素点进行标记形成图像标记集，图像标记集采用如下形式存储标记数据：
{image_name，label，x1，y1}
其中，image_name表示巡检机器人拍摄明火图像名，label表示像素点的类别，x1表示像素点的横坐标，y1表示像素点的纵坐标。
步骤S2中，包围框为长方形框，完整的明火区域为包围框内非目标物的区域面积占包围框面积的比例小于15％的明火区域。
步骤S4中，预训练后模型的建立步骤如下:
S41.以隧道明火样本图像为输入，在卷积层中核对图像卷积运算得到的特征图；
S42.对VGG-16网络中的Conv4_3层、Conv7层、Conv8_2～Conv11_2层的特征图用两种不同的3×3卷积核进行卷积，一种输出分类用的置信度，一种输出回归用的定位信息；
S43.将所有的输出结构合并，通过非极大值抑制处理得到检测结果；其中，输出分类用的置信度时，每个边框生成两个类别的置信度；输出回归用的定位信息时，每个边框的生成四个坐标值(x,y,w,h)；其中，x表示边框左上角点的横坐标值，y表示边框左上角点的纵坐标值，w表示边框的宽度值，h表示边框的高度值。
其中，步骤S41中的特征图按下述方法进行运算：
步骤1：将Conv4_3层输出的特征图分成38×38个单元，每个单元上使用四种默认边界框，每个默认边界框上使用大小为3×3的卷积核进行卷积运算，输出边框的四个元素和类别的两个元素，边框的四个元素分别是输出边框的左上角点的横坐标值x、纵坐标值y和边框回归层所输出边框的宽度值w、高度值h，类别的两个元素分别是边框中的物体属于明火和背景的置信度；
步骤2：按照步骤S41中相同的方法依次在Conv7层、Conv8_2～Conv11_2层输出的特征图上进行计算；其中，各层特征图分别被分为19×19、10×10、5×5、3×3、1×1个单元，每个单元所使用的默认边界框数分别为6、6、6、4、4。
通过选取六个不同层次的特征图进行多尺度检测，在保留对深层特征图的检测的基础上，增加对较浅特征图的检测，既充分利用了深层特征图的丰富图像细节信息，又达到增强小尺度物体检测鲁棒性的效果，解决在明火火焰较小情况下的检测与定位问题。
本实施例中的VGG-16部分网络结构为：
第一层，连续使用两次大小为3×3的64个卷积滤波器，步幅为1，填充(padding)为1，得到两个300×300×64的卷积层(Conv1_1，Conv1_2)，获得卷积层的输出后，使用BN层(batch normalization)进行归一化处理，然后使用ReLU函数(Rectified Linear Units)作为非线性激活函数进行激活，最后再用一个窗口大小为2×2的最大池化层(Maxpooling)进行池化，最大池化层(Maxpooling)的采样步幅为2。
第二层，连续使用两次大小为3×3的128个卷积滤波器，步幅为1，填充(padding)为1，得到两个150×150×128的卷积层(Conv2_1，Conv2_2)，获得卷积层的输出后，使用BN层(batch normalization)进行归一化处理，然后使用ReLU函数(Rectified LinearUnits)作为非线性激活函数进行激活，最后再用一个窗口大小为2×2的最大池化层(Maxpooling)进行池化，最大池化层(Maxpooling)的采样步幅为2。
第三层，连续使用三次大小为3×3的256个卷积滤波器，步幅为1，填充(padding)为1，得到三个75×75×256的卷积层(Conv3_1，Conv3_2，Conv3_3)，获得卷积层的输出后，使用BN层(batch normalization)进行归一化处理，然后使用ReLU函数(Rectified LinearUnits)作为非线性激活函数进行激活，最后再用一个窗口大小为2×2的最大池化层(Maxpooling)进行池化，最大池化层(Maxpooling)的采样步幅为2。
第四层，连续使用三次大小为3×3的512个卷积滤波器，步幅为1，填充(padding)为1，得到三个38×38×512的卷积层(Conv4_1，Conv4_2，Conv4_3)，获得卷积层的输出后，使用BN层(batch normalization)进行归一化处理，然后使用ReLU函数(Rectified LinearUnits)作为非线性激活函数进行激活，最后再用一个窗口大小为2×2的最大池化层(Maxpooling)进行池化，最大池化层(Maxpooling)的采样步幅为2。
第五层，连续使用三次大小为3×3的512个卷积滤波器，步幅为1，填充(padding)为1，得到三个19×19×512的卷积层(Conv5_1，Conv5_2，Conv5_3)，获得卷积层的输出后，使用BN层(batch normalization)进行归一化处理，然后使用ReLU函数(Rectified LinearUnits)作为非线性激活函数进行激活。
接着，对Conv5_3的输出使用大小为3×3的1024个卷积滤波器，步幅为1，填充(padding)为1，得到大小为19×19×1024的Conv6层，再对Conv6层使用大小为1×1的1024个卷积滤波器，步幅为1，填充(padding)为1得到大小为19×19×1024的Conv7层。
最后，在Conv7层后面增加四个卷积层，分别是大小为10×10×512的Conv8层，5×5×256的Conv9层，3×3×256的Conv10层，1×1×256的Conv11层。
步骤S4中预训练后模型的模型训练误差小于10％，隧道明火检测模型的模型训练误差的平均值小于5％。模型训练误差的计算方法如下：
步骤1：将每个包围框与对应最大jaccard系数重叠的默认边界框相匹配，并将默认边界框与jaccard系数重叠大于0.7的任一包围框匹配；
步骤2：用表示第i个默认框与类别p的第j个包围框相匹配；若不匹配，则
Figure GDA0002299007930000062
步骤3：总的目标损失函数L(x，c，l，g)由定位损失Lloc和置信度损失Lconf加权求和得到：
Figure GDA0002299007930000063
式中，N为与包围框相匹配的默认边界框的个数，Lloc为定位损失，Lconf为置信度损失，x表示训练样本，c表示每一类物体的置信度，l代表预测框，g代表包围框，α表示权重，本实施例中的α设置为1；
定位损失Lloc采用Smooth L1 Loss，x表示训练样本，l代表预测框，g代表包围框，d代表默认边界框，w表示包围框或默认边界框的宽度，h表示包围框或默认边界框的高度，i表示第i个默认框，j表示第j个包围框，m表示包围框或默认边界框的位置信息(其中，cx代表中心点x轴坐标；cy代表中心点y轴坐标；w代表框的宽度；h代表框的高度)，k表示第k个类别：
Figure GDA0002299007930000071
式中，
Figure GDA0002299007930000072
Figure GDA0002299007930000073
Figure GDA0002299007930000074
置信度损失Lconf采用Softmax Loss，输入为每一类物体的置信度c，α为权重，设置为1，p表示第p个类别，i表示第i个默认框，j表示第j个包围框，计算公式如下：
Figure GDA0002299007930000076
本发明方法也能够准确地检测与定位出图像中的明火火焰区域并完成准确的结果检测，这可以让摄像机的摆放位置以及巡检机器人的定点巡检位置更加自由，可以有效地应对一些复杂的环境状况。
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (6)

1.一种基于SSD的电缆隧道明火识别方法，其特征在于，包括以下步骤：
S1.通过隧道巡检机器人摄像头拍摄采集隧道明火样本图像，获得图像集；
S2.遍历步骤S1中所述图像集中所有的样本图像，对每张样本图像用包围框包围完整的明火区域并进行标记处理为具有包围框的明火样本图像，将包围框内的像素点标记为明火类别，将包围框外的像素点标记为背景类别，获得第一训练集；
S3.针对步骤S2中所述的具有包围框的明火样本图像进行尺度缩放处理，将每张明火样本图像的包围框的较长边变换到预设目标尺寸，较短边根据较长边变换到预设目标尺寸的缩放尺度进行相同比例的缩放，获得第二训练集；
S4.采用COCO数据集输入SSD模型进行预训练并迭代预训练得到预训练后模型，将步骤S3中所述的第二训练集输入预训练后模型进行针对训练并迭代针对训练得到隧道明火检测模型；
S5.实时采集隧道待测图像，按照步骤S3中所述的缩放尺度进行缩放后输入至步骤S4中所述的隧道明火检测模型中，计算输出置信度大于90％的分类结果作为待测图像的识别结果；
其中，步骤S4中，所述的SSD模型由VGG-16网络和四个卷积层构建，步骤S4中预训练后模型的建立步骤如下：
S41.以隧道明火样本图像为输入，在卷积层中核对图像卷积运算得到的特征图；
S42.对VGG-16网络中的Conv4_3层、Conv7层、Conv8_2～Conv11_2层的特征图用两种不同的3×3卷积核进行卷积，一种输出分类用的置信度，一种输出回归用的定位信息；
S43.将所有的输出结构合并，通过非极大值抑制处理得到检测结果。
2.根据权利要求1所述的基于SSD的电缆隧道明火识别方法，其特征在于，步骤S1中，摄像头以明火区域为目标物，拍摄范围为水平左偏差为15°～30°视角、水平右偏差为15°～30°视角之间的范围以及俯视偏差为50°～70°视角、仰视偏差为50°～70°视角之间的范围。
3.根据权利要求1所述的基于SSD的电缆隧道明火识别方法，其特征在于，步骤S2中所述的包围框为长方形框，完整的明火区域为包围框内非目标物的区域面积占包围框面积的比例小于15％的明火区域。
4.根据权利要求1所述的基于SSD的电缆隧道明火识别方法，其特征在于，输出分类用的置信度时，每个边框生成两个类别的置信度；输出回归用的定位信息时，每个边框的生成四个坐标值(x,y,w,h)；其中，x表示边框左上角点的横坐标值，y表示边框左上角点的纵坐标值，w表示边框的宽度值，h表示边框的高度值。
5.根据权利要求1所述的基于SSD的电缆隧道明火识别方法，其特征在于，步骤S41中特征图按下述方法进行运算：
步骤1：将Conv4_3层输出的特征图分成38×38个单元，每个单元上使用四种默认边界框，每个默认边界框上使用大小为3×3的卷积核进行卷积运算，输出边框的四个元素和类别的两个元素，边框的四个元素分别是输出边框的左上角点的横坐标值x、纵坐标值y和边框回归层所输出边框的宽度值w、高度值h，类别的两个元素分别是边框中的物体属于明火和背景的置信度；
步骤2：按照步骤S41中相同的方法依次在Conv7层、Conv8_2～Conv11_2层输出的特征图上进行计算；其中，各层特征图分别被分为19×19、10×10、5×5、3×3、1×1个单元，每个单元所使用的默认边界框数分别为6、6、6、4、4。
6.根据权利要求1所述的基于SSD的电缆隧道明火识别方法，其特征在于，步骤S4中预训练后模型的模型训练误差小于10％，隧道明火检测模型的模型训练误差的平均值小于5％。
CN201810404976.3A 2018-04-28 2018-04-28 一种基于ssd的电缆隧道明火识别方法 Active CN108564065B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810404976.3A CN108564065B (zh) 2018-04-28 2018-04-28 一种基于ssd的电缆隧道明火识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810404976.3A CN108564065B (zh) 2018-04-28 2018-04-28 一种基于ssd的电缆隧道明火识别方法

Publications (2)

Publication Number Publication Date
CN108564065A CN108564065A (zh) 2018-09-21
CN108564065B true CN108564065B (zh) 2020-02-21

Family

ID=63537306

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810404976.3A Active CN108564065B (zh) 2018-04-28 2018-04-28 一种基于ssd的电缆隧道明火识别方法

Country Status (1)

Country Link
CN (1) CN108564065B (zh)

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109544522A (zh) * 2018-11-12 2019-03-29 北京科技大学 一种钢板表面缺陷检测方法及系统
CN109543585A (zh) * 2018-11-16 2019-03-29 西北工业大学 基于卷积神经网络的水下光学目标检测与识别方法
CN109684967A (zh) * 2018-12-17 2019-04-26 东北农业大学 一种基于ssd卷积网络的大豆植株茎荚识别方法
CN109685145B (zh) * 2018-12-26 2022-09-06 广东工业大学 一种基于深度学习和图像处理的小物件检测方法
CN110348390B (zh) * 2019-07-12 2023-05-16 创新奇智(重庆)科技有限公司 一种火焰检测模型的训练方法、计算机可读介质及系统
CN110490073A (zh) * 2019-07-15 2019-11-22 浙江省北大信息技术高等研究院 目标检测方法、装置、设备及存储介质
CN110473375A (zh) * 2019-08-14 2019-11-19 成都睿云物联科技有限公司 森林火灾的监测方法、装置、设备和系统
CN110975191A (zh) * 2019-12-24 2020-04-10 尹伟 一种无人机灭火方法
CN111597868A (zh) * 2020-01-08 2020-08-28 浙江大学 一种基于ssd的变电站隔离开关状态分析方法
CN111597904B (zh) * 2020-04-17 2023-07-18 许继集团有限公司 用于隧道电缆支架倾斜的识别方法
CN112115941B (zh) * 2020-09-11 2023-12-05 北京锐安科技有限公司 火灾检测方法、装置、设备及存储介质
CN116597595B (zh) * 2023-06-30 2024-04-16 广州里工实业有限公司 一种工厂火灾监测调度系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106778472A (zh) * 2016-11-17 2017-05-31 成都通甲优博科技有限责任公司 基于深度学习的输电走廊常见侵入物目标检测与识别方法
CN107944359A (zh) * 2017-11-14 2018-04-20 中电数通科技有限公司 基于视频的火焰检测方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101826153A (zh) * 2010-02-11 2010-09-08 上海交通大学 火灾检测方法
CN105335702B (zh) * 2015-10-15 2018-11-27 浙江捷尚视觉科技股份有限公司 一种基于统计学习的卡口车型识别方法
CN106897714B (zh) * 2017-03-23 2020-01-14 北京大学深圳研究生院 一种基于卷积神经网络的视频动作检测方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106778472A (zh) * 2016-11-17 2017-05-31 成都通甲优博科技有限责任公司 基于深度学习的输电走廊常见侵入物目标检测与识别方法
CN107944359A (zh) * 2017-11-14 2018-04-20 中电数通科技有限公司 基于视频的火焰检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于BP神经网络的火灾图像识别技术;郝东东;《硅谷》;20111023;第15页 *
复杂动态环境下人体检测与跟踪算法的研究与实现;李宁;《中国优秀硕士学位论文全文数据库信息科技辑》;20180415(第4期);第109、135页 *

Also Published As

Publication number Publication date
CN108564065A (zh) 2018-09-21

Similar Documents

Publication Publication Date Title
CN108564065B (zh) 一种基于ssd的电缆隧道明火识别方法
CN108009515B (zh) 一种基于fcn的无人机航拍图像的输电线定位识别方法
CN112793564B (zh) 一种基于全景鸟瞰图和深度学习的自主泊车辅助系统
CN108230237B (zh) 一种用于电气设备在线检测的多光谱图像重构方法
CN106529538A (zh) 一种飞行器的定位方法和装置
CN112132874B (zh) 无标定板异源图像配准方法、装置、电子设备及存储介质
CN109684967A (zh) 一种基于ssd卷积网络的大豆植株茎荚识别方法
CN111476314B (zh) 一种融合光流算法与深度学习的模糊视频检测方法
CN113205507B (zh) 一种视觉问答方法、系统及服务器
CN110298330B (zh) 一种输电线路巡检机器人单目检测与定位方法
CN111079518A (zh) 一种基于执法办案区场景下的倒地异常行为识别方法
CN112541403B (zh) 一种利用红外摄像头的室内人员跌倒检测方法
Zhang et al. MMFNet: Forest fire smoke detection using multiscale convergence coordinated pyramid network with mixed attention and fast-robust NMS
CN114089330B (zh) 一种基于深度图像修复的室内移动机器人玻璃检测与地图更新方法
CN112528974A (zh) 测距方法、装置、电子设备及可读存储介质
CN116843756A (zh) 一种基于计算机视觉的望远镜位姿监测方法
Knyaz et al. Joint geometric calibration of color and thermal cameras for synchronized multimodal dataset creating
CN110321867A (zh) 基于部件约束网络的遮挡目标检测方法
CN117314986A (zh) 基于语义分割的无人机跨模态配电设备巡检图像配准方法
CN117392495A (zh) 一种基于特征融合的视频火焰检测方法及系统
CN114596244A (zh) 基于视觉处理和多特征融合的红外图像识别方法及系统
CN112183287A (zh) 一种移动机器人在复杂背景下的人数统计方法
CN112215873A (zh) 用于对变电站内多目标跟踪定位的方法
Oppliger et al. Sensor fusion of 3D time-of-flight and thermal infrared camera for presence detection of living beings
CN115994953A (zh) 电力现场安监追踪方法及系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant