CN109815904B - 一种基于卷积神经网络的火灾识别方法 - Google Patents
一种基于卷积神经网络的火灾识别方法 Download PDFInfo
- Publication number
- CN109815904B CN109815904B CN201910070571.5A CN201910070571A CN109815904B CN 109815904 B CN109815904 B CN 109815904B CN 201910070571 A CN201910070571 A CN 201910070571A CN 109815904 B CN109815904 B CN 109815904B
- Authority
- CN
- China
- Prior art keywords
- layer
- convolution
- fire
- size
- network
- 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
Links
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明公布了一种识别准确率较高、泛化能力较好的基于卷积神经网络的火灾图像视频识别方法。该基于卷积神经网络的火灾图像识别方法通过设计神经网络结构，网络优化方法建立一套火灾图像识别领域的算法，根据网络收敛和预测情况再进行网络参数微调，使用该卷积神经网络直接得到图像是否为火灾图像，相比于传统的特征提取方法，本发明无需复杂的预处理环节，并且在测试集上保持较高的准确率和泛化能力。将火灾图片测试集输入网络得到火灾识别结果，准确率达98.5％。本发明创新性的使用深度级可分离卷积，大大减少了计算量和模型参数量，适合嵌入式设备的使用，可以快速、准确的识别火灾图像，对于火灾识别领域技术推广具有重要意义。
Description
技术领域
本发明涉及一种识别方法，特别涉及一种基于卷积神经网络的火灾识别方法，属于火灾火焰的识别领域。
背景技术
长期以来，人们使用各种感温型、感烟型和感光型探测器采集数据，判断火灾是否发生。然而受限于传感器的安装位置及探测有效距离，其探测范围受到制约，且传感器判断信息单一，易受到环境光照、温度湿度以及气流等干扰，进而产生误报、漏报等情况，可靠性和稳定性难以保证。此外，火灾产生的温度、烟雾、辐射等参量的传播需要时间，火灾蔓延的速度极快，传统的火灾探测系统完全不能满足火灾预防要求。火灾图像技术针对性的克服了传统火灾检测技术主要弱点，随着安防视频监控系统在各式建筑的大量运用，火灾图像识别技术受到了人们的关注与研究，相比于传统的火灾检测技术，视觉检测具有检测面积大、响应时间短、信息丰富直观、维护成本低等优点。传统的火灾图像识别技术，多采用基于多特征融合的方法，即提取多种火灾特征进行综合判断，但是，当选择的特征过多，或某些特征之间存在连动耦合时，制定最终的火灾判据会变得很困难。之后，人们研究了基于浅层机器学习的火灾图像识别，虽然在一定程度上提高了火灾识别的正确率，但其所使用的特征为人工设计。这种方法，一方面需要设计者有丰富的经验，另一方面提取到的特征也往往集中在浅层表达上，一旦环境特征比较复杂，提取到合理有效的特征会更加困难。
发明内容
本发明的目的是，克服背景技术存在的不足，提供一种基于卷积神经网络的火灾火焰识别方法，其能高效、准确且稳定的识别火灾火焰。
上述的目的通过以下的技术方案实现：
(1)获取丰富的火灾图像创建火灾数据集，以及类似火灾图片创建非火数据集。将图像数据集归一化到一个统一的尺寸，之后对火灾图片进行预处理操作，包括随机裁剪、镜像。
(2)构建训练网络的网络结构图，如图1所示，构建训练网络的过程包括如下步骤：
步骤1，构建所述训练网络的第0层；其中，第0层为输入层，输入图像大大小为224x224x3，其中3代表RGB的3通道。
步骤2，构建所述训练网络的第1层；其中，所述第一层包括卷积conv 1、批归一化Batch normal、修正线性单元ReLU。第1层卷积核大小为32x3x3x3，stride＝2，输入图像经过第一层卷积后，特征响应图尺寸为112x112x32。
步骤3，构建所述训练网络的第2层；其中，第2层包括卷积conv_dw1、批归一化Batch normal、修正线性单元ReLU、卷积conv2、批归一化Batch normal、修正线性单元ReLU。对于第2层卷积conv_dw1卷积核大小为32x1x3x3，stride＝2，特征响应图尺寸为56x56x32；第2层卷积conv2卷积核大小为64x32x1x1，stride＝1，特征响应图尺寸为56x56x64。
步骤4，构建所述训练网络的第3层；其中，第3层包括卷积conv_dw2、批归一化Batch normal、修正线性单元ReLU、卷积conv3、批归一化Batch normal、修正线性单元ReLU。对于第3层卷积conv_dw2卷积核大小为64x1x3x3，stride＝2，特征响应图尺寸为28x28x64；第3层卷积conv3卷积核大小为64x32x1x1，stride＝1，特征响应图尺寸为28x28x128。
步骤5，构建所述训练网络的第4层；其中，第4层包括卷积conv_dw3、批归一化Batch normal、修正线性单元ReLU、卷积conv3、批归一化Batch normal、修正线性单元ReLU。对于第4层卷积conv_dw3卷积核大小为128x1x3x3，stride＝2，特征响应图尺寸为14x14x128；第4层卷积conv4卷积核大小为128x128x1x1，stride＝1，特征响应图尺寸为14x14x128。
步骤6，构建所述训练网络的第5层；其中，第5层包括卷积conv_dw4、批归一化Batch normal、修正线性单元ReLU、卷积conv4、批归一化Batch normal、修正线性单元ReLU。对于第5层卷积conv_dw4卷积核大小为128x1x3x3，stride＝2，特征响应图尺寸为7x7x128；第5层卷积conv5卷积核大小为128x256x1x1，stride＝1，特征响应图尺寸为7x7x256。
步骤7，构建所述训练网络的第6层；其中，第6层包括卷积conv_dw5、批归一化Batch normal、修正线性单元ReLU、卷积conv6、批归一化Batch normal、修正线性单元ReLU。对于第6层卷积conv_dw5卷积核大小为256x1x3x3，stride＝1，特征响应图尺寸为7x7x256；第4层卷积conv2卷积核大小为1024x256x1x1，stride＝1，特征响应图尺寸为7x7x1024。
步骤8，构建所述训练网络的第7层；第7层为池化层，对输入的特征图进行压缩，一方面使特征图变小，简化网络计算复杂度；一方面进行特征压缩，提取主要特征。池化分为avgpool和maxpool，本文根据研究内容需要选用avgpool池化尺寸为7x7。经池化层后，特征响应图的尺寸为1x 1024。
步骤9，构建所述训练网络的第8层；第8层为全连接Fc层，连接所有的特征，将输出值送给logistic分类器。
步骤10，构建所述训练网络的第9层；第9层为分类器层，火灾图像分为有火和没有火两类，属于二分类问题，因此所述的训练网络选用logistic分类器。
(3)使用随机梯度下降SGD优化训练网络的网络参数，具体做法是每次从训练样本中随机抽取一个样本用来计算损失函数，将相应计算出的梯度作为当前一步梯度下降的依据，使用批归一化Batch Normal方法优化训练网络的模型。
(4)用训练集训练搭建好的卷积神经网络，其中迭代次数设置为50000次，10个epoch，查看训练误差和测试误差，如果训练误差和测试误差都下降，则表示合理收敛，得到优化的参数模型。
(5)使用步骤(4)得到的优化的参数模型，运行测试程序，加载步骤(2)得到的网络结构和步骤(3)得到的模型，并输入待测图像，得到图像是火灾或者非火灾的概率值，火灾图像分类属于二分类问题，因此概率值在[0.5,1]这个区间内，判定为有火，概率值在[0,0.5]这个区间内，判定为无火，进而判断出图像为火或者非火。
(1)-(5)为整个基于卷积神经网络的火灾识别流程，流程图如图2所示。
本发明有以下有益效果：该基于卷积神经网络的火灾火焰识别方法通过设计卷积神经网络结构，网络优化方法建立一套特定领域的图像检测与特征描述算法，使用卷积神经网络直接得到火灾图片的特征，检测过程中直接输出火灾和非火灾类别。相比于传统的特征提取的方法，本方法在火灾火焰检测上保持较高的准确率，将火灾图片测试集输入网络得到火灾识别结果，准确率达98.5％。基于卷积神经网络的火灾图像处理方法稳定性好，提高了火灾检测的自动化水平，降低了人工特征提取的难度，便于快速准确的识别火灾图像。
附图说明
图1为本发明所述网络结构的结构图
图2为本发明基于卷积神经网络的火灾识别方法基本流程图
具体实施方式
下面结合附图和具体实施方式对本发明进一步说明。
如图2所示，使用PyTorch开源代码训练整个网络，具体用于实施的硬件环境是：GPU：1080Ti，内存：8G，CPU：i5-4590，运行环境是Ubuntu16.04(Linux)。
一种基于卷积神经网络的火灾识别方法包括火灾数据库、非火数据库的建立，构建卷积神经网络，模型训练及测试。具体流程如下所示：
(1)获取丰富的火灾图像创建火灾数据集，以及类似火灾图片创建非火灾数据集。将图像数据集归一化到一个统一的尺寸，之后对火灾图片进行预处理操作，包括随机裁剪、镜像。
(2)构建训练网络的网络结构图，如图1所示，构建训练网络的过程包括如下步骤：
步骤1，构建所述训练网络的第0层；其中，第0层为输入层，输入图像大大小为224x224x3，其中3代表RGB的3通道。
步骤2，构建所述训练网络的第1层；其中，所述第一层包括卷积conv 1、批归一化Batch normal、修正线性单元ReLU。第1层卷积核大小为32x3x3x3，stride＝2，输入图像经过第一层卷积后，输出特征响应图尺寸为112x112x32。
步骤3，构建所述训练网络的第2层；其中，第2层包括卷积conv_dw1、批归一化Batch normal、修正线性单元ReLU、卷积conv2、批归一化Batch normal、修正线性单元ReLU。对于第2层卷积conv_dw1卷积核大小为32x1x3x3，stride＝2，特征响应图尺寸为56x56x32；第2层卷积conv2卷积核大小为64x32x1x1，stride＝1，特征响应图尺寸为56x56x64。
步骤4，构建所述训练网络的第3层；其中，第3层包括卷积conv_dw2、批归一化Batch normal、修正线性单元ReLU、卷积conv3、批归一化Batch normal、修正线性单元ReLU。对于第3层卷积conv_dw2卷积核大小为64x1x3x3，stride＝2，特征响应图尺寸为28x28x64；第3层卷积conv3卷积核大小为64x32x1x1，stride＝1，特征响应图尺寸为28x28x128。
步骤5，构建所述训练网络的第4层；其中，第4层包括卷积conv_dw3、批归一化Batch normal、修正线性单元ReLU、卷积conv3、批归一化Batch normal、修正线性单元ReLU。对于第4层卷积conv_dw3卷积核大小为128x1x3x3，stride＝2，特征响应图尺寸为14x14x128；第4层卷积conv4卷积核大小为128x128x1x1，stride＝1，特征响应图尺寸为14x14x128。
步骤6，构建所述训练网络的第5层；其中，第5层包括卷积conv_dw4、批归一化Batch normal、修正线性单元ReLU、卷积conv4、批归一化Batch normal、修正线性单元ReLU。对于第5层卷积conv_dw4卷积核大小为128x1x3x3，stride＝2，特征响应图尺寸为7x7x128；第5层卷积conv5卷积核大小为128x256x1x1，stride＝1，特征响应图尺寸为7x7x256。
步骤7，构建所述训练网络的第6层；其中，第6层包括卷积conv_dw5、批归一化Batch normal、修正线性单元ReLU、卷积conv6、批归一化Batch normal、修正线性单元ReLU。对于第6层卷积conv_dw5卷积核大小为256x1x3x3，stride＝1，特征响应图尺寸为7x7x256；第4层卷积conv2卷积核大小为1024x256x1x1，stride＝1，特征响应图尺寸为7x7x1024。
步骤8，构建所述训练网络的第7层；第7层为池化层，对输入的特征图进行压缩，一方面使特征图变小，简化网络计算复杂度；一方面进行特征压缩，提取主要特征。池化分为avgpool和maxpool，本文根据研究内容需要选用avgpool池化尺寸为7x7。经池化层后，特征响应图的尺寸为1x1024。
步骤9，构建所述训练网络的第8层；第8层为全连接Fc层，连接所有的特征，将输出值送给logistic分类器。
步骤10，构建所述训练网络的第9层；第9层为分类器层，火灾图像分为有火和没有火两类，属于二分类问题，因此所述的训练网络选用logistic分类器。
(3)使用随机梯度下降算法SGD优化训练网络的网络参数，具体做法是每次从训练样本中随机抽取一个样本用来计算损失函数，将相应计算出的梯度作为当前一步梯度下降的依据，使用批归一化Batch Normal方法优化训练网络的模型。
(4)将训练集用于训练网络，查看训练误差和测试误差，如果训练误差和测试误差都下降，则表示合理收敛，得到优化的参数模型。
(5)使用步骤(4)得到的优化的参数模型，运行测试程序，加载步骤(2)得到的网络结构和步骤(3)得到的模型，并输入待测图像，得到图像是火灾或者非火灾的概率值，火灾图像分类属于二分类问题，因此概率值在[0.5,1]这个区间内，判定为有火，概率值在[0,0.5]这个区间内，判定为无火，进而判断出图像为火或者非火。
进一步的是，在步骤(2)中，所述训练网络的初始化使用Xavier方法。
本发明卷积操作从第2层开始使用深度级可分离卷积。深度可分离卷积是一种可分解卷积操作，其可以分解为两个更小的操作：深度卷积和标准卷积，对于标准卷积其卷积核是用在所有的输入通道上，而深度卷积针对每个输入通道采用不同的卷积核，一个卷积核对应一个输入通道，而标准卷积是采用1x1的卷积核的普通卷积。
本发明构建的网络是采用深度卷积对不同输入通道分别进行卷积，然后采用标准卷积将上面的输出再进行结合，此方法大大减少计算量和模型参数量，适合嵌入式设备的使用。
另外，在步骤(4)中，所述训练误差和测试误差均使用交叉熵函数计算其误差。
最后，在步骤(5)中运行测试程序，将火灾图片测试集输入网络得到火灾识别结果，准确率高达98.5％。
Claims (5)
1.一种基于卷积神经网络的火灾识别方法，其特征在于，包括以下步骤：
(1)搜集丰富的火灾图像创建火灾数据集，搜集类似火灾图片创建非火数据集；将图像数据集归一化到一个统一的尺寸，之后对火灾图片进行预处理操作，包括随机裁剪、镜像；
(2)构建训练网络的网络结构图，构建训练网络的过程包括如下步骤：
步骤1，构建所述训练网络的第0层；其中，第0层为输入层，输入图像大小为224x224x3，其中3代表RGB的3通道；
步骤2，构建所述训练网络的第1层；其中，所述第1层包括卷积conv 1、批归一化Batchnormal、修正线性单元ReLU；第1层卷积核大小为32x3x3x3，stride=2，输入图像经过第一层卷积后，输出特征响应图尺寸为112x112x3；
步骤3，构建所述训练网络的第2层；其中，第2层包括卷积conv_dw1、批归一化Batchnormal、修正线性单元ReLU、卷积conv2、批归一化Batch normal、修正线性单元ReLU；对于第2层卷积conv_dw1卷积核大小为32x1x3x3，stride=2，输出特征响应图尺寸为56x56x32；第2层卷积conv2卷积核大小为64x32x1x1，stride=1，输出特征响应图尺寸为56x56x64；
步骤4，构建所述训练网络的第3层；其中，第3层包括卷积conv_dw2、批归一化Batchnormal、修正线性单元ReLU、卷积conv3、批归一化Batch normal、修正线性单元ReLU；对于第3层卷积conv_dw2卷积核大小为64x1x3x3，stride=2，输出特征响应图尺寸为28x28x64；第3层卷积conv3卷积核大小为64x32x1x1，stride=1，输出特征响应图尺寸为28x28x128；
步骤5，构建所述训练网络的第4层；其中，第4层包括卷积conv_dw3、批归一化Batchnormal、修正线性单元ReLU、卷积conv4、批归一化Batch normal、修正线性单元ReLU；对于第4层卷积conv_dw3卷积核大小为128x1x3x3，stride=2，输出特征响应图尺寸为14x14x128；第4层卷积conv4卷积核大小为128x128x1x1，stride=1，输出特征响应图尺寸为14x14x128；
步骤6，构建所述训练网络的第5层；其中，第5层包括卷积conv_dw4、批归一化Batchnormal、修正线性单元ReLU、卷积conv5、批归一化Batch normal、修正线性单元ReLU；对于第5层卷积conv_dw4卷积核大小为128x1x3x3，stride=2，输出特征响应图尺寸为7x7x128；第5层卷积conv5卷积核大小为128x256x1x1，stride=1，特征响应图尺寸为7x7x256；
步骤7，构建所述训练网络的第6层；其中，第6层包括卷积conv_dw5、批归一化Batchnormal、修正线性单元ReLU、卷积conv6、批归一化Batch normal、修正线性单元ReLU；对于第6层卷积conv_dw5卷积核大小为256x1x3x3，stride=1，特征响应图尺寸为7x7x256；第4层卷积conv2卷积核大小为1024x256x1x1，stride=1，特征响应图尺寸为7x7x1024；
步骤8，构建所述训练网络的第7层；第7层为池化层，对输入的特征图进行压缩，一方面使特征图变小，简化网络计算复杂度；一方面进行特征压缩，提取主要特征；池化分为avgpool和maxpool，本文根据研究内容需要选用avgpool池化尺寸为7x7；经池化层后，特征响应图的尺寸为1x 1024；
步骤9，构建所述训练网络的第8层；第8层为全连接Fc层，连接所有的特征，将输出值送给logistic分类器；
步骤10，构建所述训练网络的第9层；第9层为分类器层，火灾图像分为有火和没有火两类，属于二分类问题，因此所述的训练网络选用logistic分类器；
（3）使用随机梯度下降SGD优化训练网络的网络参数，具体做法是每次从训练样本中随机抽取一个样本用来计算损失函数，将相应计算出的梯度作为当前一步梯度下降的依据，使用批归一化Batch Normal方法优化训练网络的模型；
（4）将训练集用于训练网络，查看训练误差和测试误差，如果训练误差和测试误差都下降，则表示合理收敛，得到优化的参数模型；
（5）使用步骤（4）得到的优化的参数模型，运行测试程序，加载步骤（2）得到的网络结构和步骤（3）得到的模型，并输入待测图像，得到图像是火灾或者非火灾的概率值，进而判断出图像为火或者非火。
2.如权利要求1所述的基于卷积神经网络的火灾识别方法，其特征在于：在步骤（2）中，所述训练网络的初始化使用Xavier方法。
3.如权利要求1所述的基于卷积神经网络的火灾识别方法，其特征在于：卷积操作从第2层开始使用深度可分离卷积，深度可分离卷积是一种可分解卷积操作，其可以分解为两个更小的操作：深度卷积和标准卷积，对于标准卷积其卷积核是用在所有的输入通道上，而深度卷积针对每个输入通道采用不同的卷积核，一个卷积核对应一个输入通道，而标准卷积是采用1x1的卷积核的普通卷积。
4.权利要求1所述的基于卷积神经网络的火灾识别方法，其特征在于：构建的网络是采用深度卷积对不同输入通道分别进行卷积，然后采用标准卷积将上面的输出再进行结合。
5.如权利要求1所述的基于卷积神经网络的火灾识别方法，其特征在于：在步骤（4）中，所述训练误差和测试误差均使用交叉熵函数计算其误差。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910070571.5A CN109815904B (zh) | 2019-01-25 | 2019-01-25 | 一种基于卷积神经网络的火灾识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910070571.5A CN109815904B (zh) | 2019-01-25 | 2019-01-25 | 一种基于卷积神经网络的火灾识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109815904A CN109815904A (zh) | 2019-05-28 |
| CN109815904B true CN109815904B (zh) | 2022-05-13 |
Family
ID=66604965
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910070571.5A Active CN109815904B (zh) | 2019-01-25 | 2019-01-25 | 一种基于卷积神经网络的火灾识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109815904B (zh) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110378421B (zh) * | 2019-07-19 | 2021-06-25 | 西安科技大学 | 一种基于卷积神经网络的煤矿火灾识别方法 |
| CN110728186B (zh) * | 2019-09-11 | 2023-04-07 | 中国科学院声学研究所南海研究站 | 一种基于多网融合的火灾检测方法 |
| CN110751089A (zh) * | 2019-10-18 | 2020-02-04 | 南京林业大学 | 基于数字图像和卷积特征的火焰目标检测方法 |
| CN111178275A (zh) * | 2019-12-30 | 2020-05-19 | 浙江中创天成科技有限公司 | 一种基于卷积神经网络的火灾检测方法 |
| CN111341059A (zh) * | 2020-02-06 | 2020-06-26 | 河南理工大学 | 基于深度分离和目标感知的早期野火烟雾检测方法和装置 |
| CN112465002B (zh) * | 2020-11-23 | 2023-08-15 | 应急管理部天津消防研究所 | 一种火灾现场铜导线熔痕智能识别方法及装置 |
| CN112785066B (zh) * | 2021-01-27 | 2023-05-02 | 北京师范大学 | 基于卷积-递归神经网络的全球野火次季节时空预测方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105389596A (zh) * | 2015-12-21 | 2016-03-09 | 长沙网动网络科技有限公司 | 卷积神经网络适用于识别多种尺寸图片的方法 |
| CN106250845A (zh) * | 2016-07-28 | 2016-12-21 | 北京智芯原动科技有限公司 | 基于卷积神经网络的火焰检测方法及装置 |
| CN106934404A (zh) * | 2017-03-10 | 2017-07-07 | 深圳市瀚晖威视科技有限公司 | 一种基于cnn卷积神经网络的图像火焰识别系统 |
| KR101869442B1 (ko) * | 2017-11-22 | 2018-06-20 | 공주대학교 산학협력단 | 화재 감지 장치 및 방법 |
| CN108597172A (zh) * | 2018-04-16 | 2018-09-28 | 河南理工大学 | 一种森林火灾识别方法、装置、电子设备及存储介质 |
| CN108921039A (zh) * | 2018-06-07 | 2018-11-30 | 南京启德电子科技有限公司 | 基于多尺寸卷积核的深度卷积模型的森林火灾检测方法 |
| CN109063728A (zh) * | 2018-06-20 | 2018-12-21 | 燕山大学 | 一种火灾图像深度学习模式识别方法 |
-
2019
- 2019-01-25 CN CN201910070571.5A patent/CN109815904B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105389596A (zh) * | 2015-12-21 | 2016-03-09 | 长沙网动网络科技有限公司 | 卷积神经网络适用于识别多种尺寸图片的方法 |
| CN106250845A (zh) * | 2016-07-28 | 2016-12-21 | 北京智芯原动科技有限公司 | 基于卷积神经网络的火焰检测方法及装置 |
| CN106934404A (zh) * | 2017-03-10 | 2017-07-07 | 深圳市瀚晖威视科技有限公司 | 一种基于cnn卷积神经网络的图像火焰识别系统 |
| KR101869442B1 (ko) * | 2017-11-22 | 2018-06-20 | 공주대학교 산학협력단 | 화재 감지 장치 및 방법 |
| CN108597172A (zh) * | 2018-04-16 | 2018-09-28 | 河南理工大学 | 一种森林火灾识别方法、装置、电子设备及存储介质 |
| CN108921039A (zh) * | 2018-06-07 | 2018-11-30 | 南京启德电子科技有限公司 | 基于多尺寸卷积核的深度卷积模型的森林火灾检测方法 |
| CN109063728A (zh) * | 2018-06-20 | 2018-12-21 | 燕山大学 | 一种火灾图像深度学习模式识别方法 |
Non-Patent Citations (5)
| Title |
|---|
| Real-time Fire Detection Method Combining AdaBoost,LBP and Convolutional Neural Network in Video sequence;Oleksii Maksymiv等;《2017 14th International Conference The Experience of Designing and Application of CAD Systems in Microelectronics (CADSM)》;20170504;第351-353页 * |
| Using Popular Object Detection Methods for Real Time Forest Fire Detection;Shixiao Wu等;《2018 11th International Symposium on Computational Intelligence and Design》;20181109;第280-284页 * |
| 基于卷积递归神经网络的手语识别方法研究;杨肃;《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》;20180715(第07期);I138-1681 * |
| 基于深度卷积神经网络的火灾预警算法研究;林作永等;《信息通信》;20180531;第38-42页 * |
| 复杂背景下基于深度卷积神经网络的森林火灾识别;傅天驹等;《计算机与现代化》;20160331;第52-57页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109815904A (zh) | 2019-05-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109815904B (zh) | 一种基于卷积神经网络的火灾识别方法 | |
| CN113283344B (zh) | 一种基于语义分割网络的矿用输送带跑偏检测方法 | |
| CN110648490B (zh) | 适用于嵌入式平台的多因子火焰识别方法 | |
| CN111274930B (zh) | 一种基于深度学习的安全帽佩戴以及吸烟行为识别方法 | |
| CN108537215A (zh) | 一种基于图像目标检测的火焰检测方法 | |
| CN108108622A (zh) | 基于深度卷积网络和控制流图的漏洞检测系统 | |
| CN110633675A (zh) | 一种基于卷积神经网络的视频中火灾识别系统及方法 | |
| CN111862065B (zh) | 基于多任务深度卷积神经网络的输电线路诊断方法和系统 | |
| CN114399719B (zh) | 一种变电站火灾视频监测方法 | |
| CN114023399A (zh) | 一种基于人工智能的空气颗粒物分析预警方法和装置 | |
| CN111539325A (zh) | 基于深度学习的森林火灾探测方法 | |
| CN116563762A (zh) | 一种油气站火灾检测方法、系统、介质、设备及终端 | |
| CN115311601A (zh) | 一种基于视频分析技术的火灾探测分析方法 | |
| CN117576632B (zh) | 基于多模态ai大模型的电网监控火灾预警系统及方法 | |
| CN114998783A (zh) | 一种用于烟火及人员行为视频分析的前端设备 | |
| CN107704818A (zh) | 一种基于视频图像的火灾检测系统 | |
| CN114419558A (zh) | 火灾视频图像识别方法、系统、计算机设备及存储介质 | |
| CN118038021A (zh) | 基于改进yolov4的变电站作业现场异物入侵检测方法 | |
| CN111898440B (zh) | 一种基于三维卷积神经网络的山火检测方法 | |
| CN113887634B (zh) | 基于改进两步检测的电力安全带检测及预警方法 | |
| CN114034260B (zh) | 一种基于流媒体与bim的深基坑围护结构变形诊断系统 | |
| Jiang et al. | Deep learning of qinling forest fire anomaly detection based on genetic algorithm optimization | |
| CN110674764A (zh) | 一种工地裸露土方的检测方法、装置及系统 | |
| CN118247543A (zh) | 一种基于自主学习的多尺度火焰图像检测方法 | |
| CN118433330B (zh) | 一种利用大模型降低边端监控误报率的方法 |
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 |