CN109977790A - 一种基于迁移学习的视频烟雾检测与识别方法 - Google Patents

一种基于迁移学习的视频烟雾检测与识别方法 Download PDF

Info

Publication number
CN109977790A
CN109977790A CN201910160856.8A CN201910160856A CN109977790A CN 109977790 A CN109977790 A CN 109977790A CN 201910160856 A CN201910160856 A CN 201910160856A CN 109977790 A CN109977790 A CN 109977790A
Authority
CN
China
Prior art keywords
image
video
network
smoke
transfer learning
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.)
Pending
Application number
CN201910160856.8A
Other languages
English (en)
Inventor
郝鹏翼
徐震宇
高翔
李芝禾
吴福理
白琮
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.)
Zhejiang University of Technology ZJUT
Original Assignee
Zhejiang University of Technology ZJUT
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 Zhejiang University of Technology ZJUT filed Critical Zhejiang University of Technology ZJUT
Priority to CN201910160856.8A priority Critical patent/CN109977790A/zh
Publication of CN109977790A publication Critical patent/CN109977790A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • G06N3/04—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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/30—Noise filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/34—Smoothing or thinning of the pattern; Morphological operations; Skeletonisation
    • 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
    • G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
    • G06V20/47—Detecting features for summarising video content
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects

Landscapes

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

Abstract

一种基于迁移学习的视频烟雾识别检测方法，包括生成模拟数据来扩大烟雾图像样本数量；对图像数据集进行预处理；构造目标检测网络；利用ImageNet图像数据集对改进的VGG‑16网络进行预训练；采用迁移学习方式在完成标注的烟雾数据集上训练目标检测网络，其中特征提取网络部分使用改进VGG‑16网络预训练权重进行特征初始化。从视频中提取关键帧，输入到模型中进行识别检测，如果发现烟雾返回坐标信息并在视频图像中定位其区域。本发明利用迁移学习技术提高了烟雾数据有限情况下的模型性能，可以自动识别和定位视频图像中的烟雾区域。

Description

一种基于迁移学习的视频烟雾检测与识别方法
技术领域
本发明涉及图像分析识别领域及机器学习领域，特别涉及一种视频烟雾识别方法，属于基于深度学习的图像目标检测领域。
背景技术
火灾作为一种常见的灾害，具有蔓延快、损失大、扑救难等特点。2016年，全国共接报火灾31.2万起，伤亡2600余人，直接财产损失37.2亿元。尤其是森林火灾，它在森林这样开放的复杂空间环境内发生，自由燃烧、蔓延和扩展，一旦发生，将对森林资源、生态系统和人类生活造成巨大损失和严重危害。所谓无烟不起火，烟雾作为物质燃烧过程中产生的可见混合物，往往在观测到明火之前就已经产生，是火灾初期的重要视觉特征，如果能够快速检测到烟雾，在火灾早期及时预警，可以有效降低火灾造成的生命财产损失。因此烟雾识别检测技术具有重要的现实意义。
目前主流的烟雾传感器主要用来监测建筑物内的烟雾颗粒，但要求持续的，达到浓度阀值的烟雾条件。而在山林等户外开阔地带气流不稳定，起火点初期烟雾扩散范围小，加上烟雾传感器在部署方面有很大的局限性，因此在开放区域难以推广应用。随着图像处理和模式识别技术的成熟和视频监控设备的普及，利用视频监控系统对火灾烟雾区域进行识别定位成为可能。而现有图像烟雾识别技术主要依靠人工提取特征，如颜色、形态、纹理、纹理等视觉，再通过支持向量机等机器学习方法进行判断。这类方法复杂度高，通常只适用于某些特定场景，可泛化能力差，在实际应用过程中容易受到环境因素的干扰，造成在复杂环境下识别准确率低的缺点。
发明内容
为了克服现有视频烟雾识别方法拓展性低、误报率高的不足，本发明提出了一种泛化能力强、精度较高的基于迁移学习的视频烟雾识别检测方法，利用改进的Faster R-CNN神经网络对视频中烟雾区域进行识别和定位，同时利用迁移学习技术来降低深度神经网络的训练难度，可有效结合现有的视频监控系统，对视频数据中是否出现烟雾进行识别，并对烟雾所在区域进行定位。
为了解决其技术问题本发明所采用的技术方案是：
一种基于迁移学习的视频烟雾检测与识别方法，包括以下步骤：
步骤一，收集获取烟雾视频和图像数据，包括生成模拟数据来扩大烟雾图像样本数量；
步骤二，利用标注工具在图像数据上标注出烟雾区域，获取图像文件名、类别、烟雾区域的左上角坐标、右下角坐标。
步骤三，对图像数据集进行预处理，通过滤波方法对图像进行平滑降噪处理，增强对比度，并将图像数据归一化到[0,1]区间；
步骤四，构造改进的Faster R-CNN目标检测网络，其中特征提取网络部分使用改进的VGG-16网络；
步骤五，利用ImageNet图像数据集对改进的VGG-16网络进行预训练，让网络学习从自然图像中提取深度特征的能力，得到迁移特征；
步骤六，采用迁移学习方式在完成标注的烟雾数据集上训练Faster R-CNN网络，其中特征提取网络部分使用改进VGG-16网络预训练权重进行特征迁移，并在训练过程中冻结所迁移特征参数，模型训练充分收敛后，导出保存模型权重参数；
步骤七，从视频中提取关键帧，依次输入到模型中进行识别，如果发现烟雾返回坐标信息并在视频图像中定位其区域。
进一步，所述步骤一中，生成模拟烟雾图像数据的过程为：拍摄前景与背景区分度较大的烟雾图像，利用阈值法提取出烟雾前景，并插入到无烟雾图像中的随机位置来生成模拟数据。
再进一步，所述步骤三中，滤波平滑降噪方法为中值滤波，其输出公式为：p(x，y)＝med{f(x+u，y+v)|(u，v)∈W}，其中f(x,y)为原始图像，p(x,y)为处理后图像，W为5*5二维模板，u表示W上的横坐标，v表示W上的纵坐标，med表示取中位数。
更进一步，所述步骤四中，改进的VGG-16分类网络的构建过程为：
步骤4.1：输入图像经过第一个卷积层，其中卷积层包含两个卷积操作，再经过一个最大池化层，随后输出分为两个部分，一个为中间特征图并进行反卷积，另一个继续输入下一个卷积层；
步骤4.2：重复步骤4.1流程；
步骤4.3：输入图像经过一个卷积层，其中卷积层包含三个卷积操作，再经过一个最大池化层，随后输出分为两个部分，一个为中间特征图并进行反卷积，另一个继续输入下一个卷积层；
步骤4.4：重复步骤4.3流程；
步骤4.5：合并步骤4.1-4.4中的中间特征图，形成最终的特征图。
所述步骤七中，视频中疑似产生运动图像帧视为关键帧，其判定采用帧差法，过程为：
步骤7.1：对视频序列中第t帧图像和gt和第t-1帧图像gt-1，对其进行灰度化处理，其对应像素点灰度值记为gt(x,y)和gt-1(x,y)；
步骤7.2：将连续两帧图像进行差分运算，得到差分图像Dt，并取绝对值，运算公式为：Dt(x，y)＝|gt(x，y)-gt-1(x，y)|；
步骤7.3：对差分图像Dt进行二值化处理，得到二值化图像Bt；
步骤7.4：计算Bt中灰度值为255的前景像素点占Bt所有像素点个数的比例，设置阈值T，若达到阈值比例，则判定第t帧图像为关键帧。
本发明基于迁移学习技术对视频图像烟雾检测与识别，利用改进的Faster R-CNN神经网络提取影像特征，并同时完成烟雾图像分类识别与定位任务，来实现对视频图像中是否产生烟雾的判断以及烟雾区域的定位。
与现有方法相比，其技术优势在于：
1.通过改进的Faster R-CNN神经网络对视频图像烟雾进行分析识别，自动识别和定位图像中的烟雾，相比传统方法复杂度低，识别效率高，精度高。
2.在Faster R-CNN网络模型中改进VGG-16特征提取网络，在VGG-16的4个卷积层的基础之上，每一层卷积层的额外输出一个中间的特征图，且均进行反卷积成相同尺寸，最后将四个中间特征图进行融合，形成最终的特征图。这样可以得到图像的多尺度信息，充分利用图像的浅层特征。且提取后的特征值可作为烟雾识别和烟雾区域的共享特征实现识别和定位两个优化目标同时学习，提升了网络模型参数的利用率和性能。
3.采用迁移学习的方式来训练网络，降低了网络模型的训练难度，也减少了因烟雾图像训练数据有限而导致的模型过拟合风险，提高了模型的泛化能力。
4.在利用模型对视频图像中烟雾区域进行检测与识别时，采用读取关键帧的形式，从而排除静态帧，只将疑似产生运动的帧输入模型，降低识别过程中模型的计算量。
附图说明
图1基于迁移学习的视频图像烟雾检测与识别方法的流程图。
图2改进的Faster-RCNN神经网络结构示意图。
图3改进的VGG-16特征提取网络结构示意图。
图4从视频中获取关键帧进行烟雾检测与识别的流程示意图。
具体实施方式
下面结合附图对本发明作进一步描述。
参照图1～图4，一种基于迁移学习的视频烟雾检测与识别方法，包括以下步骤：
步骤一，生成模拟数据来扩大烟雾图像样本数量；
所述步骤一中，生成模拟烟雾图像数据的过程为：拍摄前景与背景区分度较大的烟雾图像，利用阈值法提取出烟雾前景，并插入到无烟雾图像中的随机位置来生成模拟数据。
步骤二，利用标注工具在图像数据上标注出烟雾区域，获取图像文件名、类别、烟雾区域的左上角坐标、右下角坐标。
步骤三，对图像数据集进行预处理，通过滤波方法对图像进行平滑降噪处理，增强对比度，并将图像数据归一化到[0,1]区间；
所述步骤三中，滤波平滑降噪方法为中值滤波，其输出公式为：p(x，y)＝med{f(x+u，y+v)|(u，v)∈W}，其中f(x,y)为原始图像，p(x,y)为处理后图像，W为5*5二维模板，u表示W上的横坐标，v表示W上的纵坐标，med表示取中位数。
步骤四，构造改进的Faster R-CNN目标检测网络，其中特征提取网络部分使用改进的VGG-16网络；
所述步骤四中，改进的VGG-16分类网络结构如图3所示，其构建过程为：
步骤4.1：输入图像经过第一个卷积层，其中卷积层包含两个卷积操作，再经过一个最大池化层，随后输出分为两个部分，一个为中间特征图并进行反卷积，另一个继续输入下一个卷积层；
步骤4.2：重复步骤4.1流程；
步骤4.3：输入图像经过一个卷积层，其中卷积层包含三个卷积操作，再经过一个最大池化层，随后输出分为两个部分，一个为中间特征图并进行反卷积，另一个继续输入下一个卷积层；
步骤4.4：重复步骤4.3流程；
步骤4.5：合并步骤4.1-4.4中的中间特征图，形成最终的特征图。
步骤五，利用ImageNet图像数据集对改进的VGG-16网络进行预训练，训练50个轮次后保存网络权重参数。
步骤六，用标注好的烟雾数据集训练Faster R-CNN网络，其中特征提取网络部分使用改进VGG-16网络的预训练权重进行初始化，并冻结卷积模块的参数。模型训练充分收敛后，导出保存模型权重参数。
步骤七，从视频中提取关键帧，依次输入到模型中进行识别检测，如果发现烟雾返回坐标信息并在视频图像中定位其区域，其流程如图4所示。
所述步骤七中，视频中疑似产生运动图像帧视为关键帧，其判定采用帧差法，过程为：
步骤7.1：对视频序列中第t帧图像和gt和第t-1帧图像gt-1，对其进行灰度化处理，其对应像素点灰度值记为gt(x,y)和gt-1(x,y)；
步骤7.2：将连续两帧图像进行差分运算，得到差分图像Dt，并取绝对值，运算公式为：Dt(x，y)＝|gt(x，y)-gt-1(x，y)|；
步骤7.3：对差分图像Dt进行二值化处理，得到二值化图像Bt；
步骤7.4：计算Bt中灰度值为255的前景像素点占Bt所有像素点个数的比例，设置阈值T，若达到阈值比例，则判定第t帧图像为关键帧。
实例：本案例中使用的烟雾图像数据集均为包含烟雾区域的三通道RGB图像，数据来源包括实验拍摄采集、互联网收集、模拟生成，总计3000个样本。其中随机选取1680个样本作为训练集，420个样本作为验证集，900个样本作为测试集。因Faster R-CNN网络中的RPN层能够自动生成候选区域，并根据标注信息标记正负样本，输入网络训练，因此正负样本的设置无需人工干预。区域下面具体介绍模型的构建、训练和测试过程。
步骤一，构建改进的Faster R-CNN神经网络，具体结构如图2所示。
步骤1.1：样本经预处理后输入网络，先经过改进的VGG-16网络进行特征提取，生成特征图；
步骤1.2：RPN层中的RPN网络在从特征图中生成候选区域；
步骤1.3：联合步骤1.1中的特征图及RPN网络生成的候选区域，通过RoI层得到固定大小的特征图；
步骤1.4：经过全连接层获得样本的类别和位置信息，进行烟雾识别和定位。
步骤二，改进的Faster R-CNN神经网络模型的训练，本实施例中，网络模型的训练过程如下：
步骤2.1：在大型数据集ImageNet上预训练改进的VGG-16特征提取网络，训练过程采用随机梯度下降法，将初始学习率设置为0.01，每10个轮次降低为原来的0.1倍，训练50个轮次；
步骤2.2：用预训练好的权重初始化改进的VGG-16的参数并冻结，Faster R-CNN网络中的其他所有参数权重初始化方式为随机正交矩阵初始化，权重正则化方式为L2正则，偏置值初始化为0。
步骤2.3：将标注好的训练数据集进行预处理，输入模型，通过随机梯度下降法进行训练。损失函数为交叉熵损失函数，初始学习率为0.01，每10个轮次降低为原来的0.1倍。模型最大训练轮次为50，验证与训练损失收敛后停止训练，并保存模型为作为最终训练结果。
步骤三，神经网络模型测试。
步骤3.1测试集测试：载入模型，将预处理完毕的烟雾图像测试集样本输入模型分析，将识别和定位结果与其标签对比得到模型的mAP(平均准确率,mean AveragePrecision)；
步骤3.2：视频测试：载入模型，从视频中读取关键帧图像，输入到网络模型中进行识别和定位，并返回结果可视化显示在视频上，此时可人为观察识别定位的效果。
经过上述步骤的操作，即可实现用于识别和定位视频烟雾的神经网络模型的构建、训练与测试。
以上所述的具体描述，对发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例，用于解释本发明，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种基于迁移学习的视频烟雾检测与识别方法，其特征在于：所述方法包括以下步骤：
步骤一，收集获取烟雾视频和图像数据，包括生成模拟数据来扩大烟雾图像样本数量；
步骤二，利用标注工具在图像数据上标注出烟雾区域，获取图像文件名、类别、烟雾区域的左上角坐标、右下角坐标。
步骤三，对图像数据集进行预处理，通过滤波方法对图像进行平滑降噪处理，增强对比度，并将图像数据归一化到[0,1]区间；
步骤四，构造改进的Faster R-CNN目标检测网络，其中特征提取网络部分使用改进的VGG-16网络；
步骤五，利用ImageNet图像数据集对改进的VGG-16网络进行预训练，让网络学习从自然图像中提取深度特征的能力，得到迁移特征；
步骤六，采用迁移学习方式在完成标注的烟雾数据集上训练Faster R-CNN网络，其中特征提取网络部分使用改进VGG-16网络预训练权重进行特征迁移，并在训练过程中冻结所迁移特征参数，模型训练充分收敛后，导出保存模型权重参数；
步骤七，从视频中提取关键帧，依次输入到模型中进行识别，如果发现烟雾返回坐标信息并在视频图像中定位其区域。
2.如权利要求1所述的一种基于迁移学习的视频烟雾检测与识别方法，其特征在于：所述步骤一中，生成模拟烟雾图像数据的过程为：拍摄前景与背景区分度较大的烟雾图像，利用阈值法提取出烟雾前景，并插入到无烟雾图像中的随机位置来生成模拟数据。
3.如权利要求1或2所述的一种基于迁移学习的视频烟雾检测与识别方法，其特征在于：所述步骤三中，滤波平滑降噪方法为中值滤波，其输出公式为：p(x，y)＝med{f(x+u，y+v)|(u，v)∈W}，其中f(x,y)为原始图像，p(x,y)为处理后图像，W为5*5二维模板，u表示W上的横坐标，v表示W上的纵坐标，med表示取中位数。
4.如权利要求1或2所述的一种基于迁移学习的视频烟雾检测与识别方法，其特征在于：所述步骤四中，改进的VGG-16分类网络的构建过程为：
步骤4.1：输入图像经过第一个卷积层，其中卷积层包含两个卷积操作，再经过一个最大池化层，随后输出分为两个部分，一个为中间特征图并进行反卷积，另一个继续输入下一个卷积层；
步骤4.2：重复步骤4.1流程；
步骤4.3：输入图像经过一个卷积层，其中卷积层包含三个卷积操作，再经过一个最大池化层，随后输出分为两个部分，一个为中间特征图并进行反卷积，另一个继续输入下一个卷积层；
步骤4.4：重复步骤4.3流程；
步骤4.5：合并步骤4.1-4.4中的中间特征图，形成最终的特征图。
5.如权利要求1或2所述的一种基于迁移学习的视频烟雾检测与识别方法，其特征在于：所述步骤七中，视频中疑似产生运动图像帧视为关键帧，其判定采用帧差法，过程为：
步骤7.1：对视频序列中第t帧图像和gt和第t-1帧图像gt-1，对其进行灰度化处理，其对应像素点灰度值记为gt(x,y)和gt-1(x,y)；
步骤7.2：将连续两帧图像进行差分运算，得到差分图像Dt，并取绝对值，运算公式为：Dt(x，y)＝|gt(x，y)-gt-1(x，y)|；
步骤7.3：对差分图像Dt进行二值化处理，得到二值化图像Bt；
步骤7.4：计算Bt中灰度值为255的前景像素点占Bt所有像素点个数的比例，设置阈值T，若达到阈值比例，则判定第t帧图像为关键帧。
CN201910160856.8A 2019-03-04 2019-03-04 一种基于迁移学习的视频烟雾检测与识别方法 Pending CN109977790A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910160856.8A CN109977790A (zh) 2019-03-04 2019-03-04 一种基于迁移学习的视频烟雾检测与识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910160856.8A CN109977790A (zh) 2019-03-04 2019-03-04 一种基于迁移学习的视频烟雾检测与识别方法

Publications (1)

Publication Number Publication Date
CN109977790A true CN109977790A (zh) 2019-07-05

Family

ID=67077757

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910160856.8A Pending CN109977790A (zh) 2019-03-04 2019-03-04 一种基于迁移学习的视频烟雾检测与识别方法

Country Status (1)

Country Link
CN (1) CN109977790A (zh)

Cited By (28)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110689519A (zh) * 2019-08-21 2020-01-14 华南农业大学 基于yolo网络的雾滴沉积图像检测系统和方法
CN110956611A (zh) * 2019-11-01 2020-04-03 武汉纺织大学 一种集成卷积神经网络的烟雾检测方法
CN110991243A (zh) * 2019-11-01 2020-04-10 武汉纺织大学 一种基于颜色通道hsv结合卷积神经网络的秸秆燃烧识别方法
CN110991244A (zh) * 2019-11-01 2020-04-10 武汉纺织大学 一种基于深度学习与纹理特征的实时烟雾检测方法
CN110991242A (zh) * 2019-11-01 2020-04-10 武汉纺织大学 一种负样本挖掘的深度学习烟雾识别方法
CN111127355A (zh) * 2019-12-17 2020-05-08 上海工程技术大学 一种对缺损光流图进行精细补全的方法及其应用
CN111257507A (zh) * 2020-01-16 2020-06-09 清华大学合肥公共安全研究院 一种基于无人机的气体浓度检测及事故预警系统
CN111275107A (zh) * 2020-01-20 2020-06-12 西安奥卡云数据科技有限公司 一种基于迁移学习的多标签场景图像分类方法及装置
CN111461076A (zh) * 2019-11-01 2020-07-28 武汉纺织大学 帧差法与神经网络结合的烟雾检测方法和检测系统
CN111539325A (zh) * 2020-04-23 2020-08-14 四川旅游学院 基于深度学习的森林火灾探测方法
CN112052797A (zh) * 2020-09-07 2020-12-08 合肥科大立安安全技术有限责任公司 基于MaskRCNN的视频火灾识别方法及系统
CN112113570A (zh) * 2020-09-15 2020-12-22 电子科技大学 一种基于深度迁移和模型参数集成的室内定位方法
CN112288691A (zh) * 2020-10-16 2021-01-29 国电大渡河枕头坝发电有限公司 一种基于图像处理的水电厂内滴水检测方法
CN112445924A (zh) * 2019-09-04 2021-03-05 天津职业技术师范大学(中国职业培训指导教师进修中心) 一种基于互联网图片资源的数据挖掘和迁移学习系统及其方法和应用
CN112507865A (zh) * 2020-12-04 2021-03-16 国网山东省电力公司电力科学研究院 一种烟雾识别方法及识别装置
CN112634151A (zh) * 2020-12-14 2021-04-09 深圳中兴网信科技有限公司 基于泊松融合的烟雾数据增强方法、增强设备和存储介质
CN112686190A (zh) * 2021-01-05 2021-04-20 北京林业大学 一种基于自适应目标检测的森林火灾烟雾自动识别方法
CN112749644A (zh) * 2020-12-30 2021-05-04 大连海事大学 一种基于改进可变形卷积的Faster RCNN火灾烟雾检测方法
CN113052184A (zh) * 2021-03-12 2021-06-29 电子科技大学 一种基于两阶段局部特征对齐的目标检测方法
CN113344119A (zh) * 2021-06-28 2021-09-03 南京邮电大学 工业物联网复杂环境下的小样本烟雾监测方法
CN113780135A (zh) * 2021-08-31 2021-12-10 中国科学技术大学先进技术研究院 跨场景的VOCs气体泄漏检测方法、系统及存储介质
CN113807185A (zh) * 2021-08-18 2021-12-17 苏州涟漪信息科技有限公司 一种数据处理方法和装置
CN113988222A (zh) * 2021-11-29 2022-01-28 东北林业大学 一种基于Faster-RCNN的森林火灾检测与识别方法
CN114066865A (zh) * 2021-11-23 2022-02-18 天津理工大学 面向手术图像去烟雾的深度学习方法
CN114943923A (zh) * 2022-06-17 2022-08-26 中国人民解放军陆军炮兵防空兵学院 基于深度学习的视频识别炮弹爆炸火光烟雾方法及系统
CN115205793A (zh) * 2022-09-15 2022-10-18 广东电网有限责任公司肇庆供电局 基于深度学习二次确认的电力机房烟雾检测方法及装置
CN117058253A (zh) * 2023-10-12 2023-11-14 南京邮电大学 一种基于ptz摄像机的高精度告警定位方法
CN117274723A (zh) * 2023-11-22 2023-12-22 国网智能科技股份有限公司 一种用于输电巡检的目标识别方法、系统、介质及设备

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108520219A (zh) * 2018-03-30 2018-09-11 台州智必安科技有限责任公司 一种卷积神经网络特征融合的多尺度快速人脸检测方法
CN108710919A (zh) * 2018-05-25 2018-10-26 东南大学 一种基于多尺度特征融合深度学习的裂缝自动化勾画方法
CN108830285A (zh) * 2018-03-14 2018-11-16 江南大学 一种基于Faster-RCNN的加强学习的目标检测方法
CN109147254A (zh) * 2018-07-18 2019-01-04 武汉大学 一种基于卷积神经网络的视频野外火灾烟雾实时检测方法
CN109271906A (zh) * 2018-09-03 2019-01-25 五邑大学 一种基于深度卷积神经网络的烟雾检测方法及其装置
CN109389185A (zh) * 2018-11-15 2019-02-26 中国科学技术大学 使用三维卷积神经网络的视频烟雾识别方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108830285A (zh) * 2018-03-14 2018-11-16 江南大学 一种基于Faster-RCNN的加强学习的目标检测方法
CN108520219A (zh) * 2018-03-30 2018-09-11 台州智必安科技有限责任公司 一种卷积神经网络特征融合的多尺度快速人脸检测方法
CN108710919A (zh) * 2018-05-25 2018-10-26 东南大学 一种基于多尺度特征融合深度学习的裂缝自动化勾画方法
CN109147254A (zh) * 2018-07-18 2019-01-04 武汉大学 一种基于卷积神经网络的视频野外火灾烟雾实时检测方法
CN109271906A (zh) * 2018-09-03 2019-01-25 五邑大学 一种基于深度卷积神经网络的烟雾检测方法及其装置
CN109389185A (zh) * 2018-11-15 2019-02-26 中国科学技术大学 使用三维卷积神经网络的视频烟雾识别方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
J. ZENG等: ""An Improved Object Detection Method Based On Deep Convolution Neural Network For Smoke Detection"", 《2018 INTERNATIONAL CONFERENCE ON MACHINE LEARNING AND CYBERNETICS (ICMLC)》 *
QI-XINGZHANG等: ""Wildland Forest Fire Smoke Detection Based on Faster R-CNN using Synthetic Smoke Images"", 《PROCEDIA ENGINEERING》 *
孙鹏等: ""监控视频关键帧动态背景差分检测技术"", 《警察技术》 *
林作永等: ""基于深度卷积神经网络的火灾预警算法研究"", 《信息通信》 *
林高华: ""基于动态纹理和卷积神经网络的视频烟雾探测方法研究"", 《中国博士学位论文全文数据库·工程科技Ⅱ辑》 *
高鸣岐: ""基于多尺度特征的目标检测算法研究"", 《中国优秀硕士学位论文全文数据库·信息科技辑》 *

Cited By (39)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110689519B (zh) * 2019-08-21 2022-06-17 华南农业大学 基于yolo网络的雾滴沉积图像检测系统和方法
CN110689519A (zh) * 2019-08-21 2020-01-14 华南农业大学 基于yolo网络的雾滴沉积图像检测系统和方法
CN112445924A (zh) * 2019-09-04 2021-03-05 天津职业技术师范大学(中国职业培训指导教师进修中心) 一种基于互联网图片资源的数据挖掘和迁移学习系统及其方法和应用
CN110956611A (zh) * 2019-11-01 2020-04-03 武汉纺织大学 一种集成卷积神经网络的烟雾检测方法
CN110991243A (zh) * 2019-11-01 2020-04-10 武汉纺织大学 一种基于颜色通道hsv结合卷积神经网络的秸秆燃烧识别方法
CN110991244A (zh) * 2019-11-01 2020-04-10 武汉纺织大学 一种基于深度学习与纹理特征的实时烟雾检测方法
CN110991242A (zh) * 2019-11-01 2020-04-10 武汉纺织大学 一种负样本挖掘的深度学习烟雾识别方法
CN111461076A (zh) * 2019-11-01 2020-07-28 武汉纺织大学 帧差法与神经网络结合的烟雾检测方法和检测系统
CN110991242B (zh) * 2019-11-01 2023-02-21 武汉纺织大学 一种负样本挖掘的深度学习烟雾识别方法
CN111127355A (zh) * 2019-12-17 2020-05-08 上海工程技术大学 一种对缺损光流图进行精细补全的方法及其应用
CN111257507A (zh) * 2020-01-16 2020-06-09 清华大学合肥公共安全研究院 一种基于无人机的气体浓度检测及事故预警系统
CN111275107A (zh) * 2020-01-20 2020-06-12 西安奥卡云数据科技有限公司 一种基于迁移学习的多标签场景图像分类方法及装置
CN111539325A (zh) * 2020-04-23 2020-08-14 四川旅游学院 基于深度学习的森林火灾探测方法
CN112052797A (zh) * 2020-09-07 2020-12-08 合肥科大立安安全技术有限责任公司 基于MaskRCNN的视频火灾识别方法及系统
CN112113570A (zh) * 2020-09-15 2020-12-22 电子科技大学 一种基于深度迁移和模型参数集成的室内定位方法
CN112113570B (zh) * 2020-09-15 2022-05-17 电子科技大学 一种基于深度迁移和模型参数集成的室内定位方法
CN112288691A (zh) * 2020-10-16 2021-01-29 国电大渡河枕头坝发电有限公司 一种基于图像处理的水电厂内滴水检测方法
CN112507865A (zh) * 2020-12-04 2021-03-16 国网山东省电力公司电力科学研究院 一种烟雾识别方法及识别装置
CN112507865B (zh) * 2020-12-04 2022-11-29 国网山东省电力公司电力科学研究院 一种烟雾识别方法及识别装置
CN112634151A (zh) * 2020-12-14 2021-04-09 深圳中兴网信科技有限公司 基于泊松融合的烟雾数据增强方法、增强设备和存储介质
CN112749644A (zh) * 2020-12-30 2021-05-04 大连海事大学 一种基于改进可变形卷积的Faster RCNN火灾烟雾检测方法
CN112749644B (zh) * 2020-12-30 2024-02-27 大连海事大学 一种基于改进可变形卷积的Faster RCNN火灾烟雾检测方法
CN112686190A (zh) * 2021-01-05 2021-04-20 北京林业大学 一种基于自适应目标检测的森林火灾烟雾自动识别方法
CN113052184A (zh) * 2021-03-12 2021-06-29 电子科技大学 一种基于两阶段局部特征对齐的目标检测方法
CN113344119A (zh) * 2021-06-28 2021-09-03 南京邮电大学 工业物联网复杂环境下的小样本烟雾监测方法
CN113807185B (zh) * 2021-08-18 2024-02-27 苏州涟漪信息科技有限公司 一种数据处理方法和装置
CN113807185A (zh) * 2021-08-18 2021-12-17 苏州涟漪信息科技有限公司 一种数据处理方法和装置
CN113780135A (zh) * 2021-08-31 2021-12-10 中国科学技术大学先进技术研究院 跨场景的VOCs气体泄漏检测方法、系统及存储介质
CN113780135B (zh) * 2021-08-31 2023-08-04 中国科学技术大学先进技术研究院 跨场景的VOCs气体泄漏检测方法、系统及存储介质
CN114066865A (zh) * 2021-11-23 2022-02-18 天津理工大学 面向手术图像去烟雾的深度学习方法
CN113988222A (zh) * 2021-11-29 2022-01-28 东北林业大学 一种基于Faster-RCNN的森林火灾检测与识别方法
CN114943923A (zh) * 2022-06-17 2022-08-26 中国人民解放军陆军炮兵防空兵学院 基于深度学习的视频识别炮弹爆炸火光烟雾方法及系统
CN114943923B (zh) * 2022-06-17 2022-12-23 中国人民解放军陆军炮兵防空兵学院 基于深度学习的视频识别炮弹爆炸火光烟雾方法及系统
CN115205793B (zh) * 2022-09-15 2023-01-24 广东电网有限责任公司肇庆供电局 基于深度学习二次确认的电力机房烟雾检测方法及装置
CN115205793A (zh) * 2022-09-15 2022-10-18 广东电网有限责任公司肇庆供电局 基于深度学习二次确认的电力机房烟雾检测方法及装置
CN117058253B (zh) * 2023-10-12 2024-01-23 南京邮电大学 一种基于ptz摄像机的高精度告警定位方法
CN117058253A (zh) * 2023-10-12 2023-11-14 南京邮电大学 一种基于ptz摄像机的高精度告警定位方法
CN117274723A (zh) * 2023-11-22 2023-12-22 国网智能科技股份有限公司 一种用于输电巡检的目标识别方法、系统、介质及设备
CN117274723B (zh) * 2023-11-22 2024-03-26 国网智能科技股份有限公司 一种用于输电巡检的目标识别方法、系统、介质及设备

Similar Documents

Publication Publication Date Title
CN109977790A (zh) 一种基于迁移学习的视频烟雾检测与识别方法
CN109147254B (zh) 一种基于卷积神经网络的视频野外火灾烟雾实时检测方法
WO2019104767A1 (zh) 基于深度卷积神经网络与视觉显著性的织物缺陷检测方法
CN106778595B (zh) 基于高斯混合模型的人群中异常行为的检测方法
CN107025652B (zh) 一种基于运动特性和颜色时空信息的火焰检测方法
CN109034210A (zh) 基于超特征融合与多尺度金字塔网络的目标检测方法
CN101493980B (zh) 一种基于多特征融合的快速视频火焰探测方法
CN104392468B (zh) 基于改进视觉背景提取的运动目标检测方法
CN110378232B (zh) 改进的ssd双网络的考场考生位置快速检测方法
CN107977671A (zh) 一种基于多任务卷积神经网络的舌象分类方法
CN110427839A (zh) 基于多层特征融合的视频目标检测方法
CN109285139A (zh) 一种基于深度学习的x射线成像焊缝检测方法
CN109409190A (zh) 基于梯度直方图和Canny边缘检测器的行人检测方法
CN109522855A (zh) 结合ResNet和SENet的低分辨率行人检测方法、系统及存储介质
CN107945153A (zh) 一种基于深度学习的路面裂缝检测方法
CN107492095A (zh) 基于深度学习的医学图像肺结节检测方法
Qu et al. A pedestrian detection method based on yolov3 model and image enhanced by retinex
CN107341480A (zh) 一种改进型pccnn神经网络模型的人群聚集检测方法
CN111046827A (zh) 一种基于卷积神经网络的视频烟雾检测方法
CN108416774A (zh) 一种基于细粒度神经网络的织物种类识别方法
CN108596102A (zh) 基于rgb-d的室内场景物体分割分类器构造方法
CN111860143B (zh) 一种面向巡检机器人的火焰实时检测方法
CN110415260B (zh) 基于字典与bp神经网络的烟雾图像分割与识别方法
CN110390673A (zh) 一种监控场景下基于深度学习的香烟自动检测方法
CN110503092B (zh) 基于领域适应的改进ssd监控视频目标检测方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20190705

RJ01 Rejection of invention patent application after publication