CN110232380A - 基于Mask R-CNN神经网络的火灾夜间场景复原方法 - Google Patents
基于Mask R-CNN神经网络的火灾夜间场景复原方法 Download PDFInfo
- Publication number
- CN110232380A CN110232380A CN201910510501.7A CN201910510501A CN110232380A CN 110232380 A CN110232380 A CN 110232380A CN 201910510501 A CN201910510501 A CN 201910510501A CN 110232380 A CN110232380 A CN 110232380A
- Authority
- CN
- China
- Prior art keywords
- mask
- flame
- fire
- candidate region
- cnn
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 19
- 238000013527 convolutional neural network Methods 0.000 title claims description 45
- 238000013528 artificial neural network Methods 0.000 title claims description 10
- 230000011218 segmentation Effects 0.000 claims abstract description 22
- 238000012549 training Methods 0.000 claims abstract description 20
- 238000011084 recovery Methods 0.000 claims abstract description 7
- 238000012544 monitoring process Methods 0.000 claims description 11
- 239000000284 extract Substances 0.000 claims description 9
- 230000004927 fusion Effects 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 5
- 230000000694 effects Effects 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 4
- 238000011176 pooling Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 230000000877 morphologic effect Effects 0.000 claims description 3
- 230000001629 suppression Effects 0.000 claims description 3
- 230000015572 biosynthetic process Effects 0.000 abstract description 2
- 239000000203 mixture Substances 0.000 abstract description 2
- 239000007787 solid Substances 0.000 abstract description 2
- 238000011835 investigation Methods 0.000 description 5
- 206010000369 Accident Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/60—Editing figures and text; Combining figures or text
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- 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
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种于Mask R‑CNN模型的火灾夜间场景复原方法,通过训练Mask‑RCNN模型对火焰进行实例分割,将夜晚的起火位置的火焰初期的区域分割出来融合到白天的监控视频上,定位起火的具体位置,在实例分割的后续操作中,利用图像混合叠加算法,将分割出的火焰区域叠加到白天的监控视频图像上,从而实现火灾场景的复原并辅助定位起火位置,为火灾成因认定奠定了坚实的基础。
Description
技术领域
本发明涉及图像处理与计算机视觉领域,特别涉及一种基于Mask R-CNN神经网络的火灾夜间场景复原方法,将夜间起火位置火焰融合到白天的监控视频上,实现夜晚火灾场景的复原。
背景技术
在当今社会中,火灾一直是人类面临的主要灾害之一,严重的火灾事故不仅会造成大量的人员伤亡,还会危及生命。避免火灾不仅需要在火灾发生前及时监测、预警火灾事故,还需要在火灾发生后精准地调研分析火灾发生的原因、定位起火位置。火焰是火灾发生的重要视觉标志之一,火焰的研究对火灾的准确监控具有重要作用。
传统的火灾事故调查主要以现场勘查并收集证据为主要手段,在进行火灾原因认定时,往往根据现场残留的火灾痕迹、残留物并结合证人询问笔录,通过逻辑推理得到认定结论,这种传统火灾原因调查方法具有很大的主观性和局限性。随着数字图像处理技术的发展,安防监控设备已经遍布了各大场所,这些监控视频图像已经可以客观具体地反映现场情况,对认定火灾原因发挥了良好的作用。但是由于一些客观元素限制,比如火灾发生在夜间,那么只通过监控视频,火调人员无从确定起火的具体位置,目前仍然没有很好的复原夜间火灾场景的方法。
发明内容
鉴于现有技术的状况及存在的不足,为了便于火灾调查人员确定夜间火灾起火位置,本发明提出一种基于Mask R-CNN模型的火灾夜间场景复原方法,通过训练Mask-RCNN模型对火焰进行实例分割,将夜晚的起火位置的火焰初期的区域分割出来融合到白天的监控视频上,定位起火的具体位置,在实例分割的后续操作中,利用图像混合叠加算法,将分割出的火焰区域叠加到白天的监控视频图像上,从而实现火灾场景的复原并辅助定位起火位置,为火灾成因认定奠定了坚实的基础。
本发明为实现上述目的,采用的技术方案是:基于Mask R-CNN神经网络的火灾夜间场景复原方法,利用计算机作为平台,其特征在于,步骤如下:
⑴、建立火焰检测样本库:
为了使用Mask-RCNN对火焰区域进行准确的提取分割,采集主要包括夜间各种场景下的火灾监控图片,经过标定处理,作为训练数据集,完成对Mask-RCNN网络的训练;
⑵、图像的预处理:
输入需要复原的火灾夜间场景视频帧,对于每一帧图像进行形态学滤波,图像随机翻转,裁剪,像素归一化,图像增强,可以去除噪声和图片尺寸因素的影响,便于网络的训练与推理;
⑶、Mask R-CNN模型训练:
Mask R-CNN 继承于Faster R-CNN,在Faster R-CNN上面加了一个Mask PredictionBranch,并且改良了RoI Pooling,提出了RoI Align,是Faster R-CNN和FCN的结合,同时完成了目标检测、目标分类、像素级目标分割三类任务,Mask R-CNN训练主要分为两个阶段,第一阶段训练区域生成网络RPN,第二阶段使用RoI Align将RPN层生成的RoI映射featuremap对应位置,将映射后的区域生成固定大小的特征图进行分类、坐标回归和输出一个二值Mask,在训练Mask R-CNN模型时,采用如下的损失函数:
L=Lcls+Lbox+Lmask
其中,L表示总的误差,Lcls代表分类误差,Lbox表示回归误差,Lmask表示分割误差;
Lbox和Lmask是对正样本才会起作用的,Mask R-CNN中的正样本被定义成了与Groundtruth的IoU大于0.5的预测框,在mask分支中对每个RoI的输出是K*m*m,表示k个尺寸为m*m的二值mask,k是物体类别数目;
Mask R-CNN没有采用FCN中的Softmaxloss进行分类,而是通过输出K个mask预测图,每一类都输出一个mask,通过逐像素的Sigmoid计算得到,代价函数为Sigmoid对应的交叉熵损失函数,利用Binary Loss代替Multinomial Loss,消除了不同类别的mask之间的竞争,生成了准确的二值mask;
⑷、Mask R-CNN模型推理:
将预处理后的夜间监控视频帧输入到训练好的Mask R-CNN模型中进行推理时,主要分为以下四个步骤:
第一步:特征图Feature Map的生成,处理后的图片输入到Mask R-CNN模型的主干网络ResNeXt-101+FPN中,产生不同尺寸的Feature Map;
第二步:候选区域生成网络RPN,RPN用来生成高质量的火焰候选区域框,它是一个全卷积神经网络,在所有 Feature Map 上通过候选区域生成网络RPN提取火焰候选区域RoI,并对提取出的候选区域进行打分,给出置信度,然后进行非极大值抑制NMS操作,并给出最终的火焰候选区域,与火焰检测网络共享卷积特征;
本方法采用 3 种不同大小Anchor,即128×128,256×256,512×512,用 3 种长宽比1∶1,1 ∶2,2 ∶1进行缩放滑动窗口,因此共用 9 种类型的 Anchor 对火焰候选区域进行预测,将每个滑动窗口映射成一个低维特征向量,将这些特征作为两个全连接层,即分类层和边界回归层的输入,分类层给出火焰候选区域中的物体是火焰和非火焰的概率,边界回归层给出火焰候选区域的坐标,由于提取的火焰候选区域有很多交叉重叠,因此根据非极大值抑制原则选取前 300 个候选区域框作为最终的火焰候选区域;
第三步:RoIAlign操作,RoIAlign使用双线性插值的方法,可以消除在池化操作时的误差,更好的提升分割效果,任意一个火焰候选区域经过RoI池化层映射到Feature Map的相应位置上,将Feature Map上的ROI区域进行ROIAlign操作得到固定尺寸的特征图,然后对每个输入的特征图通过全连接层提取一个固定维度的特征向量;
第四步:将Feature Map输入到三个同级的输出层,一是Softmax分类层,判断目标是否是火焰;二是边界回归层,实现RoI坐标预测功能;三是Mask生成层,主要是对每一个RoI特征图进行FCN全卷积神经网络操作,得到分割后的火焰前景图像;
⑸、火焰前景区域的智能融合:采用智能融合算法,将提取到的夜间火焰前景区域智能融合到白天的监控视频上,从而实现夜间火场景的复原,辅助火调人员分析火灾场景分析。
本发明的有益效果是:
传统的火焰检测采用HSV颜色模型提取疑似火焰区域,排除与火焰颜色相近的干扰物,然后利用高斯混合模型(GMM)检测运动目标,由于提取特征不够全面,当出现与火焰纹理相似的区域时,误检率较高,且不能准确定位火灾发生位置。使用深度卷积神经网络对火焰进行检测,提高了准确率,但是深度卷积神经网络需要固定的输入尺寸,因此对输入数据进行归一化操作时,导致了图像的失真,造成准确率的下降,利用搜索选择方法进行候选区域的提取,造成过多冗余区域框的产生,效率降低。
本发明使用RPN提取高质量的火焰候选区域,便于火焰目标的提取与分割,使用卷积神经网络提取抽象特征,能够更加全面地描述火焰,ROI Align操作使用双线性插值操作很好地解决了ROI Pooling操作中两次量化造成的区域不匹配(mis-alignment)的问题,能够精确的把火灾的位置映射到特征图的位置上。代价函数为Sigmoid对应的交叉熵损失函数,利用Binary Loss代替Multinomial Loss,消除了不同类别的mask之间的竞争,生成了准确的二值mask,对不同场景都有较好的检测能力。
本发明可以准确地完成对夜间火焰区域的分割,将夜晚的起火位置的火焰初期的区域分割出来,并通过智能融合算法将分割后的火焰前景视频叠加到白天的监控画面上,火灾原因调查人员可以利用该方法分析夜间火灾场景,从而实现火灾场景的复原并辅助定位起火位置,可以大大的降低视频分析观察难度,方便的进行起火点或者起火区域的准确定位,大大的提高火灾调查相关技术人员的作业时间和破案效率。
附图说明
图1为本发明的夜间火灾视频图像;
图2为本发明的同一监控摄像头下白天视频图像;
图3为本发明的经场景复原融合处理后的视频图像;
图4为本发明的 Mask-RCNN网络的结构图。
具体实施方式
如图1至图4所示,基于Mask R-CNN神经网络的火灾夜间场景复原方法,利用计算机作为平台,步骤如下:
⑴、建立火焰检测样本库:
为了使用Mask-RCNN对火焰区域进行准确的提取分割,采集主要包括夜间各种场景下的火灾监控图片,经过标定处理,作为训练数据集,完成对Mask-RCNN网络的训练。
⑵、图像的预处理:
输入需要复原的火灾夜间场景视频帧,对于每一帧图像进行形态学滤波,图像随机翻转,裁剪,像素归一化,图像增强,可以去除噪声和图片尺寸因素的影响,便于网络的训练与推理。
⑶、Mask R-CNN模型训练:
Mask R-CNN 继承于Faster R-CNN,在Faster R-CNN上面加了一个Mask PredictionBranch,并且改良了RoI Pooling,提出了RoI Align,是Faster R-CNN和FCN的结合,同时完成了目标检测、目标分类、像素级目标分割三类任务,Mask R-CNN训练主要分为两个阶段,第一阶段训练区域生成网络RPN,第二阶段使用RoI Align将RPN层生成的RoI映射featuremap对应位置,将映射后的区域生成固定大小的特征图进行分类、坐标回归和输出一个二值Mask,在训练Mask R-CNN模型时,采用如下的损失函数:
L=Lcls+Lbox+Lmask
其中,L表示总的误差,Lcls代表分类误差,Lbox表示回归误差,Lmask表示分割误差;
Lbox和Lmask是对正样本才会起作用的,Mask R-CNN中的正样本被定义成了与Groundtruth的IoU大于0.5的预测框,在mask分支中对每个RoI的输出是K*m*m,表示k个尺寸为m*m的二值mask,k是物体类别数目;
Mask R-CNN没有采用FCN中的Softmaxloss进行分类,而是通过输出K个mask预测图,每一类都输出一个mask,通过逐像素的Sigmoid计算得到,代价函数为Sigmoid对应的交叉熵损失函数,利用Binary Loss代替Multinomial Loss,消除了不同类别的mask之间的竞争,生成了准确的二值mask。
⑷、Mask R-CNN模型推理:
将预处理后的夜间监控视频帧输入到训练好的Mask R-CNN模型中进行推理时,主要分为以下四个步骤:
第一步:特征图Feature Map的生成,处理后的图片输入到Mask R-CNN模型的主干网络ResNeXt-101+FPN中,产生不同尺寸的Feature Map;
第二步:候选区域生成网络RPN,RPN用来生成高质量的火焰候选区域框,它是一个全卷积神经网络,在所有 Feature Map 上通过候选区域生成网络RPN提取火焰候选区域RoI,并对提取出的候选区域进行打分,给出置信度,然后进行非极大值抑制NMS操作,并给出最终的火焰候选区域,与火焰检测网络共享卷积特征;
本方法采用 3 种不同大小Anchor,即128×128,256×256,512×512,用 3 种长宽比1∶1,1 ∶2,2 ∶1进行缩放滑动窗口,因此共用 9 种类型的 Anchor 对火焰候选区域进行预测,将每个滑动窗口映射成一个低维特征向量,将这些特征作为两个全连接层,即分类层和边界回归层的输入,分类层给出火焰候选区域中的物体是火焰和非火焰的概率,边界回归层给出火焰候选区域的坐标,由于提取的火焰候选区域有很多交叉重叠,因此根据非极大值抑制原则选取前 300 个候选区域框作为最终的火焰候选区域;
第三步:RoIAlign操作,RoIAlign使用双线性插值的方法,可以消除在池化操作时的误差,更好的提升分割效果,任意一个火焰候选区域经过RoI池化层映射到Feature Map的相应位置上,将Feature Map上的ROI区域进行ROIAlign操作得到固定尺寸的特征图,然后对每个输入的特征图通过全连接层提取一个固定维度的特征向量;
第四步:将Feature Map输入到三个同级的输出层,一是Softmax分类层,判断目标是否是火焰;二是边界回归层,实现RoI坐标预测功能;三是Mask生成层,主要是对每一个RoI特征图进行FCN全卷积神经网络操作,得到分割后的火焰前景图像。
⑸、火焰前景区域的智能融合:采用智能融合算法,将提取到的夜间火焰前景区域智能融合到白天的监控视频上,从而实现夜间火场景的复原,辅助火调人员分析火灾场景分析。
Claims (1)
1.一种基于Mask R-CNN神经网络的火灾夜间场景复原方法,利用计算机作为平台,其特征在于,步骤如下:
⑴、建立火焰检测样本库:
为了使用Mask-RCNN对火焰区域进行准确的提取分割,采集主要包括夜间各种场景下的火灾监控图片,经过标定处理,作为训练数据集,完成对Mask-RCNN网络的训练;
⑵、图像的预处理:
输入需要复原的火灾夜间场景视频帧,对于每一帧图像进行形态学滤波,图像随机翻转,裁剪,像素归一化,图像增强,可以去除噪声和图片尺寸因素的影响,便于网络的训练与推理;
⑶、Mask R-CNN模型训练:
Mask R-CNN 继承于Faster R-CNN,在Faster R-CNN上面加了一个Mask PredictionBranch,并且改良了RoI Pooling,提出了RoI Align,是Faster R-CNN和FCN的结合,同时完成了目标检测、目标分类、像素级目标分割三类任务,Mask R-CNN训练主要分为两个阶段,第一阶段训练区域生成网络RPN,第二阶段使用RoI Align将RPN层生成的RoI映射featuremap对应位置,将映射后的区域生成固定大小的特征图进行分类、坐标回归和输出一个二值Mask,在训练Mask R-CNN模型时,采用如下的损失函数:
L=Lcls+Lbox+Lmask
其中,L表示总的误差,Lcls代表分类误差,Lbox表示回归误差,Lmask表示分割误差;
Lbox和Lmask是对正样本才会起作用的,Mask R-CNN中的正样本被定义成了与Groundtruth的IoU大于0.5的预测框,在mask分支中对每个RoI的输出是K*m*m,表示k个尺寸为m*m的二值mask,k是物体类别数目;
Mask R-CNN没有采用FCN中的Softmaxloss进行分类,而是通过输出K个mask预测图,每一类都输出一个mask,通过逐像素的Sigmoid计算得到,代价函数为Sigmoid对应的交叉熵损失函数,利用Binary Loss代替Multinomial Loss,消除了不同类别的mask之间的竞争,生成了准确的二值mask;
⑷、Mask R-CNN模型推理:
将预处理后的夜间监控视频帧输入到训练好的Mask R-CNN模型中进行推理时,主要分为以下四个步骤:
第一步:特征图Feature Map的生成,处理后的图片输入到Mask R-CNN模型的主干网络ResNeXt-101+FPN中,产生不同尺寸的Feature Map;
第二步:候选区域生成网络RPN,RPN用来生成高质量的火焰候选区域框,它是一个全卷积神经网络,在所有 Feature Map 上通过候选区域生成网络RPN提取火焰候选区域RoI,并对提取出的候选区域进行打分,给出置信度,然后进行非极大值抑制NMS操作,并给出最终的火焰候选区域,与火焰检测网络共享卷积特征;
本方法采用 3 种不同大小Anchor,即128×128,256×256,512×512,用 3 种长宽比1∶1,1 ∶2,2 ∶1进行缩放滑动窗口,因此共用 9 种类型的 Anchor 对火焰候选区域进行预测,将每个滑动窗口映射成一个低维特征向量,将这些特征作为两个全连接层,即分类层和边界回归层的输入,分类层给出火焰候选区域中的物体是火焰和非火焰的概率,边界回归层给出火焰候选区域的坐标,由于提取的火焰候选区域有很多交叉重叠,因此根据非极大值抑制原则选取前 300 个候选区域框作为最终的火焰候选区域;
第三步:RoIAlign操作,RoIAlign使用双线性插值的方法,可以消除在池化操作时的误差,更好的提升分割效果,任意一个火焰候选区域经过RoI池化层映射到Feature Map的相应位置上,将Feature Map上的ROI区域进行ROIAlign操作得到固定尺寸的特征图,然后对每个输入的特征图通过全连接层提取一个固定维度的特征向量;
第四步:将Feature Map输入到三个同级的输出层,一是Softmax分类层,判断目标是否是火焰;二是边界回归层,实现RoI坐标预测功能;三是Mask生成层,主要是对每一个RoI特征图进行FCN全卷积神经网络操作,得到分割后的火焰前景图像;
⑸、火焰前景区域的智能融合:采用智能融合算法,将提取到的夜间火焰前景区域智能融合到白天的监控视频上,从而实现夜间火场景的复原,辅助火调人员分析火灾场景分析。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910510501.7A CN110232380B (zh) | 2019-06-13 | 2019-06-13 | 基于Mask R-CNN神经网络的火灾夜间场景复原方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910510501.7A CN110232380B (zh) | 2019-06-13 | 2019-06-13 | 基于Mask R-CNN神经网络的火灾夜间场景复原方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110232380A true CN110232380A (zh) | 2019-09-13 |
CN110232380B CN110232380B (zh) | 2021-09-24 |
Family
ID=67859859
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910510501.7A Expired - Fee Related CN110232380B (zh) | 2019-06-13 | 2019-06-13 | 基于Mask R-CNN神经网络的火灾夜间场景复原方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110232380B (zh) |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110751075A (zh) * | 2019-10-12 | 2020-02-04 | 海南长光卫星信息技术有限公司 | 一种基于实例分割的遥感影像养殖塘检测方法 |
CN110827251A (zh) * | 2019-10-30 | 2020-02-21 | 江苏方天电力技术有限公司 | 一种基于航拍图像的输电线路锁紧销缺陷检测方法 |
CN110837809A (zh) * | 2019-11-11 | 2020-02-25 | 湖南伊鸿健康科技有限公司 | 血液自动分析方法、系统、血细胞分析仪及存储介质 |
CN110991374A (zh) * | 2019-12-10 | 2020-04-10 | 电子科技大学 | 一种基于rcnn的指纹奇异点检测方法 |
CN110991230A (zh) * | 2019-10-25 | 2020-04-10 | 湖北富瑞尔科技有限公司 | 基于旋转候选框的任意方向遥感影像舰船检测方法及系统 |
CN111008974A (zh) * | 2019-11-22 | 2020-04-14 | 浙江飞图影像科技有限公司 | 多模型融合的股骨颈骨折区域定位和分割方法及系统 |
CN111178197A (zh) * | 2019-12-19 | 2020-05-19 | 华南农业大学 | 基于Mask R-CNN和Soft-NMS融合的群养粘连猪实例分割方法 |
CN111402541A (zh) * | 2020-03-11 | 2020-07-10 | 五邑大学 | 基于无人机集群的森林灭火方法及系统 |
CN111581568A (zh) * | 2020-03-25 | 2020-08-25 | 中山大学 | 一种网页端人物换背景的方法 |
CN111767875A (zh) * | 2020-07-06 | 2020-10-13 | 中兴飞流信息科技有限公司 | 一种基于实例分割的隧道烟雾检测方法 |
CN111986125A (zh) * | 2020-07-16 | 2020-11-24 | 浙江工业大学 | 一种用于多目标任务实例分割的方法 |
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 |
CN112396620A (zh) * | 2020-11-17 | 2021-02-23 | 齐鲁工业大学 | 一种基于多阈值的图像语义分割方法及系统 |
CN112598040A (zh) * | 2020-12-16 | 2021-04-02 | 浙江方圆检测集团股份有限公司 | 一种基于深度学习的开关一致性实时检测方法 |
CN112933481A (zh) * | 2021-03-16 | 2021-06-11 | 中国地质大学(武汉) | 一种基于图像分析的消防预警机器人、系统和方法 |
CN113496158A (zh) * | 2020-03-20 | 2021-10-12 | 中移(上海)信息通信科技有限公司 | 对象检测模型的优化方法、装置、设备及存储介质 |
CN113674423A (zh) * | 2021-08-27 | 2021-11-19 | 中德(珠海)人工智能研究院有限公司 | 一种火灾原因判定方法、装置、服务器及可读存储介质 |
CN114664047A (zh) * | 2022-05-26 | 2022-06-24 | 长沙海信智能系统研究院有限公司 | 高速公路火灾识别方法、装置及电子设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102819735A (zh) * | 2012-08-17 | 2012-12-12 | 深圳辉锐天眼科技有限公司 | 基于视频帧图像的火焰检测方法 |
CN105976365A (zh) * | 2016-04-28 | 2016-09-28 | 天津大学 | 一种夜间火灾视频检测方法 |
KR101792435B1 (ko) * | 2016-09-13 | 2017-11-20 | 이화여자대학교 산학협력단 | 화재 피해를 입은 구조물의 손상 정도를 평가하는 방법 |
CN107730517A (zh) * | 2017-11-10 | 2018-02-23 | 公安部天津消防研究所 | 一种基于自适应亮度分割的火灾视频图像分析算法 |
CN109544464A (zh) * | 2018-10-19 | 2019-03-29 | 天津大学 | 一种基于轮廓提取的火灾视频图像分析方法 |
-
2019
- 2019-06-13 CN CN201910510501.7A patent/CN110232380B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102819735A (zh) * | 2012-08-17 | 2012-12-12 | 深圳辉锐天眼科技有限公司 | 基于视频帧图像的火焰检测方法 |
CN105976365A (zh) * | 2016-04-28 | 2016-09-28 | 天津大学 | 一种夜间火灾视频检测方法 |
KR101792435B1 (ko) * | 2016-09-13 | 2017-11-20 | 이화여자대학교 산학협력단 | 화재 피해를 입은 구조물의 손상 정도를 평가하는 방법 |
CN107730517A (zh) * | 2017-11-10 | 2018-02-23 | 公安部天津消防研究所 | 一种基于自适应亮度分割的火灾视频图像分析算法 |
CN109544464A (zh) * | 2018-10-19 | 2019-03-29 | 天津大学 | 一种基于轮廓提取的火灾视频图像分析方法 |
Non-Patent Citations (2)
Title |
---|
KAIMING HE 等: "Mask R-CNN", 《ICCV2017》 * |
严云洋 等: "基于Faster R-CNN 模型的火焰检测", 《南京师大学报(自然科学版)》 * |
Cited By (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110751075A (zh) * | 2019-10-12 | 2020-02-04 | 海南长光卫星信息技术有限公司 | 一种基于实例分割的遥感影像养殖塘检测方法 |
CN110991230A (zh) * | 2019-10-25 | 2020-04-10 | 湖北富瑞尔科技有限公司 | 基于旋转候选框的任意方向遥感影像舰船检测方法及系统 |
CN110991230B (zh) * | 2019-10-25 | 2023-08-11 | 湖北富瑞尔科技有限公司 | 基于旋转候选框的任意方向遥感影像舰船检测方法及系统 |
CN110827251A (zh) * | 2019-10-30 | 2020-02-21 | 江苏方天电力技术有限公司 | 一种基于航拍图像的输电线路锁紧销缺陷检测方法 |
CN110827251B (zh) * | 2019-10-30 | 2023-03-28 | 江苏方天电力技术有限公司 | 一种基于航拍图像的输电线路锁紧销缺陷检测方法 |
CN110837809A (zh) * | 2019-11-11 | 2020-02-25 | 湖南伊鸿健康科技有限公司 | 血液自动分析方法、系统、血细胞分析仪及存储介质 |
CN111008974A (zh) * | 2019-11-22 | 2020-04-14 | 浙江飞图影像科技有限公司 | 多模型融合的股骨颈骨折区域定位和分割方法及系统 |
CN110991374A (zh) * | 2019-12-10 | 2020-04-10 | 电子科技大学 | 一种基于rcnn的指纹奇异点检测方法 |
CN111178197A (zh) * | 2019-12-19 | 2020-05-19 | 华南农业大学 | 基于Mask R-CNN和Soft-NMS融合的群养粘连猪实例分割方法 |
CN111178197B (zh) * | 2019-12-19 | 2023-04-07 | 华南农业大学 | 基于Mask R-CNN和Soft-NMS融合的群养粘连猪实例分割方法 |
CN111402541A (zh) * | 2020-03-11 | 2020-07-10 | 五邑大学 | 基于无人机集群的森林灭火方法及系统 |
CN113496158A (zh) * | 2020-03-20 | 2021-10-12 | 中移(上海)信息通信科技有限公司 | 对象检测模型的优化方法、装置、设备及存储介质 |
CN111581568B (zh) * | 2020-03-25 | 2023-04-18 | 中山大学 | 一种网页端人物换背景的方法 |
CN111581568A (zh) * | 2020-03-25 | 2020-08-25 | 中山大学 | 一种网页端人物换背景的方法 |
CN111767875A (zh) * | 2020-07-06 | 2020-10-13 | 中兴飞流信息科技有限公司 | 一种基于实例分割的隧道烟雾检测方法 |
CN111767875B (zh) * | 2020-07-06 | 2024-05-10 | 中兴飞流信息科技有限公司 | 一种基于实例分割的隧道烟雾检测方法 |
CN111986125A (zh) * | 2020-07-16 | 2020-11-24 | 浙江工业大学 | 一种用于多目标任务实例分割的方法 |
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 |
CN112396620A (zh) * | 2020-11-17 | 2021-02-23 | 齐鲁工业大学 | 一种基于多阈值的图像语义分割方法及系统 |
CN112598040A (zh) * | 2020-12-16 | 2021-04-02 | 浙江方圆检测集团股份有限公司 | 一种基于深度学习的开关一致性实时检测方法 |
CN112933481A (zh) * | 2021-03-16 | 2021-06-11 | 中国地质大学(武汉) | 一种基于图像分析的消防预警机器人、系统和方法 |
CN113674423A (zh) * | 2021-08-27 | 2021-11-19 | 中德(珠海)人工智能研究院有限公司 | 一种火灾原因判定方法、装置、服务器及可读存储介质 |
CN114664047A (zh) * | 2022-05-26 | 2022-06-24 | 长沙海信智能系统研究院有限公司 | 高速公路火灾识别方法、装置及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN110232380B (zh) | 2021-09-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110232380A (zh) | 基于Mask R-CNN神经网络的火灾夜间场景复原方法 | |
CN108805015B (zh) | 加权卷积自编码长短期记忆网络人群异常检测方法 | |
CN108665487B (zh) | 基于红外和可见光融合的变电站作业对象和目标定位方法 | |
CN111784633B (zh) | 一种面向电力巡检视频的绝缘子缺损自动检测算法 | |
CN110490212A (zh) | 钼靶影像处理设备、方法和装置 | |
CN112733950A (zh) | 一种基于图像融合与目标检测结合的电力设备故障诊断方法 | |
CN111738342B (zh) | 一种受电弓异物检测方法、存储介质及计算机设备 | |
CN104992223A (zh) | 基于深度学习的密集人数估计方法 | |
Liu et al. | A night pavement crack detection method based on image‐to‐image translation | |
Jiang et al. | Building damage detection via superpixel-based belief fusion of space-borne SAR and optical images | |
CN114677346A (zh) | 基于记忆信息的端到端的半监督图像表面缺陷的检测方法 | |
CN106778650A (zh) | 基于多类型信息融合的场景自适应行人检测方法和系统 | |
CN113065431B (zh) | 一种基于隐马尔可夫模型和循环神经网络的人体违规行为预测方法 | |
CN112364778A (zh) | 一种基于深度学习的电厂安全性行为信息自动检测方法 | |
CN113344475A (zh) | 基于序列模态分解的变压器套管缺陷识别方法及系统 | |
Zhu et al. | Towards automatic wild animal detection in low quality camera-trap images using two-channeled perceiving residual pyramid networks | |
CN114241310B (zh) | 基于改进yolo模型的堤防管涌险情智能识别方法 | |
Arif et al. | Adaptive deep learning detection model for multi-foggy images | |
CN108764287B (zh) | 基于深度学习和分组卷积的目标检测方法及系统 | |
CN113077423B (zh) | 基于卷积神经网络的激光选区熔化熔池图像分析系统 | |
Cheng et al. | Embankment crack detection in UAV images based on efficient channel attention U2Net | |
CN110599460A (zh) | 基于混合卷积神经网络的地下管网检测评估云系统 | |
CN116543333A (zh) | 电力系统的目标识别方法、训练方法、装置、设备和介质 | |
CN115984378A (zh) | 一种轨道异物检测方法、装置、设备及介质 | |
CN115700737A (zh) | 一种基于视频监控的溢油检测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210924 |
|
CF01 | Termination of patent right due to non-payment of annual fee |