CN110852347A - 采用改进YOLO v3的火灾检测方法 - Google Patents

采用改进YOLO v3的火灾检测方法 Download PDF

Info

Publication number
CN110852347A
CN110852347A CN201910987400.9A CN201910987400A CN110852347A CN 110852347 A CN110852347 A CN 110852347A CN 201910987400 A CN201910987400 A CN 201910987400A CN 110852347 A CN110852347 A CN 110852347A
Authority
CN
China
Prior art keywords
neural network
training
fire
model
modified
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
Application number
CN201910987400.9A
Other languages
English (en)
Other versions
CN110852347B (zh
Inventor
张为
魏晶晶
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.)
Tianjin University
Original Assignee
Tianjin University
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 Tianjin University filed Critical Tianjin University
Priority to CN201910987400.9A priority Critical patent/CN110852347B/zh
Publication of CN110852347A publication Critical patent/CN110852347A/zh
Application granted granted Critical
Publication of CN110852347B publication Critical patent/CN110852347B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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
    • 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

Landscapes

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

Abstract

本发明涉及一种采用改进YOLO v3的火灾检测方法，包括步骤如下：构建带有标注和标签的火灾数据集；训练修改后的深度卷积神经网络：对YOLO v3的原特征提取神经网络Darknet‑53进行修改，基于公开数据集预训练修改后的神经网络，保留生成的预训练模型权重，在火灾数据集上加载预训练模型权重对修改后的神经网络进行二次训练，微调神经网络训练参数直至神经网络收敛。

Description

采用改进YOLO v3的火灾检测方法
技术领域
本发明属于计算机视觉与人工智能技术领域，具体来说是一种采用改进YOLO v3深度卷积神经网络的检测视频图像中是否存在火灾的方法，本质上是目标识别与定位问题。
背景技术
随着计算机软硬件性能的不断提升以及大数据平台的不断完善，人工智能技术蓬勃发展，并深刻影响着当下的时代。深度卷积神经网络作为人工智能技术领域最具发展前景的研究热点之一，目前面临的最大痛点和难点即如何将研究成果落地应用，发挥其真正的实用价值。
火灾在人们日常生活中频繁发生且危害巨大，近些年来基于视频监控平台的图像型火灾检测技术开始备受研究者的关注并不断发展。相较于基于温度、烟雾等火灾参数传感器的传统火灾检测技术，其检测速度快、检测范围广、报警信息丰富、受环境因素影响小，因此具有重要的研究意义。
然而，早期图像型火灾检测技术多是基于人工选取特征，再结合浅层机器学习分类器模型加以训练，最后对图像中的目标做分类和识别。一方面，人工选取特征过于依赖专家的先验知识，与此同时很难寻找到一种或多种足以描述火焰本质的特征，特征选取的合适与否将直接影响到模型的分类效果，并且特征的计算方法大多都采取设定启发式阈值的方法，因此模型的泛化能力有限，鲁棒性不佳；另一方面，浅层机器学习模型学习的特征较为表面，模型的表达能力不足，此外，更丰富的数据集也无法带来其分类性能的显著提升。
当前，深层次的卷积神经网络可以在海量的训练数据中自动提取和学习图像中更本质的特征，将深度卷积神经网络应用于图像型火灾检测技术，将显著增强分类效果，并进一步提升预测准确性。其中，YOLO v3作为深度卷积神经网络中兼具检测精度与检测实时性的一种端到端的目标检测框架，完全适合将其运用到实际的火灾检测当中。
发明内容
为了克服早期图像型火灾检测技术的缺陷和不足，一种基于改进YOLO v3的火灾检测方法，其实现步骤如下：
一种采用改进YOLO v3的火灾检测方法，包括步骤如下：
第一步，构建带有标注和标签的火灾数据集：收集并整理多段火灾视频，从中手动截取多种场景、多种尺度、多种燃烧状态的火灾图片，使用图片标注工具对图片进行数据标注，构建符合神经网络训练需求的火灾数据集，并使用K均值聚类算法生成新的尺寸大小和数量的锚框；
第二步，训练修改后的深度卷积神经网络：对YOLO v3的原特征提取神经网络Darknet-53进行修改，基于公开数据集预训练修改后的神经网络，保留生成的预训练模型权重，在火灾数据集上加载预训练模型权重对修改后的神经网络进行二次训练，微调神经网络训练参数直至神经网络收敛，方法如下：
(1)预训练修改后的神经网络：对YOLO v3的原特征提取神经网络Darknet-53进行修改，在其中加入膨胀卷积和DenseNet模块；保留Darknet特征提取神经网络的前9层卷积层及其残差连接，并在其后加入两个膨胀系数分别为2和4的膨胀卷积模块，并将膨胀系数为2的输出经批归一化、Relu激活以及卷积的组合操作后与膨胀系数为4的膨胀卷积模块输出进行跃层连接；在随后的神经网络结构中两次加入DenseNet单元，每次加入9个，对于YOLO v3损失函数，结合检测任务需求加以改进，分别计算置信度误差和坐标误差的损失值；基于公开数据集对修改后的神经网络进行预训练，保留生成的预训练模型权重；
(2)训练修改后的神经网络：在火灾数据集上，加载步骤(1)中预训练的模型权重进行初始化，再次对模型加以训练；微调神经网络训练参数直至神经网络收敛，保留二次训练过程中生成的模型权重；
第三步，利用训练好的YOLO v3检测模型在测试集上验证模型效果，并结合检测效果进一步微调模型的训练参数继续训练以达到模型的最优性能，保留最终的模型权重；最后，输入火灾视频，利用已训练好的模型对视频进行检测，得到火灾图片的检测结果、置信度概率以及每秒检测帧数。
优选地，改进YOLO v3损失函数，修改后的损失函数和改进后的坐标误差分别如下式所示：
L＝Ecoord+Eiou
Figure BDA0002237122110000021
其中，损失函数L由坐标误差Ecoord、置信度误差Eiou组成；λcoord表示坐标误差的权重，S2表示输入图像划分的网格单元数，B表示每个网格单元生成的Bounding Box数；表示有无目标落在Bounding Box中，当火焰目标落到第i个网格生成的第j个Bounding Box中时，否则
Figure BDA0002237122110000024
分别表示为预测框中心点的横纵坐标以及框的宽度和高度，而(xi,yi,wi,hi)则表示对应的真实框的值。
与早期图像型火灾检测技术相比，本发明提出的基于改进YOLO v3的火灾检测方法检测精度更高，同时检测速度更快，误报率、漏报率也明显降低。特别地，该方法不仅可以检测火灾图片，也可以实时读取视频数据流并在火灾发生数秒内准确框选出火灾发生位置，且由于训练数据集包含室内室外多种环境多种尺度的火焰，因此模型在多种实际场景中均应用效果良好。
附图说明
图1是使用YOLO_MARK工具对火灾图片进行标注的截图
图2是改进后的Darknet-53特征提取神经网络结构示意图
图3是模型检测到火焰并框选出目标的示意图
图4是模型检测过程中的命令行部分输出截图
图5是本发明的检测流程图
具体实施方式
本发明提供了一种基于改进YOLO v3的火灾检测方法，下面通过实例简述本发明实现火灾检测并定位火灾位置的过程。
1)收集200多段实际火灾和模拟实验火灾视频，从中手动截取近14000张火灾图片，使用YOLO系列专用的图片标注工具YOLO_MARK手动对图片进行数据标注，将图片中的火焰用包含完整火焰轮廓又尽量贴近轮廓边缘的矩形框框出，并注明类别为火。标注完后每一张图片会对应生成一个txt文件，其中包括目标类别号(由于只有火焰1类物体，因此类别号均为0)、标注矩形框的中心点坐标xy以及矩形框的宽高。选取其中的10014张火灾图片作为训练集用以训练模型，剩余的火灾图片作为测试集用以验证模型性能。使用YOLO_MARK工具对火灾图片进行标注的过程截图如图1所示。
2)原YOLO v3基于Imagenet使用K均值聚类方法生成了9种尺寸的锚框，但由于其数据集种类与本发明中的数据集差异较大，因此使用聚类算法基于1)中自建的火灾数据集生成新的尺寸大小和种类数的锚框。最终生成的10种锚框尺寸大小分别为：(11,26)，(18,40)，(22,57)，(27,88)，(41,58)，(46,115)(62,197)，(93,114)，(97,252)，(223,252)。
3)在原YOLO v3特征提取神经网络Darknet-53中加入膨胀卷积和DenseNet神经网络模块。保留Darknet特征提取神经网络的前9层卷积层及其残差连接，并在其后加入两个膨胀系数分别为2和4的膨胀卷积模块，并将膨胀系数为2的输出经批归一化、Relu激活以及卷积的组合操作后与膨胀系数为4的膨胀卷积模块输出进行跃层连接。在随后的神经网络结构中两次加入DenseNet单元，每次加入9个。改进后的特征提取神经网络如图2所示，图中Dr表示膨胀系数，DBL模块表示批归一化、Relu激活以及卷积的组合操作；ResNet单元表示两个DBL模块及其快捷链路的和；一个DenseNet模块由两个DenseNet单元组成。
4)修改后的损失函数和改进后的坐标误差分别如下式所示，其中损失L由坐标误差Ecoord、置信度误差Eiou组成。λcoord表示坐标误差的权重，S2表示输入图像划分的网格单元数，B表示每个网格单元生成的Bounding Box数。
Figure BDA0002237122110000031
表示有无目标落在Bounding Box中，当火焰目标落到第i个网格生成的第j个BoundingBox中时，
Figure BDA0002237122110000032
否则
Figure BDA0002237122110000033
分别表示为预测框中心点的横纵坐标以及框的宽度和高度，而(xi,yi,wi,hi)则表示对应的真实框的值。
L＝Ecoord+Eiou
5)由于修改了特征提取神经网络Darknet-53的神经网络结构，无法使用原YOLOv3基于Imagenet的预训练模型权重，因此基于公开数据集对修改后的神经网络重新开始训练，保留生成的预训练模型权重。随后，基于预训练好的模型在自建的火灾检测标注训练集上对模型进行二次训练，微调神经网络训练参数直至神经网络收敛，保留二次训练过程中生成的模型权重。
6)利用已训练好的YOLO v3检测模型在测试集上验证模型效果，并结合检测效果进一步微调模型的训练参数继续训练以达到模型的最优性能，保留最终的模型权重。最后，输入火灾视频，加载最优的模型权重对视频进行检测，其在图像上对火焰进行框选的输出示意图如图3所示，模型检测的部分实时命令行输出如图4所示。
本发明的检测视频图像中是否有火灾发生的新方法，主要是针对YOLO v3的特征提取神经网络Darknet-53做了几点改进，并结合火灾检测任务实际，简化了损失函数，以进一步提升模型的检测效果。为了增强原YOLO v3中Darknet-53特征提取神经网络在前向传播过程中的特征复用，在特征提取神经网络中加入了DenseNet(Densely ConnectedConvolutional Networks)模块，充分利用了多层间的特征，与此同时显著减少了训练过程中的梯度消失现象，并进一步降低了神经网络参数量。此外，在Darknet特征提取神经网络中加入膨胀卷积模块，目的是扩大图像的感受野，在不损失特征图像分辨率的情况下进行多尺度上下文信息聚合，提升了神经网络对小尺度火焰目标的检测率。此外，基于火灾检测这一二分类检测问题，删去原YOLO v3损失函数中的分类误差分量，同时，鉴于不同尺度大小的火焰目标对于坐标误差的贡献不同，因此采用对比度归一化方法来对坐标误差加以改进，并使用绝对值形式替换原损失函数中的平方和形式，以提高损失函数在训练过程中的抗干扰性。

Claims (2)

1.一种采用改进YOLO v3的火灾检测方法，包括步骤如下：
第一步，构建带有标注和标签的火灾数据集：收集并整理多段火灾视频，从中手动截取多种场景、多种尺度、多种燃烧状态的火灾图片，使用图片标注工具对图片进行数据标注，构建符合神经网络训练需求的火灾数据集，并使用K均值聚类算法生成新的尺寸大小和数量的锚框；
第二步，训练修改后的深度卷积神经网络：对YOLO v3的原特征提取神经网络Darknet-53进行修改，基于公开数据集预训练修改后的神经网络，保留生成的预训练模型权重，在火灾数据集上加载预训练模型权重对修改后的神经网络进行二次训练，微调神经网络训练参数直至神经网络收敛，方法如下：
(1)预训练修改后的神经网络：对YOLO v3的原特征提取神经网络Darknet-53进行修改，在其中加入膨胀卷积和DenseNet模块；保留Darknet特征提取神经网络的前9层卷积层及其残差连接，并在其后加入两个膨胀系数分别为2和4的膨胀卷积模块，并将膨胀系数为2的输出经批归一化、Relu激活以及卷积的组合操作后与膨胀系数为4的膨胀卷积模块输出进行跃层连接；在随后的神经网络结构中两次加入DenseNet单元，每次加入9个，对于YOLOv3损失函数，结合检测任务需求加以改进，分别计算置信度误差和坐标误差的损失值；基于公开数据集对修改后的神经网络进行预训练，保留生成的预训练模型权重；
(2)训练修改后的神经网络：在火灾数据集上，加载步骤(1)中预训练的模型权重进行初始化，再次对模型加以训练；微调神经网络训练参数直至神经网络收敛，保留二次训练过程中生成的模型权重；
第三步，利用训练好的YOLO v3检测模型在测试集上验证模型效果，并结合检测效果进一步微调模型的训练参数继续训练以达到模型的最优性能，保留最终的模型权重；最后，输入火灾视频，利用已训练好的模型对视频进行检测，得到火灾图片的检测结果、置信度概率以及每秒检测帧数。
2.根据权利要求1所述的方法，其特征在于，改进YOLO v3损失函数，修改后的损失函数和改进后的坐标误差分别如下式所示：
L＝Ecoord+Eiou
Figure FDA0002237122100000011
其中，损失函数L由坐标误差Ecoord、置信度误差Eiou组成；λcoord表示坐标误差的权重，S2表示输入图像划分的网格单元数，B表示每个网格单元生成的Bounding Box数；
Figure FDA0002237122100000012
表示有无目标落在Bounding Box中，当火焰目标落到第i个网格生成的第j个Bounding Box中时，
Figure FDA0002237122100000013
否则
Figure FDA0002237122100000014
分别表示为预测框中心点的横纵坐标以及框的宽度和高度，而(xi,yi,wi,hi)则表示对应的真实框的值。
CN201910987400.9A 2019-10-17 2019-10-17 采用改进YOLO v3的火灾检测方法 Active CN110852347B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910987400.9A CN110852347B (zh) 2019-10-17 2019-10-17 采用改进YOLO v3的火灾检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910987400.9A CN110852347B (zh) 2019-10-17 2019-10-17 采用改进YOLO v3的火灾检测方法

Publications (2)

Publication Number Publication Date
CN110852347A true CN110852347A (zh) 2020-02-28
CN110852347B CN110852347B (zh) 2023-07-18

Family

ID=69596534

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910987400.9A Active CN110852347B (zh) 2019-10-17 2019-10-17 采用改进YOLO v3的火灾检测方法

Country Status (1)

Country Link
CN (1) CN110852347B (zh)

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111523528A (zh) * 2020-07-03 2020-08-11 平安国际智慧城市科技股份有限公司 基于规模识别模型的策略发送方法、装置和计算机设备
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
CN111680632A (zh) * 2020-06-10 2020-09-18 深延科技(北京)有限公司 基于深度学习卷积神经网络的烟火检测方法及系统
CN111738212A (zh) * 2020-07-20 2020-10-02 平安国际智慧城市科技股份有限公司 基于人工智能的交通信号灯识别方法、装置、设备及介质
CN111986436A (zh) * 2020-09-02 2020-11-24 成都指码科技有限公司 一种基于紫外、深度神经网络的综合火焰检测方法
CN112132032A (zh) * 2020-09-23 2020-12-25 平安国际智慧城市科技股份有限公司 交通标志牌检测方法、装置、电子设备及存储介质
CN112446914A (zh) * 2020-12-04 2021-03-05 中国矿业大学(北京) 一种放顶煤过程中的煤矸石质量计算方法及系统
CN112507896A (zh) * 2020-12-14 2021-03-16 大连大学 一种采用改进的yolo-v4模型对樱桃果实进行检测的方法
CN112633174A (zh) * 2020-12-23 2021-04-09 电子科技大学 一种基于改进的YOLOv4高穹顶场景下火灾检测方法、存储介质
CN112733900A (zh) * 2020-12-31 2021-04-30 华北电力大学 一种基于深度迁移学习的锅炉燃烧状态稳定性判断方法
CN112801183A (zh) * 2021-01-28 2021-05-14 哈尔滨理工大学 一种基于YOLO v3的多尺度目标检测方法
CN112862150A (zh) * 2020-12-30 2021-05-28 广州智能科技发展有限公司 一种基于图像与视频多模型的森林火情预警方法
CN112884090A (zh) * 2021-04-14 2021-06-01 安徽理工大学 基于改进YOLOv3的火灾检测识别方法
CN113823056A (zh) * 2021-09-26 2021-12-21 中电科西北集团有限公司 基于异地监视的无人机森林防火监视系统
CN114120238A (zh) * 2021-12-01 2022-03-01 华能东莞燃机热电有限责任公司 基于多尺度特征的火灾检测方法、装置、存储介质和设备

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170032222A1 (en) * 2015-07-30 2017-02-02 Xerox Corporation Cross-trained convolutional neural networks using multimodal images
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
CN109598700A (zh) * 2018-10-16 2019-04-09 天津大学 采用卷积神经网络的早期火灾检测方法
US20190130188A1 (en) * 2017-10-26 2019-05-02 Qualcomm Incorporated Object classification in a video analytics system
CN109961034A (zh) * 2019-03-18 2019-07-02 西安电子科技大学 基于卷积门控循环神经单元的视频目标检测方法
CN110084166A (zh) * 2019-04-19 2019-08-02 山东大学 基于深度学习的变电站烟火智能识别监测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170032222A1 (en) * 2015-07-30 2017-02-02 Xerox Corporation Cross-trained convolutional neural networks using multimodal images
US20190130188A1 (en) * 2017-10-26 2019-05-02 Qualcomm Incorporated Object classification in a video analytics system
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
CN109598700A (zh) * 2018-10-16 2019-04-09 天津大学 采用卷积神经网络的早期火灾检测方法
CN109961034A (zh) * 2019-03-18 2019-07-02 西安电子科技大学 基于卷积门控循环神经单元的视频目标检测方法
CN110084166A (zh) * 2019-04-19 2019-08-02 山东大学 基于深度学习的变电站烟火智能识别监测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
DONGQING SHEN ET AL.: "Flame detection using deep learning", 《2018 4TH INTERNATIONAL CONFERENCE ON CONTROL, AUTOMATION AND ROBOTICS (ICCAR)》 *
刘学平 等: "嵌入 SENet 结构的改进 YOLOV3 目标识别算法", 《计算机工程》 *
陈燕红: "基于卷积神经网络的无人机森林火灾检测研究", 《中国优秀硕士学位论文全文数据库 农业科技辑》 *

Cited By (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN111680632A (zh) * 2020-06-10 2020-09-18 深延科技(北京)有限公司 基于深度学习卷积神经网络的烟火检测方法及系统
CN111523528B (zh) * 2020-07-03 2020-10-20 平安国际智慧城市科技股份有限公司 基于规模识别模型的策略发送方法、装置和计算机设备
CN111523528A (zh) * 2020-07-03 2020-08-11 平安国际智慧城市科技股份有限公司 基于规模识别模型的策略发送方法、装置和计算机设备
CN111738212A (zh) * 2020-07-20 2020-10-02 平安国际智慧城市科技股份有限公司 基于人工智能的交通信号灯识别方法、装置、设备及介质
CN111986436A (zh) * 2020-09-02 2020-11-24 成都指码科技有限公司 一种基于紫外、深度神经网络的综合火焰检测方法
CN111986436B (zh) * 2020-09-02 2022-12-13 成都视道信息技术有限公司 一种基于紫外、深度神经网络的综合火焰检测方法
CN112132032B (zh) * 2020-09-23 2024-07-12 平安国际智慧城市科技股份有限公司 交通标志牌检测方法、装置、电子设备及存储介质
CN112132032A (zh) * 2020-09-23 2020-12-25 平安国际智慧城市科技股份有限公司 交通标志牌检测方法、装置、电子设备及存储介质
CN112446914A (zh) * 2020-12-04 2021-03-05 中国矿业大学(北京) 一种放顶煤过程中的煤矸石质量计算方法及系统
CN112446914B (zh) * 2020-12-04 2023-08-15 中国矿业大学(北京) 一种放顶煤过程中的煤矸石质量计算方法及系统
CN112507896A (zh) * 2020-12-14 2021-03-16 大连大学 一种采用改进的yolo-v4模型对樱桃果实进行检测的方法
CN112507896B (zh) * 2020-12-14 2023-11-07 大连大学 一种采用改进的yolo-v4模型对樱桃果实进行检测的方法
CN112633174A (zh) * 2020-12-23 2021-04-09 电子科技大学 一种基于改进的YOLOv4高穹顶场景下火灾检测方法、存储介质
CN112633174B (zh) * 2020-12-23 2022-08-02 电子科技大学 一种基于改进的YOLOv4高穹顶场景下火灾检测方法、存储介质
CN112862150A (zh) * 2020-12-30 2021-05-28 广州智能科技发展有限公司 一种基于图像与视频多模型的森林火情预警方法
CN112733900A (zh) * 2020-12-31 2021-04-30 华北电力大学 一种基于深度迁移学习的锅炉燃烧状态稳定性判断方法
CN112733900B (zh) * 2020-12-31 2024-01-23 华北电力大学 一种基于深度迁移学习的锅炉燃烧状态稳定性判断方法
CN112801183B (zh) * 2021-01-28 2023-09-08 哈尔滨理工大学 一种基于YOLO v3的多尺度目标检测方法
CN112801183A (zh) * 2021-01-28 2021-05-14 哈尔滨理工大学 一种基于YOLO v3的多尺度目标检测方法
CN112884090A (zh) * 2021-04-14 2021-06-01 安徽理工大学 基于改进YOLOv3的火灾检测识别方法
CN113823056A (zh) * 2021-09-26 2021-12-21 中电科西北集团有限公司 基于异地监视的无人机森林防火监视系统
CN114120238A (zh) * 2021-12-01 2022-03-01 华能东莞燃机热电有限责任公司 基于多尺度特征的火灾检测方法、装置、存储介质和设备

Also Published As

Publication number Publication date
CN110852347B (zh) 2023-07-18

Similar Documents

Publication Publication Date Title
CN110852347A (zh) 采用改进YOLO v3的火灾检测方法
CN109508675B (zh) 一种针对复杂场景的行人检测方法
CN111444939B (zh) 电力领域开放场景下基于弱监督协同学习的小尺度设备部件检测方法
CN112837315A (zh) 一种基于深度学习的输电线路绝缘子缺陷检测方法
CN115457006B (zh) 基于相似一致性自蒸馏的无人机巡检缺陷分类方法及装置
CN111914720B (zh) 一种输电线路绝缘子爆裂识别方法及装置
CN111428558A (zh) 一种基于改进YOLOv3方法的车辆检测方法
CN110378239A (zh) 一种基于深度学习的实时交通标志检测方法
CN110781882A (zh) 一种基于yolo模型的车牌定位和识别方法
CN114519819B (zh) 一种基于全局上下文感知的遥感图像目标检测方法
CN114821492A (zh) 一种基于YOLOv4的道路车辆检测系统及方法
CN110689000A (zh) 一种基于生成复杂环境下车牌样本的车辆车牌识别方法
CN113239753A (zh) 基于YOLOv4改进的交通标志检测与识别方法
CN109766790A (zh) 一种基于自适应特征通道的行人检测方法
CN116665054A (zh) 一种基于改进YOLOv3的遥感影像小目标检测方法
CN115240069A (zh) 一种全雾天场景下的实时性障碍物检测方法
CN117876874A (zh) 基于高点监控视频的森林火灾检测和定位方法及系统
CN117853955A (zh) 一种基于改进YOLOv5的无人机小目标检测方法
CN115439653A (zh) 一种变电站场景点云语义分割方法
CN107644203A (zh) 一种形状自适应分类的特征点检测方法
CN111507416A (zh) 一种基于深度学习的吸烟行为实时检测方法
CN113496210B (zh) 基于注意力机制的光伏组串跟踪及故障跟踪方法
CN115830302B (zh) 一种多尺度特征提取融合配电网设备定位识别方法
CN115049969B (zh) 一种改进YOLOv3和BiConvLSTM的不良视频检测方法
CN116630989A (zh) 智能电表可视故障检测方法、系统、电子设备及存储介质

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