CN111310636A - 一种基于热成像和烟雾识别一体森林防火ia-pcnn算法 - Google Patents

一种基于热成像和烟雾识别一体森林防火ia-pcnn算法 Download PDF

Info

Publication number
CN111310636A
CN111310636A CN202010085397.4A CN202010085397A CN111310636A CN 111310636 A CN111310636 A CN 111310636A CN 202010085397 A CN202010085397 A CN 202010085397A CN 111310636 A CN111310636 A CN 111310636A
Authority
CN
China
Prior art keywords
smoke
forest fire
pcnn
fire prevention
thermal imaging
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
CN202010085397.4A
Other languages
English (en)
Inventor
邱家生
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.)
Ganzhou Goldpower Electronic Equipment Co ltd
Original Assignee
Ganzhou Goldpower Electronic Equipment 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 Ganzhou Goldpower Electronic Equipment Co ltd filed Critical Ganzhou Goldpower Electronic Equipment Co ltd
Priority to CN202010085397.4A priority Critical patent/CN111310636A/zh
Publication of CN111310636A publication Critical patent/CN111310636A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • 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
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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
    • G06F18/24133—Distances to prototypes
    • G06F18/24137—Distances to cluster centroïds
    • G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic 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
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B17/00—Fire alarms; Alarms responsive to explosion
    • G08B17/005—Fire alarms; Alarms responsive to explosion for forest fires, e.g. detecting fires spread over a large or outdoors area
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B17/00—Fire alarms; Alarms responsive to explosion
    • G08B17/12—Actuation by presence of radiation or particles, e.g. of infrared radiation or of ions
    • G08B17/125—Actuation by presence of radiation or particles, e.g. of infrared radiation or of ions by using a video camera to detect fire or smoke
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image
    • 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
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30232—Surveillance

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (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)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Business, Economics & Management (AREA)
  • Emergency Management (AREA)
  • Probability & Statistics with Applications (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Fire-Detection Mechanisms (AREA)

Abstract

本发明公开了一种基于热成像和烟雾识别一体森林防火IA‑PCNN算法，属于森林防火系统技术领域，其特征在于主要采用动态检测与静态检测相结合的方法来实现林火烟雾视频图像识别，即先将林火烟雾视频图像序列经运动目标检测后得到可疑烟雾区域，截自原始图像序列的不固定大小的RGB彩色图像，然后对可疑烟雾图像区域再进行纹理等静态特征提取与识别，因此，运动目标检测后得到的可疑烟雾区域即是输入PCNN模型的图像样本；本发明能够有效地降低火灾监控系统的误报、漏报率，有效提高报警准确率，值得推广。

Description

一种基于热成像和烟雾识别一体森林防火IA-PCNN算法
技术领域
本发明涉及森林防火技术领域，尤其涉及一种基于热成像和烟雾识别一体森林防火IA-PCNN算法。
背景技术
传统的森林火灾监测是通过瞭望台或无人机等人工监测方法进行的，在对大面积森林进行监测时不但成本高，又难以保证监测质量，常常延误火情，造成巨大的财产损失及生态的破坏。
近年来信息技术，数字技术的长足发展，森林防火的技术手段出现了质的飞跃。模拟监控设备渐渐被数字监控设备取代，无线扩频通信技术和宽带网络视频监控技术的运用，地理信息系统的发展，数字云台技术的开发，为森林火灾自动识别定位问题的解决奠定了坚实的基础。林火识别定位技术随着传统林业向数字林业、智能林业过渡，而逐渐形成智能的数字监控方法。无线传感网络、机器视觉、物联网等新技术的应用，又为火点准确定位提供了有力的理论依据。同时结合视频监控、巡航拍摄、卫星遥感的新一代监控策略可以对森林火灾进行全方位的监控。现有的森林火灾识别准确率因为山间雾气水汽等干扰严重被降低，导致误报率、漏报率较高，无法准确检测火情及时发出警报。
发明内容
有鉴于此，提供一种能够有效地降低火灾监控系统的误报、漏报率，有效提高报警准确率的一种基于热成像和烟雾识别一体森林防火IA-PCNN算法。
一种基于热成像和烟雾识别一体森林防火IA-PCNN算法，其包括采用动态检测与静态检测相结合的方法来实现林火烟雾视频图像识别，即先将林火烟雾视频图像序列经运动目标检测后得到可疑烟雾区域，截自原始图像序列的不固定大小的RGB彩色图像，然后对可疑烟雾图像区域再进行纹理等静态特征提取与识别，因此，运动目标检测后得到的可疑烟雾区域即是输入PCNN模型的图像样本。
进一步地，所述基于PCNN提取的特征数据是对经PCNN处理输出的二值图像序列中的每一帧计算信息熵值和时间序列值组合后获得，对于每张样本图像，最终获得的特征数据为一组含有40个分量的一维特征序列。
进一步地，所述概率神经网络模型为双层结构，第一层使用径向基函数，计算输入数据和样本数据之间的距离∣dist∣，并输出次距离向量，而后竞争层接受距离向量并通过经这个函数计算概率最大的数据元素作为输出。图1中P为输入数据，n2为输入的竞争神经元，Q为竞争层的神经元，K为神经元数，LW1和LW2分别为权值矩阵，b为径向基函数层的阈值，C为竞争获胜的神经元，Y为输出，图1中P为输入数据，n2为输入的竞争神经元，Q为竞争层的神经元，K为神经元数，LW1和LW2分别为权值矩阵，b为径向基函数层的阈值，C为竞争获胜的神经元，Y为输出。
进一步地，在网络参数的设定上一般只需要确定网络扩散常数（SPREAD）值即可。网络扩散常数主要影响网络的精度和输入向量邻域对输出的影响，即当网络扩散常数接近0的时候，概率神经网络会成为一个最近邻域分类器，而网络扩散常数设定的越大，分类时根据训练样本考虑的输入向量范围就越大，换言之，影响输出的向量邻域越大。
进一步地，支持向量机属于学习型的机制，但支持向量机与神经网路不同的是其使用的是数学方法和优化技术，在研究应用中多数使用统计学习理论（StatisticalLearning Theory）来实现。支持向量机较完善地解决了神经网络类分类器普遍存在的几种问题，如网络结构的不确定性、过度拟合或者拟合不足、局部最小值点等。其分类性能表现，尤其是泛化能力上的表现往往高于以BP神经网络类算法为代表的神经网络类算法。
进一步地，在确定使用径向基核函数后，则需要为模型确定两个参数，即支持向量机的常数参数c和径向基函数的参数Y，参数的设定在很大程度上决定着最终模型的分类识别率，引入了网格查找技术来寻求支持向量机模型的参数最优化，即对于由两个参数构成的模型，其参数空间为一个二维的平面，平面中的每一个点P（C，γ）代表着一组可以用于配置模型的参数，寻求的是最优识别率所对应的那一点P（C，γ），首先随机选定一点P'，计算其参数对应的支持向量机模型训练后的分类识别率，然后按照某一步长，将平面划分成网格，分别对网格中的每个交点进行上述计算，最后取对应分类准确率最高的那一点P'，此点对应的参数C'’和P’即为最优参数。
相对于现有技术，本发明的有益效果为，解决了森林防火视频监控不能主动及时的对森林火情进行自动报警的前提下，通过本发明上述三步计算和处理，能够有效地降低火灾监控系统的误报、漏报率，实现报警准确率大于96.15%。
附图说明
图1是本发明实施例的基于热成像和烟雾识别一体森林防火IA-PCNN算法的概率神经网络模型示意图。
具体实施方式
以下将结合具体实施例和附图对本发明进行详细说明。
请参阅图1，示出本发明的一种实施例，一种基于热成像和烟雾识别一体森林防火IA-PCNN算法，其采用动态检测与静态检测相结合的方法来实现林火烟雾视频图像识别，即先将林火烟雾视频图像序列经运动目标检测后得到可疑烟雾区域截自原始图像序列的不固定大小的RGB彩色图像，然后对可疑烟雾图像区域再进行纹理等静态特征提取与识别，运动目标检测后得到的可疑烟雾区域即是输入PCNN模型的图像样本。
进一步地，作为本实施例的优选，所述基于PCNN提取的特征数据是对经PCNN处理输出的二值图像序列中的每一帧计算信息熵值和时间序列值组合后获得，对于每张样本图像，最终获得的特征数据为一组含有40个分量的一维特征序列。
进一步地，作为本实施例的优选，所述概率神经网络模型为双层结构，第一层使用径向基函数，计算输入数据和样本数据之间的距离∣dist∣，并输出次距离向量，而后竞争层接受距离向量并通过经这个函数计算概率最大的数据元素作为输出。图1中P为输入数据，n2为输入的竞争神经元，Q为竞争层的神经元，K为神经元数，LW1和LW2分别为权值矩阵，b为径向基函数层的阈值，C为竞争获胜的神经元，Y为输出。
概率神经网络十分简洁，在网络参数的设定上一般只需要确定网络扩散常数（SPREAD）值即可。网络扩散常数主要影响网络的精度和输入向量邻域对输出的影响，即当网络扩散常数接近0的时候，概率神经网络会成为一个最近邻域分类器，而网络扩散常数设定的越大，分类时根据训练样本考虑的输入向量范围就越大，换言之，影响输出的向量邻域越大。
进一步地，作为本实施例的优选，支持向量机属于学习型的机制，但支持向量机与神经网路不同的是其使用的是数学方法和优化技术，在研究应用中多数使用统计学习理论（Statistical Learning Theory）来实现。支持向量机较完善地解决了神经网络类分类器普遍存在的几种问题，如网络结构的不确定性、过度拟合或者拟合不足、局部最小值点等。其分类性能表现，尤其是泛化能力上的表现往往高于以BP神经网络类算法为代表的神经网络类算法。
由于林火烟雾识别只包括有烟、无烟两种情况，因此实施例使用支持向量机用于解决的是一个单类模式分类问题，支持向量机是使用一个核函数将输入的特征数据映射到一个高维的特征空间，核函数决定了特征空间的结构，进而表现出不同的分类特性，所以核函数选择是构建用于林火烟雾图像特征分类的支持向量机模型时需要首要考虑的问题。支持向量机的核函数包括多项式函数、径向基函数（RBF）和：igmoid函数（即S型函数）等，针对高维度样本数据的分类，已有研究者的研究结果表明选择多项式函数或者径向基函数作为核函数能够获得更好地效果。这两个核函数的数学表达如下式所示：多项式核函数。
Figure RE-575416DEST_PATH_IMAGE001
径向基函数：
Figure RE-866720DEST_PATH_IMAGE002
其中d为参数。
进一步的，在确定使用径向基核函数后，则需要为模型确定两个参数，即支持向量机的常数参数c和径向基函数的参数Y，参数的设定在很大程度上决定着最终模型的分类识别率，本实施例引入了网格查找技术来寻求支持向量机模型的参数最优化，即对于由两个参数构成的模型，其参数空间为一个二维的平面，平面中的每一个点P（C，γ）代表着一组可以用于配置模型的参数，寻求的是最优识别率所对应的那一点P（C，γ），首先随机选定一点P'，计算其参数对应的支持向量机模型训练后的分类识别率，然后按照某一步长，将平面划分成网格，分别对网格中的每个交点进行上述计算，最后取对应分类准确率最高的那一点P'，此点对应的参数C'’和P’即为最优参数，支持向量机获得了最高的识别率（96.15%），在此同时还拥有更低的漏报率与误报率。
以上所揭露的仅为本发明一种较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。

Claims (7)

1.一种基于热成像和烟雾识别一体森林防火IA-PCNN算法，其特征在于：采用动态检测与静态检测相结合的方法来实现林火烟雾视频图像识别，即先将林火烟雾视频图像序列经运动目标检测后得到可疑烟雾区域，截自原始图像序列的不固定大小的RGB彩色图像，然后对可疑烟雾图像区域再进行纹理等静态特征提取与识别，因此，运动目标检测后得到的可疑烟雾区域即是输入PCNN模型的图像样本。
2.如权利要求1所述的基于热成像和烟雾识别一体森林防火IA-PCNN算法，其特征在于：所述基于PCNN提取的特征数据是对经PCNN处理输出的二值图像序列中的每一帧计算信息熵值和时间序列值组合后获得，对于每张样本图像，最终获得的特征数据为一组含有40个分量的一维特征序列。
3.如权利要求1所述的基于热成像和烟雾识别一体森林防火IA-PCNN算法，其特征在于：所述概率神经网络模型为双层结构，第一层使用径向基函数，计算输入数据和样本数据之间的距离∣dist∣，并输出次距离向量，而后竞争层接受距离向量并通过经这个函数计算概率最大的数据元素作为输出，图1中P为输入数据，n2为输入的竞争神经元，Q为竞争层的神经元，K为神经元数，LW1和LW2分别为权值矩阵，b为径向基函数层的阈值，C为竞争获胜的神经元，Y为输出。
4.如权利要求1所述的基于热成像和烟雾识别一体森林防火IA-PCNN算法，其特征在于：所述网络参数的设定上一般只需要确定网络扩散常数（SPREAD）值即可，网络扩散常数主要影响网络的精度和输入向量邻域对输出的影响，即当网络扩散常数接近0的时候，概率神经网络会成为一个最近邻域分类器。
5.如权利要求1所述的基于热成像和烟雾识别一体森林防火IA-PCNN算法，其特征在于：所述支持向量机属于学习型的机制，但支持向量机与神经网路不同的是其使用的是数学方法和优化技术，在研究应用中多数使用统计学习理论（Statistical LearningTheory）来实现。
6.如权利要求1所述的基于热成像和烟雾识别一体森林防火IA-PCNN算法，其特征在于：所述支持向量机的核函数包括多项式函数、径向基函数（RBF）和：igmoid函数（即S型函数）等，针对高维度样本数据的分类。
7.如权利要求1所述的基于热成像和烟雾识别一体森林防火IA-PCNN算法，其特征在于：在确定使用径向基核函数后，则需要为模型确定两个参数，即支持向量机的常数参数c和径向基函数的参数Y，由于参数的设定在很大程度上决定着最终模型的分类识别率，引入了网格查找技术来寻求支持向量机模型的参数最优化，即对于由两个参数构成的模型，其参数空间为一个二维的平面，平面中的每一个点P（C，γ）代表着一组可以用于配置模型的参数，寻求的是最优识别率所对应的那一点P（C，γ），首先随机选定一点P'，计算其参数对应的支持向量机模型训练后的分类识别率，然后按照某一步长，将平面划分成网格，分别对网格中的每个交点进行上述计算，最后取对应分类准确率最高的那一点P'，此点对应的参数C'’和P’即为最优参数。
CN202010085397.4A 2020-02-10 2020-02-10 一种基于热成像和烟雾识别一体森林防火ia-pcnn算法 Pending CN111310636A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010085397.4A CN111310636A (zh) 2020-02-10 2020-02-10 一种基于热成像和烟雾识别一体森林防火ia-pcnn算法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010085397.4A CN111310636A (zh) 2020-02-10 2020-02-10 一种基于热成像和烟雾识别一体森林防火ia-pcnn算法

Publications (1)

Publication Number Publication Date
CN111310636A true CN111310636A (zh) 2020-06-19

Family

ID=71159907

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010085397.4A Pending CN111310636A (zh) 2020-02-10 2020-02-10 一种基于热成像和烟雾识别一体森林防火ia-pcnn算法

Country Status (1)

Country Link
CN (1) CN111310636A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113920673A (zh) * 2021-11-05 2022-01-11 深圳小非牛科技有限公司 一种室内火情智能监测方法及系统

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105741479A (zh) * 2016-01-25 2016-07-06 赣州市金电电子设备有限公司 基于热成像和烟雾识别一体森林防火ia-pcnn算法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105741479A (zh) * 2016-01-25 2016-07-06 赣州市金电电子设备有限公司 基于热成像和烟雾识别一体森林防火ia-pcnn算法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
黄儒乐: "基于视频图像的林火烟雾识别方法的研究", 《中国博士学位论文全文数据库 信息科技辑》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113920673A (zh) * 2021-11-05 2022-01-11 深圳小非牛科技有限公司 一种室内火情智能监测方法及系统
CN113920673B (zh) * 2021-11-05 2023-08-18 广东琮华智能应急科技有限公司 一种室内火情智能监测方法及系统

Similar Documents

Publication Publication Date Title
CN111353413B (zh) 一种输电设备低漏报率缺陷识别方法
CN113449680B (zh) 一种基于知识蒸馏的多模小目标检测方法
CN113850242B (zh) 一种基于深度学习算法的仓储异常目标检测方法及系统
CN111079739B (zh) 一种多尺度注意力特征检测方法
CN112446379B (zh) 一种动态大场景自适应智能处理方法
CN113159466B (zh) 一种短时光伏发电功率预测系统及方法
CN113096159B (zh) 目标检测、轨迹跟踪方法、模型及其电子设备
CN106897998B (zh) 太阳能直射辐射强度信息预测方法和系统
CN114419413A (zh) 感受野自适应的变电站绝缘子缺陷检测神经网络构建方法
CN115359366A (zh) 基于参数优化的遥感图像目标检测方法
CN112862150A (zh) 一种基于图像与视频多模型的森林火情预警方法
CN109447014A (zh) 一种基于双通道卷积神经网络的视频在线行为检测方法
CN117372877A (zh) 一种基于神经网络的星图识别方法、装置及相关介质
CN113609904B (zh) 一种基于动态全局信息建模和孪生网络的单目标跟踪算法
CN111310636A (zh) 一种基于热成像和烟雾识别一体森林防火ia-pcnn算法
CN112990102B (zh) 一种改进的Centernet复杂环境目标检测方法
Ji et al. STAE‐YOLO: Intelligent detection algorithm for risk management of construction machinery intrusion on transmission lines based on visual perception
Wang et al. A transformer-based mask R-CNN for tomato detection and segmentation
CN114419444A (zh) 一种基于深度学习网络的轻量化的高分辨率鸟群识别方法
CN111931648B (zh) 一种基于Himawari8波段数据的山火实时监测方法
CN112818964A (zh) 基于FoveaBox无锚神经网络的无人机检测方法
Yin et al. An improved algorithm based on convolutional neural network for smoke detection
CN115996135A (zh) 一种基于特征组合优化的工业互联网恶意行为实时检测方法
CN112465736B (zh) 一种用于港口船舶监控的红外视频图像增强方法
CN113763471A (zh) 一种基于视觉的弹孔检测方法及系统

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
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20200619

WD01 Invention patent application deemed withdrawn after publication