CN111401213A - 一种用于化学气体检测的火焰检测实验装置及方法 - Google Patents

一种用于化学气体检测的火焰检测实验装置及方法 Download PDF

Info

Publication number
CN111401213A
CN111401213A CN202010167684.XA CN202010167684A CN111401213A CN 111401213 A CN111401213 A CN 111401213A CN 202010167684 A CN202010167684 A CN 202010167684A CN 111401213 A CN111401213 A CN 111401213A
Authority
CN
China
Prior art keywords
flame
image
detection
image acquisition
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.)
Pending
Application number
CN202010167684.XA
Other languages
English (en)
Inventor
王重阳
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.)
SHANGHAI ZHONGKE EDUCATION EQUIPMENT GROUP CO Ltd
Original Assignee
SHANGHAI ZHONGKE EDUCATION EQUIPMENT GROUP 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 SHANGHAI ZHONGKE EDUCATION EQUIPMENT GROUP CO Ltd filed Critical SHANGHAI ZHONGKE EDUCATION EQUIPMENT GROUP CO Ltd
Priority to CN202010167684.XA priority Critical patent/CN111401213A/zh
Publication of CN111401213A publication Critical patent/CN111401213A/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
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N31/00—Investigating or analysing non-biological materials by the use of the chemical methods specified in the subgroup; Apparatus specially adapted for such methods
    • G01N31/12—Investigating or analysing non-biological materials by the use of the chemical methods specified in the subgroup; Apparatus specially adapted for such methods using combustion
    • 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
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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
    • G06V10/25—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
    • 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

Landscapes

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

Abstract

本发明公开了一种用于化学气体检测的火焰检测实验装置及方法，包括头带和与头带相连的图像采集固定板，图像采集固定板固定粘附在头带的正前端；所述图像采集固定板的侧端固定安装有图像采集板；所述图像采集固定板的前端固定就安装有护目镜片装配架，护目镜片装配架的正上端为U型凹槽状，并在U型凹槽内侧的图像采集固定板上安装有摄像头。本发明提出的用于化学气体检测的火焰检测实验装置及方法，适用于化学气体制取实验中的气体火焰验证，算法流程高效准确，算法具有良好的抗干扰能力，火焰识别精度高。

Description

一种用于化学气体检测的火焰检测实验装置及方法
技术领域
本发明涉及到化学气体检测的火焰检测技术领域，特别涉及一种用于化学气体检测的火焰检测实验装置及方法。
背景技术
近年来，深度学习理论在目标检测等领域取得了突破性进展，因而利用特征学习算法强大的表征和建模能力的火焰检测技术，具有重要的研究价值和应用前景。
目前在计算机视觉的模式识别领域关键需解决的问题是特征的选择与提取。火焰特征的选择与提取将直接影响火焰检测的准确率和效率。而使用环境对火焰特征的选择有很大的影响，因为环境不同，存在的干扰源也不尽相同，因此需要适当地调整算法，最大程度地满足火焰检测的快速性和准确性的要求。一般情况下，火焰的特征被分为静态和动态两类，但检测阶段不会单独使用静态或动态特征，而是使用多特征融合的方式进行最后判决。
传统的火焰检测算法大致可归纳为两类：基于传感器的火焰检测算法和基于图像的火焰检测算法。基于传感器的火焰检测算法是通过感温和感烟的方式进行火焰检测。但是，这类方法对环境依赖性强、覆盖范围小、成本较高。随着高清摄像机、图像处理技术的不断发展，基于图像的火焰检测算法逐渐成为主流；记忆此，提出一种用于化学气体检测的火焰检测实验装置及方法。
发明内容
本发明的目的在于提供一种用于化学气体检测的火焰检测实验装置及方法，适用于化学气体制取实验中的气体火焰验证，算法流程高效准确，算法具有良好的抗干扰能力，火焰识别精度高，可以解决上述背景技术中提出对环境依赖性强，覆盖范围小，成本高的问题。
为实现上述目的，本发明提供如下技术方案：一种用于化学气体检测的火焰检测实验装置及方法，包括头带和与头带相连的图像采集固定板，图像采集固定板固定粘附在头带的正前端；所述图像采集固定板的侧端固定安装有图像采集板；所述图像采集固定板的前端固定就安装有护目镜片装配架，护目镜片装配架的正上端为U型凹槽状，并在U型凹槽内侧的图像采集固定板上安装有摄像头，摄像头位于图像采集固定板的正前端，摄像头与图像采集板电性连接；所述护目镜片装配架的前端装配有护目镜片。
本发明提供另一技术方案：一种用于化学气体检测的火焰检测实验方法，包括如下步骤：
S1：头带的摄像头获取火焰图像，从第一视角获取火焰的图像。
S2：摄像头录取火焰燃烧视频，将录取的视频上传到图像采集板，由图像采集板对火焰燃烧的图像预处理。
S3：录取各式各样的气体制取的化学实验，每隔十帧截取一张图片，制作数据集，对数据集中每张采集到的图像信息做增强处理。
S4：对图片进行水平和垂直翻转、旋转、缩放比例、裁剪、移位、加高斯噪声以及颜色增强等操作，以增加网络的泛化性能。
S5：对图像处理后，将处理得到的结果通过CSPNet+FPNet算法模型来进行神经网络特征量提取，运用卷积神经网络的火焰分类检测，最终根据视频帧数据来获得带有火焰检测框的效果图。
优选地，神经网络特征量提取过程如下：将网络最后一层的卷积特征谱图(高×宽为128*128)提供给CSPNet，特征提取网络模型结构将基本层的特征图分成两部分，采用一个跨阶段的层次结构合并来实现的；CSPNet的检测方法：图像输入尺寸为600×1000，图像通道数为3，网络层数为52，并且已经在PASCAL VOC2007数据集上做过预训练；FPNet即区域全卷积网络直接用在特征谱图上检测火焰，并回归出火焰在原图中的位置；FPNet效仿R-CNN，采用流行的物体检测策略，分为两步：1)由RPN根据特征提取网络提供的特征谱图求出疑似火焰区域集合(ROIS)；2)对RPN求出的ROIS逐个进行火焰识别(ROI为ROIS中任意一个疑似火焰区域)，在特征提取网络中对特征谱图进行卷积操作后得出的卷积层，并用来生成位置敏感分数图；卷积层在整幅图像上为每类生成k2个位置敏感分数图，有C类物体外加1个背景，因此其通道数为k2(C+1)，火焰检测设置k＝3；检测类别分别是疑似火焰目标和火焰目标，其类别数C＝2；在RPN给出感兴趣的ROIS后，对每个ROI做位置敏感池化得出通道数为k2(C+1)位置敏感分数图；当k＝3时，ROI分割成9个矩形块，则对应的位置敏感分数图也就分割成9块，再对位置敏感分数图做均值池化，从而得出一个长度为C+1的向量，并对向量进行softmax分类以得出ROI的类别。对位置敏感分数图生成的长度为C+1的向量均值池化操作，
Figure BDA0002408041110000031
FPNet选用的训练方式是梯度下降，代价函数为每个ROI的损失函数交叉熵损失与边界框回归损失的和，损失函数为：
Figure BDA0002408041110000032
根据FPNet给出的火焰位置，将原图中的目标截取下来并调整成224*2244的图片，再对该目标进行二次分类；并且已经在PASCAL VOC数据集上做过预训练，再用火焰数据对其训练后的残差网络CSPNet。其图像输入尺寸为224×224，图像通道数为3，网络层数为52。
与现有技术相比，本发明的有益效果是：本发明提出的用于化学气体检测的火焰检测实验装置及方法，当火焰和场景剧烈变换时，特征提取网络总是能抑制火焰以外的区域，并增强火焰区域，可在各种场景检测出火焰目标；通过深度学习FPNet检测结合CSPNet二次分类的方法，训练特征提取网络自动提取样本中火焰的特征谱图，在特征谱图上使用FPNet检测出火焰在原图的位置，再将原图中火焰区域截取下来送入CSPNet中进行二次分类以进一步降低误报率，实现了特征提取和火焰目标检测识别，确保算法模型的稳健性和可靠性；整体适用于化学气体制取实验中的气体火焰验证，算法流程高效准确，算法具有良好的抗干扰能力，火焰识别精度高。
附图说明
图1为本发明的检测实验装置俯视图；
图2为本发明的检测实验装置主视图；
图3为本发明的检测实验装置侧视图；
图4为本发明的火焰处理处理流程图；
图5为本发明的化学实验火焰复燃检测状态图；
图6为本发明的化学实验火焰熄灭检测状态图。
图中：1、头带；2、图像采集固定板；3、图像采集板；4、护目镜片装配架；5、摄像头；6、护目镜片。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1-6，一种用于化学气体检测的火焰检测实验装置，包括头带1和与头带1相连的图像采集固定板2，图像采集固定板2固定粘附在头带1的正前端；图像采集固定板2的侧端固定安装有图像采集板3；图像采集固定板2的前端固定就安装有护目镜片装配架4，护目镜片装配架4的正上端为U型凹槽状，并在U型凹槽内侧的图像采集固定板2上安装有摄像头5，摄像头5位于图像采集固定板2的正前端，摄像头5与图像采集板3电性连接；护目镜片装配架4的前端装配有护目镜片6。
本实施还提出一种用于化学气体检测的火焰检测实验方法，包括如下步骤：
第一步：头带1的摄像头5获取火焰图像，从第一视角获取火焰的图像。优点为具有更灵活的视角和更宽泛的视野。
第二步：摄像头5录取火焰燃烧视频，将录取的视频上传到图像采集板3，由图像采集板3对火焰燃烧的图像预处理。其中，在获取火焰图像的过程中会引入不同类型的噪声，对各种不同类型噪声做相应的滤波处理。
第三步：录取各式各样的气体制取的化学实验，每隔十帧截取一张图片，制作数据集，对数据集中每张采集到的图像信息做增强处理；通常在化学气体制备实验中，用火柴点燃火焰，获取到的火焰图像都比较小，背景较暗，或者细节和边缘不够清晰；为增大图像对比程度使细节更为清楚，对图像座增强处理。
第四步：对图片进行水平和垂直翻转、旋转、缩放比例、裁剪、移位、加高斯噪声以及颜色增强等操作，以增加网络的泛化性能。
第五步：对图像处理后，将处理得到的结果通过CSPNet+FPNet算法模型来进行神经网络特征量提取，运用卷积神经网络的火焰分类检测，最终根据视频帧数据来获得带有火焰检测框的效果图。
其中神经网络特征量提取过程如下：将网络最后一层的卷积特征谱图(高×宽为128*128)提供给CSPNet，特征提取网络模型结构能够实现更丰富的梯度组合，同时减少计算量；主要是通过将基本层的特征图分成两部分，然后通过一个跨阶段的层次结构合并它们来实现的；此处采用通过分割梯度流使梯度流通过不同的网络路径传播，通过采用这种方式，通过切换连接和转换步骤，传播的梯度信息可以产生较大的相关差，并且CSPNet可以大大减少计算量，提高推理速度和准确性。CSPNet的检测方法：其图像输入尺寸为600×1000，图像通道数为3，网络层数为52，并且已经在PASCAL VOC2007数据集上做过预训练。
其中：FPNet即区域全卷积网络直接用在特征谱图上检测火焰，并回归出火焰在原图中的位置。FPNet效仿R-CNN，采用流行的物体检测策略，分为两步：1)由RPN根据特征提取网络提供的特征谱图求出疑似火焰区域集合(ROIS)；2)对RPN求出的ROIS逐个进行火焰识别(ROI为ROIS中任意一个疑似火焰区域)，在特征提取网络中对特征谱图进行卷积操作后得出的卷积层，并用来生成位置敏感分数图。
其中：卷积层在整幅图像上为每类生成k2个位置敏感分数图，有C类物体外加1个背景，因此其通道数为k2(C+1)。与PASCAL VOC2007数据集中的20个类别相比，火焰的特征比较单一，若k值太大，则位置敏感分数图的检测速度必然会下降，但是识别精度未必有明显的提高，反而可能造成过拟合。所以，本文算法模型针对火焰检测设置k＝3。检测类别分别是疑似火焰目标和火焰目标，其类别数C＝2；在RPN给出感兴趣的ROIS后，对每个ROI做位置敏感池化得出通道数为k2(C+1)位置敏感分数图。当k＝3时，ROI可分割成9个矩形块，则对应的位置敏感分数图也就分割成9块。再对位置敏感分数图做均值池化，从而得出一个长度为C+1的向量，并对向量进行softmax分类以得出该ROI的类别。对位置敏感分数图生成的长度为C+1的向量均值池化操作；
Figure BDA0002408041110000061
FPNet选用的训练方式是梯度下降，代价函数为每个ROI的损失函数交叉熵损失与边界框回归损失的和。损失函数为：
Figure BDA0002408041110000062
Figure BDA0002408041110000071
根据FPNet给出的火焰位置，将原图中的目标截取下来并调整成224*2244的图片，再对该目标进行二次分类，以进一步降低误报率；并且已经在PASCAL VOC数据集上做过预训练，再用火焰数据对其训练后的残差网络CSPNet。其图像输入尺寸为224×224，图像通道数为3，网络层数为52。
综上所述，本发明提出的用于化学气体检测的火焰检测实验装置及方法，特征提取网络可以有效地抑制了背景，使火焰以外的区域呈现黑色；火焰区域则得到增强而呈现白色。FPNet是基于特征谱图进行的检测，当火焰和场景剧烈变换时，特征提取网络总是能抑制火焰以外的区域，并增强火焰区域，所以FPNet可以适应于各种场景，并能检测出火焰目标。通过深度学习FPNet检测结合CSPNet二次分类的方法，训练特征提取网络自动提取样本中火焰的特征谱图，在特征谱图上使用FPNet检测出火焰在原图的位置，再将原图中火焰区域截取下来送入CSPNet中进行二次分类以进一步降低误报率，实现了特征提取和火焰目标检测识别，避免了由于手工设计提取火焰特征而造成特征单一，以及在特定情况和场景下无法有效检测并识别火焰的问题，确保算法模型的稳健性和可靠性；整体适用于化学气体制取实验中的气体火焰验证，算法流程高效准确，算法具有良好的抗干扰能力，火焰识别精度高。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (3)

1.一种用于化学气体检测的火焰检测实验装置，其特征在于：包括头带(1)和与头带(1)相连的图像采集固定板(2)，图像采集固定板(2)固定粘附在头带(1)的正前端；所述图像采集固定板(2)的侧端固定安装有图像采集板(3)；所述图像采集固定板(2)的前端固定就安装有护目镜片装配架(4)，护目镜片装配架(4)的正上端为U型凹槽状，并在U型凹槽内侧的图像采集固定板(2)上安装有摄像头(5)，摄像头(5)位于图像采集固定板(2)的正前端，摄像头(5)与图像采集板(3)电性连接；所述护目镜片装配架(4)的前端装配有护目镜片(6)。
2.一种如权利要求1所述的用于化学气体检测的火焰检测实验方法，其特征在于，包括如下步骤：
S1：头带(1)的摄像头(5)获取火焰图像，从第一视角获取火焰的图像；
S2：摄像头(5)录取火焰燃烧视频，将录取的视频上传到图像采集板(3)，由图像采集板(3)对火焰燃烧的图像预处理；
S3：录取各式各样的气体制取的化学实验，每隔十帧截取一张图片，制作数据集，对数据集中每张采集到的图像信息做增强处理；
S4：对图片进行水平和垂直翻转、旋转、缩放比例、裁剪、移位、加高斯噪声以及颜色增强等操作，以增加网络的泛化性能；
S5：对图像处理后，将处理得到的结果通过CSPNet+FPNet算法模型来进行神经网络特征量提取，运用卷积神经网络的火焰分类检测，最终根据视频帧数据来获得带有火焰检测框的效果图。
3.根据权利要求2所述的用于化学气体检测的火焰检测实验方法，所述神经网络特征量提取过程如下：
将网络最后一层的卷积特征谱图(高×宽为128*128)提供给CSPNet，特征提取网络模型结构将基本层的特征图分成两部分，采用一个跨阶段的层次结构合并来实现的；CSPNet的检测方法：图像输入尺寸为600×1000，图像通道数为3，网络层数为52，并且已经在PASCAL VOC2007数据集上做过预训练；FPNet即区域全卷积网络直接用在特征谱图上检测火焰，并回归出火焰在原图中的位置；FPNet效仿R-CNN，采用流行的物体检测策略，分为两步：1)由RPN根据特征提取网络提供的特征谱图求出疑似火焰区域集合(ROIS)；2)对RPN求出的ROIS逐个进行火焰识别(ROI为ROIS中任意一个疑似火焰区域)，在特征提取网络中对特征谱图进行卷积操作后得出的卷积层，并用来生成位置敏感分数图；卷积层在整幅图像上为每类生成k2个位置敏感分数图，有C类物体外加1个背景，因此其通道数为k2(C+1)，火焰检测设置k＝3；检测类别分别是疑似火焰目标和火焰目标，其类别数C＝2；在RPN给出感兴趣的ROIS后，对每个ROI做位置敏感池化得出通道数为k2(C+1)位置敏感分数图；当k＝3时，ROI分割成9个矩形块，则对应的位置敏感分数图也就分割成9块，再对位置敏感分数图做均值池化，从而得出一个长度为C+1的向量，并对向量进行softmax分类以得出ROI的类别，对位置敏感分数图生成的长度为C+1的向量均值池化操作，
Figure FDA0002408041100000021
FPNet选用的训练方式是梯度下降，代价函数为每个ROI的损失函数交叉熵损失与边界框回归损失的和，损失函数为：
Figure FDA0002408041100000022
根据FPNet给出的火焰位置，将原图中的目标截取下来并调整成224*2244的图片，再对该目标进行二次分类；并且已经在PASCAL VOC数据集上做过预训练，再用火焰数据对其训练后的残差网络CSPNet，其图像输入尺寸为224×224，图像通道数为3，网络层数为52。
CN202010167684.XA 2020-03-11 2020-03-11 一种用于化学气体检测的火焰检测实验装置及方法 Pending CN111401213A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010167684.XA CN111401213A (zh) 2020-03-11 2020-03-11 一种用于化学气体检测的火焰检测实验装置及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010167684.XA CN111401213A (zh) 2020-03-11 2020-03-11 一种用于化学气体检测的火焰检测实验装置及方法

Publications (1)

Publication Number Publication Date
CN111401213A true CN111401213A (zh) 2020-07-10

Family

ID=71432390

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010167684.XA Pending CN111401213A (zh) 2020-03-11 2020-03-11 一种用于化学气体检测的火焰检测实验装置及方法

Country Status (1)

Country Link
CN (1) CN111401213A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112055420A (zh) * 2020-09-10 2020-12-08 深圳鸿祥源科技有限公司 一种基于5g网络通信连接的遥感试验观测处理终端
CN112255364A (zh) * 2020-10-20 2021-01-22 唐山学院 一种实时定量判定烧结终点状态的软测量方法
CN112508001A (zh) * 2020-12-03 2021-03-16 安徽理工大学 一种基于多光谱波段筛选和改进U-Net的煤矸石定位方法
CN112633186A (zh) * 2020-12-26 2021-04-09 上海有个机器人有限公司 室内环境下可行驶路面的分割方法、装置、介质和机器人

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN204481974U (zh) * 2015-04-17 2015-07-15 康亚斌 一种图像采集及传输系统
CN107145908A (zh) * 2017-05-08 2017-09-08 江南大学 一种基于r‑fcn的小目标检测方法
CN208355636U (zh) * 2017-10-12 2019-01-11 赵丽丽 能记录口腔科操作过程的医用护目镜
CN110824713A (zh) * 2019-12-05 2020-02-21 秒针信息技术有限公司 一种智能眼镜装置、待检测物的分析系统及分析方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN204481974U (zh) * 2015-04-17 2015-07-15 康亚斌 一种图像采集及传输系统
CN107145908A (zh) * 2017-05-08 2017-09-08 江南大学 一种基于r‑fcn的小目标检测方法
CN208355636U (zh) * 2017-10-12 2019-01-11 赵丽丽 能记录口腔科操作过程的医用护目镜
CN110824713A (zh) * 2019-12-05 2020-02-21 秒针信息技术有限公司 一种智能眼镜装置、待检测物的分析系统及分析方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
CHIEN-YAOWANG: "CSPNET: A NEW BACKBONE THAT CAN ENHANCE LEARNING CAPABILITY OF CNN", 《ARXIV:1911.11929V1》 *
洪伟: "基于区域全卷积网络结合残差网络的火焰检测方法", 《激光与光电子学进展》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112055420A (zh) * 2020-09-10 2020-12-08 深圳鸿祥源科技有限公司 一种基于5g网络通信连接的遥感试验观测处理终端
CN112255364A (zh) * 2020-10-20 2021-01-22 唐山学院 一种实时定量判定烧结终点状态的软测量方法
CN112508001A (zh) * 2020-12-03 2021-03-16 安徽理工大学 一种基于多光谱波段筛选和改进U-Net的煤矸石定位方法
CN112633186A (zh) * 2020-12-26 2021-04-09 上海有个机器人有限公司 室内环境下可行驶路面的分割方法、装置、介质和机器人
CN112633186B (zh) * 2020-12-26 2024-05-28 上海有个机器人有限公司 室内环境下可行驶路面的分割方法、装置、介质和机器人

Similar Documents

Publication Publication Date Title
CN111401213A (zh) 一种用于化学气体检测的火焰检测实验装置及方法
CN107025652B (zh) 一种基于运动特性和颜色时空信息的火焰检测方法
CN106682635B (zh) 一种基于随机森林特征选择的烟雾检测方法
CN112580576B (zh) 基于多尺度光照不变性纹理特征的人脸欺骗检测方法及系统
CN109740673A (zh) 一种融合暗通道的神经网络烟雾图像分类方法
WO2018145470A1 (zh) 一种图像检测方法和装置
CN107609470A (zh) 野外火灾早期烟雾视频检测的方法
CN106203334B (zh) 一种室内场景火苗检测方法
CN112686928B (zh) 一种基于多源信息融合的运动目标视觉跟踪方法
CN104318266B (zh) 一种图像智能分析处理预警方法
CN107480607B (zh) 一种智能录播系统中站立人脸检测定位的方法
CN111611907B (zh) 一种图像增强的红外目标检测方法
CN104853151A (zh) 一种基于视频图像的大空间火灾监测系统
CN112287868A (zh) 一种人体动作识别方法及装置
CN111507416B (zh) 一种基于深度学习的吸烟行为实时检测方法
CN114463619B (zh) 基于集成融合特征的红外弱小目标检测方法
CN114885119A (zh) 一种基于计算机视觉的智能监控报警系统及方法
CN107133964A (zh) 一种基于Kinect的抠像方法
CN209013299U (zh) 具手势控制视觉检测功能的油烟机
CN111914606A (zh) 一种基于对透射率时空特征进行深度学习的烟雾检测方法
Odetallah et al. Human visual system-based smoking event detection
CN110084160A (zh) 一种基于运动和亮度显著性特征的视频森林烟火检测方法
CN109089032A (zh) 一种烟雾视觉成像装置
CN209013295U (zh) 具手势控制视觉检测功能的炉具
CN209229817U (zh) 一种带防震式视觉检测模块的油烟机

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