CN111414969A - 一种雾天环境下的烟检测方法 - Google Patents
一种雾天环境下的烟检测方法 Download PDFInfo
- Publication number
- CN111414969A CN111414969A CN202010225765.0A CN202010225765A CN111414969A CN 111414969 A CN111414969 A CN 111414969A CN 202010225765 A CN202010225765 A CN 202010225765A CN 111414969 A CN111414969 A CN 111414969A
- Authority
- CN
- China
- Prior art keywords
- layer
- smoke
- feature
- output
- characteristic
- 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
Images
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Fire-Detection Mechanisms (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种雾天环境下的烟检测方法,该方法基于雾天烟的特点,针对视频图像中雾对烟的模糊遮挡引起的小目标检测问题,在VGG16_BN网络的第二层卷积层后加入基于空间注意力和通道注意力结合的注意力机制,对目标烟区域赋予更高的权值,从而对烟给予更多关注,减少背景干扰,提升了烟检测的准确率;针对雾与烟之间的相似干扰问题,在注意力机制模块后采用特征融合的方式,获得同时具有烟细节信息和语义信息的特征输出,提高目标烟特征的判别力;而决策层融合模块,不仅对输出特征进行有效分类,还通过改变分类层结构,减少网络参数,提高检测效率。在雾天烟数据集上的测试结果验证了本发明对于雾天烟检测性能提升的有效性。
Description
技术领域
本发明属于图像识别技术领域,具体涉及一种雾天环境下的烟检测方法。
背景技术
火灾作为一种发生频率较高的突发性事件,蔓延速度快,破坏性强,严重威胁着公共安全,而烟是火灾的前兆和伴随产物,在多数场合,烟的产生早于明火的出现,因此进行烟检测对于火灾早期预报和控制具有重要意义。不同于目前室内烟报警器等监控技术的成熟,室外烟由于各种因素的影响检测较为困难。随着计算机视觉技术和室外监控视频的广泛普及,通过视频监控智能的进行烟检测成为火灾预警的重要方式。近年来,深度学习领域发展迅速,基于深度学习的烟检测方法比传统图像识别方法也获得了更好的检测效果。
基于深度学习的烟检测方法虽然可以获得更高的检测精确率和召回率,但是仍存在一些问题。在数据层面,基于深度学习的方法需要大量烟的视频和图像数据用来模型的训练,而目前的烟检测领域缺乏标准的数据库。在效果层面,基于视觉视频图像的烟检测任务中,检测效果受数据内容及质量的影响,而监控视频得到的数据也受外界天气环境的影响,当天气正常,视频数据质量高,烟明显,检测较为容易;但当处于雾天这样的恶劣天气时,一方面视频数据内容质量下降,目标烟区域的模糊遮挡问题,导致实际可提取的烟特征范围减小,造成小目标检测的问题;另一方面,雾与烟较为相似,对烟检测的相似物体干扰问题随之而来,使得烟检测任务难度加大。
发明内容
针对目前基于深度学习的烟检测方法存在的问题,本发明提供了一种雾天环境下的烟检测方法。
本发明采用如下技术方案来实现:
一种雾天环境下的烟检测方法,包括以下步骤:
1)注意力机制模块使用空间注意力机制和通道注意力机制,对目标区域和与目标分类有关的特征通道赋予更高的权重,引导网络关注目标区域,而抑制背景区域,该模块输出的特征用于特征层融合模块;
2)特征层融合模块使用VGG16_BN网络提取浅中深三层特征,并对三层特征进行融合,得到包含目标细节信息和语义信息的更具判别力的三组特征,用于决策层融合模块;
3)决策层融合模块使用卷积层,Droupout层,全局池化层构成的三组分类层,分别对特征层融合模块输出的三组特征进行分类,最后将三组分类结果进行加权融合输出烟检测的结果。
本发明进一步的改进在于,步骤1)中,经过VGG16_BN网络提取的第二层卷积层特征作为输入特征Xi;由一层卷积层构成的空间注意力层,空间注意力层的参数包括Wsp,bsp,分别代表卷积层的权值和偏移量;由一层卷积层构成的通道注意力层,通道注意力层的参数包括Wch,bch;以及输出特征Xo;输入特征Xi经过空间注意力后得到的输出特征Xsp形式如下:
Xsp=Xi+(Xi*Wsp+bsp)
特征Xsp经过通道注意力后得到的输出特征Xo形式如下:
Xo=Xsp+(Xsp*Wch+bch)
其中*表示矩阵元素点乘,最终输出特征Xo作为VGG16_BN的第三层卷积层输入,并用于后续特征层融合模块。
本发明进一步的改进在于,步骤2)中,首先提取VGG16_BN网络的第三层、第四层、第五层卷积特征X3,X4,X5作为输入浅层特征,中层特征,深层特征,然后将深层特征X5和中层特征X4进行相加融合,得到输出特征2,用Xo2表示,再将输出特征Xo2和浅层特征X3进行相加融合,得到输出特征1,用Xo1表示,最后深层特征X5直接作为输出特征3,三组输出特征用于后续决策层融合模块。
本发明进一步的改进在于,步骤3)中,将输入特征1、输出特征2和输出特征3分别输入到分类器1、分类器2和分类器3中,分类器的结构均由一个卷积层,Droupout层,全局池化层连接而成,经由三个分类器的输出分数由Score1,Score2,Score3表示,最后对三个分类器输出结果进行加权融合,得到最终输出结果Score;三个分类器的权重由W1,W2,W3表示,加权融合结果形式如下:
Score=Score1*W1+Score2*W2+Score3*W3
每个分类器的损失函数均为交叉熵损失函数,分别表示为Loss1,Loss2,Loss3,经融合后的总损失函数Loss形式如下:
Loss=Loss1*W1+Loss2*W2+Loss3*W3。
本发明至少具有以下的有益效果:
本发明设计了一种雾天环境下的烟检测方法。该方法通过对深度卷积神经网络VGG16_BN的浅卷积层后加入由空间注意力和通道注意力连接而成的注意力机制模块,提高当烟目标范围小时的检测准确率。同时提出特征层融合模块,提高特征描述力,降低雾对烟检测相似干扰问题的影响。还提出决策层融合模块,改变决策层分类器的网络结构,降低模型参数量,提高检测速率。
进一步,本发明中的注意力机制模块,包括空间注意力和通道注意力。空间注意力是针对目标烟位置的一种强调,对图像中的目标区域赋予更高的权值,通道注意力是对烟检测任务更重要的特征通道赋予更高的权值,从而对图像中的烟给予更多的关注,提高当烟较小时的检测准确率。
进一步,本发明中的特征层融合模块,通过对VGG16_BN的浅中深三层卷积层单独提取,首先将深层特征与中层特征进行相加融合得到一组特征输出,然后将该组特征输出与浅层特征进行相加融合得到一组特征输出,再将深层特征单独作为一组特征输出,共得到三组不同尺度的特征输出。经过特征融合的三层多尺度特征,既包括烟的细节边缘纹理信息,也包含烟的语义信息,从而提升了烟的特征描述力,使得到的烟的特征更具判别性。
进一步,本发明中的决策层融合模块,通过对特征融合模块中的三组特征输出分别进行分类,鉴于三组特征在分类时的重要性不同,因此对三组分类结果进行不同权重的加权融合,得到最终的输出结果,以保证最终的烟检测效果达到最佳。该模块中的分类结构不同于以往参数量较大的全连接层分类方式,转为采用卷积层,Droupout层,全局池化层构成的分类层,以减少模型参数量,提高检测速率。
进一步,为了验证所述方法在雾天烟检测任务中的有效性,首先通过在互联网搜集和自行拍摄的方式得到560个视频,每个视频60帧,包括雾加烟,仅烟,无烟,雾加无烟四类,然后对本发明与现有的基于VGG16_BN的雾天烟检测方法在本数据集上进行训练测试。通过实验证明,所述方法中的注意力机制模块,特征-决策层融合模块均对雾天烟检测的准确性有提升,总体的提升准确率超过4%。
综上所述,本发明提供了一种雾天环境下的烟检测方法。本方法基于雾天烟的特点,针对视频图像中雾对烟的模糊遮挡造成的小目标检测问题,使用基于空间注意力和通道注意力结合的注意力机制,对目标烟区域赋予更高的权值,从而对烟给予更多关注,减少背景干扰,提升烟检测准确率;同时针对雾与烟之间的相似干扰问题,采用特征融合的方式,获得同时具有烟细节信息和语义信息的特征输出,提高目标烟特征的判别力;而决策层融合模块,不仅对前述的特征输出进行有效分类,还通过改变分类层结构,减少网络参数,提高检测效率,具有良好的应用价值。
附图说明
图1为本发明中一种雾天环境下的烟检测方法的流程图。
图2为本发明中注意力机制模块的流程图。
图3为本发明中特征层融合的流程图。
图4为本发明中决策层融合的流程图。
具体实施方式
下面结合附图对本发明进行详细阐述:
如图1所示,本发明提供一种雾天环境下的烟检测方法,包括以下几个步骤:
1)注意力机制模块使用空间注意力机制和通道注意力机制,对目标区域和与目标分类有关的特征通道赋予更高的权重,引导网络关注目标区域,而抑制背景区域,该模块输出的特征用于特征层融合模块;
2)特征层融合模块使用VGG16_BN网络提取浅中深三层特征,并对三层特征进行融合,得到包含目标细节信息和语义信息的更具判别力的三组特征,用于决策层融合模块;
3)决策层融合模块使用卷积层,Droupout层,全局池化层构成的三组分类层,分别对特征层融合模块输出的三组特征进行分类,最后将三组分类结果进行加权融合输出烟检测的结果。
具体来说,在注意力机制模块中,如图2所示,包括经过VGG16_BN网络提取的第二层卷积层特征作为输入特征Xi;由一层卷积层构成的空间注意力层,空间注意力层的参数包括Wsp,bsp,分别代表卷积层的权值和偏移量;由一层卷积层构成的通道注意力层,通道注意力层的参数包括Wch,bch;以及输出特征Xo。输入特征Xi经过空间注意力后得到的输出特征Xsp用式1表示为:
Xsp=Xi+(Xi*Wsp+bsp) (1)
特征Xsp经过通道注意力后得到的输出特征Xo用式2表示为:
Xo=Xsp+(Xsp*Wch+bch) (2)
其中*表示矩阵元素点乘。最终输出特征Xo作为VGG16_BN的第三层卷积层输入,并用于后续特征层融合模块。
在特征层融合模块中,如图3所示,提取VGG16_BN网络的第三层、第四层、第五层卷积特征X3,X4,X5作为输入浅层特征,中层特征,深层特征,首先将深层特征X5和中层特征X4进行相加融合,得到输出特征2,用Xo2表示,由式3得到:
Xo2=X4+X5 (3)
然后将输出特征Xo2和浅层特征X3进行相加融合,得到输出特征1,用Xo1表示,由式4得到:
Xo1=Xo2+X3 (4)
最后深层特征X5直接作为输出特征3。三组输出特征用于后续决策层融合模块。
在决策层融合模块中,如图4所示,将输入特征1,输出特征2,输出特征3分别输入到分类器1,分类器2,分类器3中,分类器的结构均由一个卷积层,Droupout层,全局池化层连接而成,经由三个分类器的输出分数由Score1,Score2,Score3表示,最后对三个分类器输出结果进行加权融合,得到最终输出结果Score。三个分类器的权重由W1,W2,W3表示,加权融合结果由式5表示:
Score=Score1*W1+Score2*W2+Score3*W3 (5)
每个分类器的损失函数均为交叉熵损失函数,分别表示为Loss1,Loss2,Loss3,经融合后的总损失函数Loss由式6表示为:
Loss=Loss1*W1+Loss2*W2+Loss3*W3 (6)
为了测试本发明对于雾天烟检测的有效性,首先通过在互联网搜集和自行拍摄的方式建立雾天烟数据集,包括雾加烟,仅烟,雾加无烟,无烟四个类别,并且数据库中包括云,白色运动物体等难分负样本,每个类别包括140个视频,每个视频60帧,对数据库按8:2的比例划分训练集和测试集。然后在自己建立的雾天烟数据库上对本发明和现有基于VGG16_BN的雾天烟检测方法分别进行了训练和测试,其中为了验证本发明中的注意力机制模块和特征-决策层模块对雾天烟检测结果的有效性,分别对仅保留注意力机制模块,和仅保留特征-决策层模块的算法进行训练和测试,测试指标包括精确率,召回率,准确率,均在表1中展示。根据测试结果,本发明中提出的雾天环境下的烟检测方法比现有的基于VGG16_BN的雾天烟检测方法有较大提升,超过4%,并且分别验证了注意力机制和特征-决策层模块的有效性。
表1本发明在雾天烟数据集上的评估结果
方法 | 精确率 | 召回率 | 准确率 |
Vgg16_bn | 88.365 | 88.128 | 88.128 |
Vgg16bn_特征-决策层融合 | 89.79 | 89.72 | 89.72 |
Vgg16bn_注意力机制 | 90.51 | 90.37 | 90.375 |
Vgg16bn_注意力机制_特征-决策层融合 | 92.46 | 92.31 | 92.31 |
Claims (4)
1.一种雾天环境下的烟检测方法,其特征在于,包括以下步骤:
1)注意力机制模块使用空间注意力机制和通道注意力机制,对目标区域和与目标分类有关的特征通道赋予更高的权重,引导网络关注目标区域,而抑制背景区域,该模块输出的特征用于特征层融合模块;
2)特征层融合模块使用VGG16_BN网络提取浅中深三层特征,并对三层特征进行融合,得到包含目标细节信息和语义信息的更具判别力的三组特征,用于决策层融合模块;
3)决策层融合模块使用卷积层,Droupout层,全局池化层构成的三组分类层,分别对特征层融合模块输出的三组特征进行分类,最后将三组分类结果进行加权融合输出烟检测的结果。
2.根据权利要求1所述的一种雾天环境下的烟检测方法,其特征在于,步骤1)中,经过VGG16_BN网络提取的第二层卷积层特征作为输入特征Xi;由一层卷积层构成的空间注意力层,空间注意力层的参数包括Wsp,bsp,分别代表卷积层的权值和偏移量;由一层卷积层构成的通道注意力层,通道注意力层的参数包括Wch,bch;以及输出特征Xo;输入特征Xi经过空间注意力后得到的输出特征Xsp形式如下:
Xsp=Xi+(Xi*Wsp+bsp)
特征Xsp经过通道注意力后得到的输出特征Xo形式如下:
Xo=Xsp+(Xsp*Wch+bch)
其中*表示矩阵元素点乘,最终输出特征Xo作为VGG16_BN的第三层卷积层输入,并用于后续特征层融合模块。
3.根据权利要求2所述的一种雾天环境下的烟检测方法,其特征在于,步骤2)中,首先提取VGG16_BN网络的第三层、第四层、第五层卷积特征X3,X4,X5作为输入浅层特征,中层特征,深层特征,然后将深层特征X5和中层特征X4进行相加融合,得到输出特征2,用Xo2表示,再将输出特征Xo2和浅层特征X3进行相加融合,得到输出特征1,用Xo1表示,最后深层特征X5直接作为输出特征3,三组输出特征用于后续决策层融合模块。
4.根据权利要求1所述的一种雾天环境下的烟检测方法,其特征在于,步骤3)中,将输入特征1、输出特征2和输出特征3分别输入到分类器1、分类器2和分类器3中,分类器的结构均由一个卷积层,Droupout层,全局池化层连接而成,经由三个分类器的输出分数由Score1,Score2,Score3表示,最后对三个分类器输出结果进行加权融合,得到最终输出结果Score;三个分类器的权重由W1,W2,W3表示,加权融合结果形式如下:
Score=Score1*W1+Score2*W2+Score3*W3
每个分类器的损失函数均为交叉熵损失函数,分别表示为Loss1,Loss2,Loss3,经融合后的总损失函数Loss形式如下:
Loss=Loss1*W1+Loss2*W2+Loss3*W3。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010225765.0A CN111414969B (zh) | 2020-03-26 | 2020-03-26 | 一种雾天环境下的烟检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010225765.0A CN111414969B (zh) | 2020-03-26 | 2020-03-26 | 一种雾天环境下的烟检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111414969A true CN111414969A (zh) | 2020-07-14 |
CN111414969B CN111414969B (zh) | 2022-08-16 |
Family
ID=71493321
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010225765.0A Active CN111414969B (zh) | 2020-03-26 | 2020-03-26 | 一种雾天环境下的烟检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111414969B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112308153A (zh) * | 2020-11-02 | 2021-02-02 | 创新奇智(广州)科技有限公司 | 一种烟火检测方法和装置 |
CN113343910A (zh) * | 2021-06-29 | 2021-09-03 | 上海煤科信息科技有限公司 | 一种基于大数据的智慧矿山的图像处理方法及系统 |
CN113468967A (zh) * | 2021-06-02 | 2021-10-01 | 北京邮电大学 | 基于注意力机制的车道线检测方法、装置、设备及介质 |
CN114387755A (zh) * | 2021-12-13 | 2022-04-22 | 煤炭科学技术研究院有限公司 | 矿用烟雾检测方法、装置、处理器及系统 |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100098335A1 (en) * | 2008-10-14 | 2010-04-22 | Takatoshi Yamagishi | Smoke detecting apparatus |
US20130279803A1 (en) * | 2010-01-15 | 2013-10-24 | Ahmet Enis Cetin | Method and system for smoke detection using nonlinear analysis of video |
CN108509978A (zh) * | 2018-02-28 | 2018-09-07 | 中南大学 | 基于cnn的多级特征融合的多类目标检测方法及模型 |
CN109034183A (zh) * | 2018-06-07 | 2018-12-18 | 北京飞搜科技有限公司 | 一种目标检测方法、装置及设备 |
CN109063728A (zh) * | 2018-06-20 | 2018-12-21 | 燕山大学 | 一种火灾图像深度学习模式识别方法 |
CN109165575A (zh) * | 2018-08-06 | 2019-01-08 | 天津艾思科尔科技有限公司 | 一种基于ssd框架的烟火识别算法 |
CN109753903A (zh) * | 2019-02-27 | 2019-05-14 | 北航(四川)西部国际创新港科技有限公司 | 一种基于深度学习的无人机检测方法 |
CN110084165A (zh) * | 2019-04-19 | 2019-08-02 | 山东大学 | 基于边缘计算的电力领域开放场景下异常事件的智能识别与预警方法 |
CN110222559A (zh) * | 2019-04-24 | 2019-09-10 | 深圳市微纳集成电路与系统应用研究院 | 基于卷积神经网络的烟雾图像检测方法及装置 |
CN110309800A (zh) * | 2019-07-05 | 2019-10-08 | 中国科学技术大学 | 一种林火烟雾探测方法及装置 |
CN110334660A (zh) * | 2019-07-08 | 2019-10-15 | 天津城建大学 | 一种雾天条件下基于机器视觉的森林火灾监测方法 |
CN110490189A (zh) * | 2019-07-04 | 2019-11-22 | 上海海事大学 | 一种基于双向消息链路卷积网络的显著性物体的检测方法 |
CN110648334A (zh) * | 2019-09-18 | 2020-01-03 | 中国人民解放军火箭军工程大学 | 一种基于注意力机制的多特征循环卷积显著性目标检测方法 |
CN110827505A (zh) * | 2019-10-29 | 2020-02-21 | 天津大学 | 一种基于深度学习的烟雾分割方法 |
CN110852383A (zh) * | 2019-11-12 | 2020-02-28 | 复旦大学 | 基于注意力机制深度学习网络的目标检测方法及装置 |
CN110866907A (zh) * | 2019-11-12 | 2020-03-06 | 中原工学院 | 基于注意力机制的全卷积网络织物疵点检测方法 |
-
2020
- 2020-03-26 CN CN202010225765.0A patent/CN111414969B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100098335A1 (en) * | 2008-10-14 | 2010-04-22 | Takatoshi Yamagishi | Smoke detecting apparatus |
US20130279803A1 (en) * | 2010-01-15 | 2013-10-24 | Ahmet Enis Cetin | Method and system for smoke detection using nonlinear analysis of video |
CN108509978A (zh) * | 2018-02-28 | 2018-09-07 | 中南大学 | 基于cnn的多级特征融合的多类目标检测方法及模型 |
CN109034183A (zh) * | 2018-06-07 | 2018-12-18 | 北京飞搜科技有限公司 | 一种目标检测方法、装置及设备 |
CN109063728A (zh) * | 2018-06-20 | 2018-12-21 | 燕山大学 | 一种火灾图像深度学习模式识别方法 |
CN109165575A (zh) * | 2018-08-06 | 2019-01-08 | 天津艾思科尔科技有限公司 | 一种基于ssd框架的烟火识别算法 |
CN109753903A (zh) * | 2019-02-27 | 2019-05-14 | 北航(四川)西部国际创新港科技有限公司 | 一种基于深度学习的无人机检测方法 |
CN110084165A (zh) * | 2019-04-19 | 2019-08-02 | 山东大学 | 基于边缘计算的电力领域开放场景下异常事件的智能识别与预警方法 |
CN110222559A (zh) * | 2019-04-24 | 2019-09-10 | 深圳市微纳集成电路与系统应用研究院 | 基于卷积神经网络的烟雾图像检测方法及装置 |
CN110490189A (zh) * | 2019-07-04 | 2019-11-22 | 上海海事大学 | 一种基于双向消息链路卷积网络的显著性物体的检测方法 |
CN110309800A (zh) * | 2019-07-05 | 2019-10-08 | 中国科学技术大学 | 一种林火烟雾探测方法及装置 |
CN110334660A (zh) * | 2019-07-08 | 2019-10-15 | 天津城建大学 | 一种雾天条件下基于机器视觉的森林火灾监测方法 |
CN110648334A (zh) * | 2019-09-18 | 2020-01-03 | 中国人民解放军火箭军工程大学 | 一种基于注意力机制的多特征循环卷积显著性目标检测方法 |
CN110827505A (zh) * | 2019-10-29 | 2020-02-21 | 天津大学 | 一种基于深度学习的烟雾分割方法 |
CN110852383A (zh) * | 2019-11-12 | 2020-02-28 | 复旦大学 | 基于注意力机制深度学习网络的目标检测方法及装置 |
CN110866907A (zh) * | 2019-11-12 | 2020-03-06 | 中原工学院 | 基于注意力机制的全卷积网络织物疵点检测方法 |
Non-Patent Citations (7)
Title |
---|
MAOSHEN LIU等: ""Learn a deep convolutional neural network for image smoke detection"", 《IFTC 2018》 * |
RUI BA等: ""SmokeNet: Satellite Smoke Scene Detection Using Convolutional Neural Network with Spatial and Channel-Wise Attention"", 《REMOTE SENSING》 * |
SALMAN KHAN等: ""Energy-Efficient Deep CNN for Smoke Detection in Foggy IoT Environment"", 《IEEE INTERNET OF THINGS JOURNAL》 * |
TSUNG-YI LIN等: ""Feature Pyramid Networks for Object Detection"", 《2017 IEEE CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION》 * |
沈文祥等: ""基于多级特征和混合注意力机制的室内人群检测网络"", 《计算机应用》 * |
程文娟等: ""基于MCFFN-Attention的高光谱图像分类"", 《HTTP://KNS.CNKI.NET/KCMS/DETAIL/11.2127.TP.20200120.0827.002.HTML》 * |
谢宏等: ""时空双路3D残差卷积网络的视频烟雾检测"", 《HTTP://KNS.CNKI.NET/KCMS/DETAIL/11.2127.TP.20190925.1135.016.HTML》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112308153A (zh) * | 2020-11-02 | 2021-02-02 | 创新奇智(广州)科技有限公司 | 一种烟火检测方法和装置 |
CN112308153B (zh) * | 2020-11-02 | 2023-11-24 | 创新奇智(广州)科技有限公司 | 一种烟火检测方法和装置 |
CN113468967A (zh) * | 2021-06-02 | 2021-10-01 | 北京邮电大学 | 基于注意力机制的车道线检测方法、装置、设备及介质 |
CN113468967B (zh) * | 2021-06-02 | 2023-08-18 | 北京邮电大学 | 基于注意力机制的车道线检测方法、装置、设备及介质 |
CN113343910A (zh) * | 2021-06-29 | 2021-09-03 | 上海煤科信息科技有限公司 | 一种基于大数据的智慧矿山的图像处理方法及系统 |
CN114387755A (zh) * | 2021-12-13 | 2022-04-22 | 煤炭科学技术研究院有限公司 | 矿用烟雾检测方法、装置、处理器及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111414969B (zh) | 2022-08-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111414969B (zh) | 一种雾天环境下的烟检测方法 | |
CN108537215B (zh) | 一种基于图像目标检测的火焰检测方法 | |
CN108416250B (zh) | 人数统计方法及装置 | |
CN108509976A (zh) | 动物的识别装置和方法 | |
CN111046787A (zh) | 一种基于改进YOLO v3模型的行人检测方法 | |
CN110263728A (zh) | 基于改进的伪三维残差神经网络的异常行为检测方法 | |
CN113920400B (zh) | 一种基于改进YOLOv3的金属表面缺陷检测方法 | |
CN112330067B (zh) | 基于区块链的金融大数据分析系统 | |
CN112861635A (zh) | 一种基于深度学习的火灾及烟雾实时检测方法 | |
CN110532925B (zh) | 基于时空图卷积网络的驾驶员疲劳检测方法 | |
CN109389185A (zh) | 使用三维卷积神经网络的视频烟雾识别方法 | |
CN105956570B (zh) | 基于唇部特征和深度学习的笑脸识别方法 | |
CN110674483A (zh) | 一种基于多模态信息的身份识别方法 | |
CN111145145B (zh) | 一种基于MobileNets的图像表面缺陷检测方法 | |
CN112115849A (zh) | 基于多粒度视频信息和注意力机制的视频场景识别方法 | |
Xiao et al. | Traffic sign detection based on histograms of oriented gradients and boolean convolutional neural networks | |
CN114202803A (zh) | 一种基于残差网络的多阶段人体异常动作检测方法 | |
Azadi et al. | Learning detection with diverse proposals | |
CN112417981A (zh) | 基于改进FasterR-CNN的复杂战场环境目标高效识别方法 | |
CN111540203B (zh) | 基于Faster-RCNN调节绿灯通行时间的方法 | |
CN113127857A (zh) | 针对对抗性攻击的深度学习模型防御方法及深度学习模型 | |
CN114373194A (zh) | 基于关键帧与注意力机制的人体行为识别方法 | |
CN114973112A (zh) | 一种基于对抗学习网络的尺度自适应密集人群计数方法 | |
CN117596011A (zh) | 基于对抗卷积神经网络的电力网流量异常检测方法及系统 | |
Wang et al. | Fuzzy-nms: Improving 3d object detection with fuzzy classification in nms |
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 |