【摘 要】
：
烟雾识别对于火灾的早期探测及火灾危害的降低具有重要的意义。目前基于计算机视觉的烟雾探测手段存在误报较多,准确率偏低,使用深度网络则模型过于庞大等问题,为解决此类问题,本文提出烟雾图片块递增判定算法,并搭建轻量级深度神经网络模型对烟雾进行识别。本文首先通过网络途径收集烟雾图片,依靠天津消防研究所搜集火灾烟雾视频,精选截取后使用数据增强方式扩充图片数量,建立了烟雾数据集,包含烟雾图片和非烟雾图片各12
论文部分内容阅读
烟雾识别对于火灾的早期探测及火灾危害的降低具有重要的意义。目前基于计算机视觉的烟雾探测手段存在误报较多,准确率偏低,使用深度网络则模型过于庞大等问题,为解决此类问题,本文提出烟雾图片块递增判定算法,并搭建轻量级深度神经网络模型对烟雾进行识别。本文首先通过网络途径收集烟雾图片,依靠天津消防研究所搜集火灾烟雾视频,精选截取后使用数据增强方式扩充图片数量,建立了烟雾数据集,包含烟雾图片和非烟雾图片各12000张及若干烟雾视频。为减少类似烟雾图像的干扰,提高系统准确率,本文提出基于烟雾图片块递增判定算法。首先通过背景减除法提取出烟雾部分并分块,排除背景环境干扰,降低计算量及识别难度;然后依据烟雾颜色灰色突出的特点,搭建RGB颜色模型,排除非烟干扰,提取疑似烟雾块;考虑到火灾初期烟雾快速增多的特点,对提取出的疑似烟雾图片块进行识别,通过判别烟雾的图片块数量是否呈递增趋势,识别火灾烟雾,通过分析提取合理的实验参数,结合分块法,保证预警及时性的同时,有效减少因云、雾、雾霾等烟雾类似物引起的误报。本文在选择识别算法时,分别搭建并研究了AlexNet网络、VGG16网络、Goog Le Net Inception V3网络、Res Net50网络和MobileNet网络识别烟雾。针对MobileNet网络进行优化,网络使用迁移学习方式,选取焦点损失函数,降低易分类样本对损失函数的贡献,使准确率提升至0.989,实现了将模型体积和参数量分别缩小到AlexNet网络的1/5和1/14,准确率达到甚至超过了常规神经网络的准确率,并减少了计算时间,为烟雾识别模型部署到内存较小的设备中奠定了基础。本文结合了烟雾图片块递增判定算法和改进的MobileNet轻量化模型,进行火灾烟雾识别,有效减小了模型体积和计算量,减少了非烟干扰,提高了烟雾识别的准确率和灵敏度,为烟雾识别系统的应用提供了理论基础。
其他文献
随着信息时代的发展,数字设备越来越普及,数字图像在信息传播中的作用越来越重要,人们对于提高数字图像的分辨率需求越来越迫切。图像超分辨率重建主要是对一幅或者多幅低分辨率图像,结合先验知识,恢复出相应的同一场景的高分辨率图像。深度学习算法可以自动地直接从数据中学习输入和输出之间的映射关系,这就克服了传统算法需要人工设计特征的难题。大量实验证明基于深度学习的图像超分辨率重建算法取得了比传统算法更好的效果
三维堆叠图像传感器是目前图像传感器发展的主流方向之一,具有高密度互连、填充系数大、不同层独立优化的优势。三维堆叠图像传感器的典型结构包括像素阵列、模数转换器（Analog-to-Digital Converter,ADC）和图像信号处理器（Image Signal Processor,ISP）,这些功能块在不同芯片制造,并使用硅通孔（Through Silicon Via,TSV）和μbump（m
实验室是研究人员学习、科研的重要场所,实验室的安全问题被广泛重视。近年来,实验室安全问题所引发的事故频繁发生,并造成了严重的后果。目前高校缺乏成型的实验室环境监控系统,大多数关于室内环境检测系统的研究都只针对居住环境。针对这一问题,本文提出一种基于CAN总线的主从分立式实验室环境监测系统,通过传感器采集室内有害气体NO2浓度、温度、湿度等信息,当环境出现异常时报警,以达到减少实验室危险事故发生的目
随着全民智能的到来,视频监控占有越来越重要的地位。其中目标检测跟踪在机器视觉领域中是最具挑战的一个研究方向,目前很多学者已经研究并且提出了许多优秀的算法。但是在实际应用环境中,目标检测跟踪依然有着一系列的困难和局限。跟踪过程中由于一些不确定性的影响会造成跟踪结果的失败。本文基于压缩感知理论和孪生网络结构对视频图像进行目标检测跟踪的研究,研究内容主要包括以下三个方面:首先,本文分析了压缩感知理论和卷
气液两相流广泛存在石油工业、核能工程及热能工程等工业生产过程中。为实现工业生产过程优化,准确识别和掌握气液两相流流动特征是非常必要的。相比于单相流,气液两相流流动更具有多样性、随机性、不稳定性以及复杂性等特征,流体流型复杂多样。这些不稳定因素,给准确测量气液两相流持气率带来巨大挑战。准确预测气液两相流持气率,对油气田生产过程中油井动态监测及传感测量系统设计具有重要实际意义。针对差压传感器稳定性强、
随着多媒体信息技术的快速发展,数字图像成为多媒体信息的重要载体之一。由于数字图像具有现场性、直观性等良好的特性而得到广泛使用。目前,各种图像处理软件的开发和应用使用户不必掌握相关专业知识就可以方便、快捷地对数字图像进行编辑操作,以满足自己的工作需要或者日常娱乐。但如果被恶意篡改者非法利用在军事、法庭证据、新闻等领域,将会给社会带来一定扰乱,“眼见为实”的传统观念也正在被打破。所以,迫切需要一种取证
随着汽车产业的快速发展,车内空气污染成为公众关注的热点问题。在影响车内空气质量的诸多因素中,内饰材料是主要污染源。目前用于汽车内饰材料的检测方法存在操作复杂、成本高等缺点,因此开发一套能够快速、准确检测汽车内饰材料的系统对从源头减少车内空气污染具有重要的理论意义和应用价值。本文以汽车内饰材料检测为应用背景,对QCM（Quartz Crystal Microbalance,石英晶体微天平）气体传感器
本文针对具有高度非线性、强耦合性和参数不确定性的多自由度机械臂系统,研究其轨迹跟踪控制问题。首先对Denso VP6242机械臂的数学模型进行分析:采用标准D-H方法建立机械臂的正运动学模型,采用代数法建立机械臂的逆运动学模型,并将由逆运动学模型反解出的关节角度带入到正运动学模型,仿真数据表明逆运动学模型的精度可达10-16;根据拉格朗日方程建立机械臂的动力学模型,为后续控制方法的仿真验证提供控制
在脑仿真与类脑计算领域,神经系统对于运动功能的调控,一直为人们所关注。大量生理实验表明,中枢模式发生器（CPG）在人类的节律运动过程中,起着至关重要的作用,同时,小脑与人类运动功能协调以及学习记忆有密切联系。此外,近年来受脑认知与信息处理机制启发的类脑计算平台,已成为人工智能领域的研究重点。类脑计算的效果,很大程度上依赖于硬件平台的性能,具有并行运算能力,且能灵活配置的现场可编程门阵列（FPGA）
脑电（EEG）信号作为识别人体生理状态的最可靠的度量之一,被国内外研究人员广泛应用。深度学习技术为挖掘脑电信号中的信息提供了新的技术手段,但在此过程中面临着结构设计困难和输入信噪比低的问题。本文采用群智能算法和强化学习框架以实现模型结构优化,利用递归网络进行数据输入优化,实现在情绪辨识和疲劳驾驶检测任务上的深度学习模型的动态优化设计。本文首先基于情绪辨识任务的EEG数据研究在卷积神经网络（CNN）