论文部分内容阅读
一般基于深度学习的火焰检测方法识别效率不够理想,主要原因是特征提取网络中参数较多。对此,提出了一种基于UO-Net模型的火焰检测方法。UO-Net模型是在YOLOv3模型基础上建立的一种端到端的深度神经网络模型。该方法采用多卷积核组合结构,减少特征提取网络层的通道数。同时,提出了一种图像分割网络来加快模型的训练速度,并利用图像分割网络的注意力图来指导检测模型对火焰进行检测,从而提高火焰检测模型的性能。在Bilkent大学公开的火焰数据库VisiFire和真实场景数据集上对UO-Net模型进行了测试,