基于卷积神经网络的图像型火灾识别方法研究
发布时间：2021-08-20 08:09
火是人类走向文明的伟大发明之一。而一旦发生火灾,将会给人类带来物质与精神的双重损失。因此,针对火灾的研究是一项非常重要的任务。随着计算机视觉技术的发展,目前对于火灾的研究方法已经从传统的传感器探测演变成了基于图像处理的识别。近年来,基于图像处理技术的火灾识别理论不断被完善与发展,但其中仍存在分割区域不完整、特征选取盲目、误检率较高等问题。本文针对这些问题,基于自适应池化方式的卷积神经网络对图像型火灾识别方法进行了研究。本文对火灾图像进行了预处理操作,并对火焰颜色特征进行了分析,以完整分割出火焰区域为目的,提出了基于颜色特征的火灾区域分割方法和基于改进K近邻的火灾区域分割方法;针对火灾图像识别过程中存在的特征选取盲目问题,提出一个将分割得到的火焰区域送入卷积神经网络进行训练的方法,该方法能够更好地对火焰特征进行学习;通过对卷积神经网络进行研究,在传统池化方式基础上,提出一种基于自适应池化的卷积神经网络,该网络可以动态的根据池化域的不同,采取不同池化因子对池化域进行下采样处理,达到准确提取特征的目的。最后,本文采用PyQt工具设计了图形用户界面,可以直观显示火灾图像处理的每一个步骤。通过研...
【文章来源】：西安科技大学陕西省
【文章页数】：77 页
【学位级别】：硕士
【部分图文】：
基于传统图像处理的火灾检测算法流程图
在图像型火灾探测中误报率高的问题，提出结合 HMM 与 SVM 对火方法，对捕获到的图像进行运动区域检测和颜色分析，提取疑似火焰 计算疑似区域与火焰模型的相似度，并输入到 SVM 进行二次识别；王和无监督学习方法训练两级专用分类器，确定疑似目标区域：首 分类器的输出结果计算得到聚类算法的初始中心，然后使用计算出的焰区域进行分割，该算法具有一定使用价值，可在复杂环境下实现火二级分类器 real adaboost 耗时较长，且算法处理时间随着视频分辨率于深度学习的火灾检测年，利用深度学习技术来提取深层次的语义特征已成为一种趋势，其音识别、推荐系统等人工智能领域已得到广泛研究。基于深度学习的比基于传统图像处理的火灾检测方法，在步骤上更为简洁，如图 1.习的火灾检测算法的流程图。
不同程度地呈现出光照对火灾图像进行图像增强处理是非常，如：灰度均衡可以提高图像的亮度波可以去除图像的椒盐噪声。衡处理信息，本文采用灰度均衡方法对火灾是图像增强的方法之一。灰度均衡通灰度级分布概率相对均匀的图像。经相对均衡，对应灰度直方图的每一级大的信息量。的颜色信息是非常重要的一个特征，焰像素的原始信息。因此本文考虑在 HHue)、饱和度(Saturation)和亮度(Value
【参考文献】：
期刊论文
[1]基于改进卷积神经网络的指静脉识别[J]. 何鑫,陈迅. 计算机工程与设计. 2019(02)
[2]基于卷积神经网络的宫颈癌细胞图像识别的改进算法[J]. 夏为为,夏哲雷. 中国计量大学学报. 2018(04)
[3]采用机器学习的火焰前景提取算法[J]. 王博,张为,刘艳艳,王鑫. 西安交通大学学报. 2017(08)
[4]基于级联卷积神经网络的视频动态烟雾检测[J]. 陈俊周,汪子杰,陈洪瀚,左林翼. 电子科技大学学报. 2016(06)
[5]不同池化模型的卷积神经网络学习性能研究[J]. 刘万军,梁雪剑,曲海成. 中国图象图形学报. 2016(09)
[6]卷积神经网络研究综述[J]. 李彦冬,郝宗波,雷航. 计算机应用. 2016(09)
[7]基于时空特征的林火视频火焰识别研究[J]. 徐铭铭,周宏平,赵亚琴,汪东. 林业工程学报. 2016(04)
[8]复杂背景下基于深度卷积神经网络的森林火灾识别[J]. 傅天驹,郑嫦娥,田野,丘启敏,林斯俊. 计算机与现代化. 2016(03)
[9]一种融合Kmeans和KNN的网络入侵检测算法[J]. 华辉有,陈启买,刘海,张阳,袁沛权. 计算机科学. 2016(03)
[10]基于HMM-SVM的图像型火焰识别[J]. 柴茜,王慧琴,廖雨婷,卢英,马宗方. 计算机工程与应用. 2015(13)
硕士论文
[1]基于视频的火焰检测算法研究[D]. 张兴坤.沈阳工业大学 2017
[2]基于视频图像的森林火灾自动监测识别技术研究[D]. 詹琪.电子科技大学 2017
[3]森林火灾烟雾图像识别算法研究[D]. 兰久强.福建师范大学 2017
[4]基于多特征融合的林火烟雾检测算法研究[D]. 岳姣姣.燕山大学 2016
[5]基于机器学习的火灾检测方法研究[D]. 王光耀.大连理工大学 2015
[6]基于局部分形的林火图像分割算法研究[D]. 白东东.黑龙江大学 2015
[7]基于深度学习的动态纹理分类方法研究及其在森林防火中的应用[D]. 汪彩霞.江苏科技大学 2015
[8]复合式森林火灾探测、识别及预警算法研究[D]. 何航勃.长春理工大学 2014
[9]基于图像/视频的森林火灾识别方法研究[D]. 申小龙.国防科学技术大学 2013
[10]基于YCbCr颜色空间的森林火灾探测技术的研究[D]. 罗媛媛.中南林业科技大学 2013
本文编号：3353142
【文章来源】：西安科技大学陕西省
【文章页数】：77 页
【学位级别】：硕士
【部分图文】：
基于传统图像处理的火灾检测算法流程图
在图像型火灾探测中误报率高的问题，提出结合 HMM 与 SVM 对火方法，对捕获到的图像进行运动区域检测和颜色分析，提取疑似火焰 计算疑似区域与火焰模型的相似度，并输入到 SVM 进行二次识别；王和无监督学习方法训练两级专用分类器，确定疑似目标区域：首 分类器的输出结果计算得到聚类算法的初始中心，然后使用计算出的焰区域进行分割，该算法具有一定使用价值，可在复杂环境下实现火二级分类器 real adaboost 耗时较长，且算法处理时间随着视频分辨率于深度学习的火灾检测年，利用深度学习技术来提取深层次的语义特征已成为一种趋势，其音识别、推荐系统等人工智能领域已得到广泛研究。基于深度学习的比基于传统图像处理的火灾检测方法，在步骤上更为简洁，如图 1.习的火灾检测算法的流程图。
不同程度地呈现出光照对火灾图像进行图像增强处理是非常，如：灰度均衡可以提高图像的亮度波可以去除图像的椒盐噪声。衡处理信息，本文采用灰度均衡方法对火灾是图像增强的方法之一。灰度均衡通灰度级分布概率相对均匀的图像。经相对均衡，对应灰度直方图的每一级大的信息量。的颜色信息是非常重要的一个特征，焰像素的原始信息。因此本文考虑在 HHue)、饱和度(Saturation)和亮度(Value
【参考文献】：
期刊论文
[1]基于改进卷积神经网络的指静脉识别[J]. 何鑫,陈迅. 计算机工程与设计. 2019(02)
[2]基于卷积神经网络的宫颈癌细胞图像识别的改进算法[J]. 夏为为,夏哲雷. 中国计量大学学报. 2018(04)
[3]采用机器学习的火焰前景提取算法[J]. 王博,张为,刘艳艳,王鑫. 西安交通大学学报. 2017(08)
[4]基于级联卷积神经网络的视频动态烟雾检测[J]. 陈俊周,汪子杰,陈洪瀚,左林翼. 电子科技大学学报. 2016(06)
[5]不同池化模型的卷积神经网络学习性能研究[J]. 刘万军,梁雪剑,曲海成. 中国图象图形学报. 2016(09)
[6]卷积神经网络研究综述[J]. 李彦冬,郝宗波,雷航. 计算机应用. 2016(09)
[7]基于时空特征的林火视频火焰识别研究[J]. 徐铭铭,周宏平,赵亚琴,汪东. 林业工程学报. 2016(04)
[8]复杂背景下基于深度卷积神经网络的森林火灾识别[J]. 傅天驹,郑嫦娥,田野,丘启敏,林斯俊. 计算机与现代化. 2016(03)
[9]一种融合Kmeans和KNN的网络入侵检测算法[J]. 华辉有,陈启买,刘海,张阳,袁沛权. 计算机科学. 2016(03)
[10]基于HMM-SVM的图像型火焰识别[J]. 柴茜,王慧琴,廖雨婷,卢英,马宗方. 计算机工程与应用. 2015(13)
硕士论文
[1]基于视频的火焰检测算法研究[D]. 张兴坤.沈阳工业大学 2017
[2]基于视频图像的森林火灾自动监测识别技术研究[D]. 詹琪.电子科技大学 2017
[3]森林火灾烟雾图像识别算法研究[D]. 兰久强.福建师范大学 2017
[4]基于多特征融合的林火烟雾检测算法研究[D]. 岳姣姣.燕山大学 2016
[5]基于机器学习的火灾检测方法研究[D]. 王光耀.大连理工大学 2015
[6]基于局部分形的林火图像分割算法研究[D]. 白东东.黑龙江大学 2015
[7]基于深度学习的动态纹理分类方法研究及其在森林防火中的应用[D]. 汪彩霞.江苏科技大学 2015
[8]复合式森林火灾探测、识别及预警算法研究[D]. 何航勃.长春理工大学 2014
[9]基于图像/视频的森林火灾识别方法研究[D]. 申小龙.国防科学技术大学 2013
[10]基于YCbCr颜色空间的森林火灾探测技术的研究[D]. 罗媛媛.中南林业科技大学 2013
本文编号：3353142
本文链接：https://www.wllwen.com/jianzhugongchenglunwen/3353142.html
