基于深度学习的火灾检测算法研究与实现
发布时间：2021-09-30 06:43
火灾往往严重威胁着公众的生命财产安全,因此早期火灾检测研究具有重要意义和价值。传统的火灾探测器主要以物理传感器为主,通过检测烟光气的变化判断是否发生火灾,但普遍存在覆盖范围小、使用场景单一的问题。近年来,利用监控图像进行火灾检测的视觉型探测器逐渐受到重视,同时,随着深度学习图像算法逐渐成熟,相较于传统手工特征提取算子,神经网络能更好的提取图像中的烟雾、火焰特征,检测精度和速度都有极大提升,因此本文基于深度学习算法对火灾图像检测进行了相关研究。本文提出了烟雾检测与火焰检测共同进行的火灾检测方案。在烟雾检测算法设计中,本文将YOLO V3的原主干网络替换为密集连接网络Densenet121,构成YOLO-Densebackbone网络,并对自建训练集进行在线图像增强操作。火焰检测首先采用了基于预选区域与分类器的方案,算法通过火焰的运动特征和颜色特征筛选得到疑似火焰区域,并通过二次颜色区域扩展算法对空洞处进行填充,利用火焰边界框帧间连续性特征以及颜色像素面积比进一步筛选符合条件的预选区域,最后利用PCBnet的局部特征思想进行火焰预选区域图像二分类。由于火焰边界框尺寸的不规律性,基于锚框的目...
【文章来源】：杭州电子科技大学浙江省
【文章页数】：76 页
【学位级别】：硕士
【部分图文】：
018年应急管理部消防救援局统计起火原因起数分布情况
为性能改进的重要方式。（3）成本高：对于未布置高清监控相机的场所，需要先安装监控摄像头；在已经拥有摄像头情况下，如果选择传统图像处理算法，则需要配备性能较好的CPU处理器；如果采用深度神经网络检测算法，则需要配备算力更强的GPU处理器作为算法硬件平台。作为火灾检测系统而言，存在多路视频数据待处理，需要采用合适的调度算法配置计算的硬件资源，整体火灾监控系统的成本较高。工业界已经开始对机器视觉型火灾检测设备投入研发生产。世界安防领域领先的海康威视推出的热成像半球网络摄像机DS-2TD1217-3/V1，如图1.3所示，支持智能火点检测、温度异常报警功能，采用1/2.8英寸高性能CMOS，图像分辨率达到了1920×1080；大华公司也有火眼视频图像火灾探测设备VFDS-1U，并推出了利用红外热成像热感应技术和烟火智能检测算法的大华森林防火解决方案。图1.3海康威视热成像半球网络摄像机各个类型的传统传感器型火灾探测器与机器视觉型火灾探测器对比表格如表1.1所示，由于基于视觉的火灾探测器能弥补传统火灾探测器一些使用和适应场景上的缺陷，同时计算机图像处理技术在学界有许多突破性的进展，本文对将对基于深度学习火灾检测算法进行深入的研究。
杭州电子科技大学硕士学位论文22图2.10Densenet特征重用情况热力图在应用中，容易训练、收敛速度快的网络使得检测系统可以在有限的数据集下获得较好地结果，也使得训练网络所需的硬件要求不再那么高。这些性能上的提升可以尽量减少样本不足对网络带来的影响，更好地检测图像中的烟雾目标。2.5基于主干网络的算法改进YOLOV3的网络主干是基于Darknet53搭建的，而Darknet53很大程度上借鉴了ResNet的结构。由于DenseNet在训练难易程度、准确率方面都优于ResNet，故借鉴Densnet搭建了YOLO-Densebackbone网络，结构如图2.11所示。网络采用3个denseblock构成主干，并设置growthrate为32。growthrate表示一个denseblock中每层的输出深度，在层数较深的YOLO-Densebackbone网络中不需要太大的growthrate就可以获得较好的结果，避免了网络特征图过多。由于Densenet需要对特征图进行通道融合，需要保证每个denseblock的尺寸统一，故在进行卷积计算时，每个denseblock采用边界零填充的卷积方式。同时借鉴DenseNet-BC的思想，在每个3×3卷积前加上一个1×1的卷积操作，该1×1卷积被称为瓶颈层（bottlenecklayer），其卷积核的个数固定为growthrate的4倍，这个操作固定了每层特征图输出的深度，避免了特征图在不断通道合并的过程中深度过深的问题，降维过程中减少计算量的同时也融合了各个通道的特征。为了进一步压缩特征图个数，过渡层（TransitionLayer）的设置进一步减少了每个denseblock输出的通道数，大大减少了计算量。TransitionLayer的输出设置为上一个denseblock通道数的一半。denseblock的一层称为卷积模块（convolutionblock），该模块包括BN层、ReLU激活函数以及3×3或1×1卷积层。Densenet网络连接众多，为了避免过拟合，在每个卷积模块中添加了dr
【参考文献】：
期刊论文
[1]基于局部特征过滤的快速火焰图像识别方法[J]. 毛文涛,王文朋,蒋梦雪,欧阳军. 计算机应用. 2016(10)
[2]粗糙集与区域生长的烟雾图像分割算法研究[J]. 张娜,王慧琴,胡燕. 计算机科学与探索. 2017(08)
[3]基于Codebook的视频火焰识别算法[J]. 邵良杉,郭雅婵. 计算机应用. 2015(05)
[4]智能视频监控技术综述[J]. 黄凯奇,陈晓棠,康运锋,谭铁牛. 计算机学报. 2015(06)
[5]HSV颜色空间的饱和度与明度关系模型[J]. 马玲,张晓辉. 计算机辅助设计与图形学学报. 2014(08)
[6]基于颜色特征的火焰检测新算法[J]. 耿庆田,于繁华,赵宏伟,王闯. 吉林大学学报(工学版). 2014(06)
[7]基于颜色空间的单幅图像去雾算法[J]. 刘安娜,葛保嫄. 现代电子技术. 2013(18)
[8]基于边缘几何特征的高性能模板匹配算法[J]. 吴晓军,邹广华. 仪器仪表学报. 2013(07)
[9]一种快速的模板匹配算法[J]. 唐琎,李青. 计算机应用. 2010(06)
硕士论文
[1]基于颜色特征和运动特征的火焰检测方法研究[D]. 王闯.吉林大学 2013
本文编号：3415319
【文章来源】：杭州电子科技大学浙江省
【文章页数】：76 页
【学位级别】：硕士
【部分图文】：
018年应急管理部消防救援局统计起火原因起数分布情况
为性能改进的重要方式。（3）成本高：对于未布置高清监控相机的场所，需要先安装监控摄像头；在已经拥有摄像头情况下，如果选择传统图像处理算法，则需要配备性能较好的CPU处理器；如果采用深度神经网络检测算法，则需要配备算力更强的GPU处理器作为算法硬件平台。作为火灾检测系统而言，存在多路视频数据待处理，需要采用合适的调度算法配置计算的硬件资源，整体火灾监控系统的成本较高。工业界已经开始对机器视觉型火灾检测设备投入研发生产。世界安防领域领先的海康威视推出的热成像半球网络摄像机DS-2TD1217-3/V1，如图1.3所示，支持智能火点检测、温度异常报警功能，采用1/2.8英寸高性能CMOS，图像分辨率达到了1920×1080；大华公司也有火眼视频图像火灾探测设备VFDS-1U，并推出了利用红外热成像热感应技术和烟火智能检测算法的大华森林防火解决方案。图1.3海康威视热成像半球网络摄像机各个类型的传统传感器型火灾探测器与机器视觉型火灾探测器对比表格如表1.1所示，由于基于视觉的火灾探测器能弥补传统火灾探测器一些使用和适应场景上的缺陷，同时计算机图像处理技术在学界有许多突破性的进展，本文对将对基于深度学习火灾检测算法进行深入的研究。
杭州电子科技大学硕士学位论文22图2.10Densenet特征重用情况热力图在应用中，容易训练、收敛速度快的网络使得检测系统可以在有限的数据集下获得较好地结果，也使得训练网络所需的硬件要求不再那么高。这些性能上的提升可以尽量减少样本不足对网络带来的影响，更好地检测图像中的烟雾目标。2.5基于主干网络的算法改进YOLOV3的网络主干是基于Darknet53搭建的，而Darknet53很大程度上借鉴了ResNet的结构。由于DenseNet在训练难易程度、准确率方面都优于ResNet，故借鉴Densnet搭建了YOLO-Densebackbone网络，结构如图2.11所示。网络采用3个denseblock构成主干，并设置growthrate为32。growthrate表示一个denseblock中每层的输出深度，在层数较深的YOLO-Densebackbone网络中不需要太大的growthrate就可以获得较好的结果，避免了网络特征图过多。由于Densenet需要对特征图进行通道融合，需要保证每个denseblock的尺寸统一，故在进行卷积计算时，每个denseblock采用边界零填充的卷积方式。同时借鉴DenseNet-BC的思想，在每个3×3卷积前加上一个1×1的卷积操作，该1×1卷积被称为瓶颈层（bottlenecklayer），其卷积核的个数固定为growthrate的4倍，这个操作固定了每层特征图输出的深度，避免了特征图在不断通道合并的过程中深度过深的问题，降维过程中减少计算量的同时也融合了各个通道的特征。为了进一步压缩特征图个数，过渡层（TransitionLayer）的设置进一步减少了每个denseblock输出的通道数，大大减少了计算量。TransitionLayer的输出设置为上一个denseblock通道数的一半。denseblock的一层称为卷积模块（convolutionblock），该模块包括BN层、ReLU激活函数以及3×3或1×1卷积层。Densenet网络连接众多，为了避免过拟合，在每个卷积模块中添加了dr
【参考文献】：
期刊论文
[1]基于局部特征过滤的快速火焰图像识别方法[J]. 毛文涛,王文朋,蒋梦雪,欧阳军. 计算机应用. 2016(10)
[2]粗糙集与区域生长的烟雾图像分割算法研究[J]. 张娜,王慧琴,胡燕. 计算机科学与探索. 2017(08)
[3]基于Codebook的视频火焰识别算法[J]. 邵良杉,郭雅婵. 计算机应用. 2015(05)
[4]智能视频监控技术综述[J]. 黄凯奇,陈晓棠,康运锋,谭铁牛. 计算机学报. 2015(06)
[5]HSV颜色空间的饱和度与明度关系模型[J]. 马玲,张晓辉. 计算机辅助设计与图形学学报. 2014(08)
[6]基于颜色特征的火焰检测新算法[J]. 耿庆田,于繁华,赵宏伟,王闯. 吉林大学学报(工学版). 2014(06)
[7]基于颜色空间的单幅图像去雾算法[J]. 刘安娜,葛保嫄. 现代电子技术. 2013(18)
[8]基于边缘几何特征的高性能模板匹配算法[J]. 吴晓军,邹广华. 仪器仪表学报. 2013(07)
[9]一种快速的模板匹配算法[J]. 唐琎,李青. 计算机应用. 2010(06)
硕士论文
[1]基于颜色特征和运动特征的火焰检测方法研究[D]. 王闯.吉林大学 2013
本文编号：3415319
本文链接：https://www.wllwen.com/jianzhugongchenglunwen/3415319.html
