基于深度学习的火灾烟雾识别算法研究
发布时间：2021-01-02 02:13
火灾的发生不仅对人员安全造成极大的威胁,而且还造成巨大的财产损失。目前对于火灾的检测,主要分为两大研究方向,一个是对火焰的检测,另一个是对烟雾的检测。其中,与火焰检测相比烟雾检测难度更高,所以目前火焰检测技术较为成熟,检测效果较好。但是通常检测到火焰,火灾已经发生,不能达到很好的火灾预防效果。而对于烟雾的检测,大多采用的是基于传感器和传统的图像处理方法。第一种方法需要安装大量的传感器,检测距离有限,传感器容易因环境发生损坏和老化,造成极大的漏检和误检。第二种方法对人工选择特征具有较强的依赖性,而烟雾具有边界不确定性、半透明性、致背景模糊和易受其它因素影响的特性,从而导致传统算法对烟雾识别的准确率会受到很大的影响。针对上述情况,本文将烟雾识别与机器学习领域中的深度学习算法相结合,同时结合已有的研究成果,将其中的两种常见模型,卷积神经网络模型和深度残差网络模型应用于烟雾识别上,其有效克服了传统方案的缺陷,在算法性能与效率方面得到了有效的提高。本文的主要成果如下:（1）通过网上收集烟雾数据集,利用高斯混合模型法与颜色特征法相结合对数据集进行裁剪,同时采用改变图像颜色、饱和度、亮度和对比度等特...
【文章来源】：华北电力大学(北京)北京市 211工程院校 教育部直属院校
【文章页数】：59 页
【学位级别】：硕士
【部分图文】：
图２－１神经元示意图??
图２－２激活函数对比图??２．１．３神经网络??一个基本神经网络具有输入层、隐藏层、输出层三部分结构，如图２－３所示。??每一层都由多个神经元组成，前层神经元的输出作为后层神经元的输入。??输人层隐鉍层’输山层??图２－３神经网络示意图??由图２－３看出，输入层由众多的神经元组成，接受大量的非线性输入信息，例??如原始图像像素信息、语音信息、文字信息等。隐藏层可以根据任务的复杂度，设??置一层到多层，每层的神经元数目不定，但数目越多，神经网络的非线性学习越强，??从而具有更强大的拟合能力，而输出层通常与任务要求的输出相一致，例如在多分??类任务中，类别数即为输出层神经元的个数。??７??
?３??Ｘ??图２－２激活函数对比图??２．１．３神经网络??一个基本神经网络具有输入层、隐藏层、输出层三部分结构，如图２－３所示。??每一层都由多个神经元组成，前层神经元的输出作为后层神经元的输入。??输人层隐鉍层’输山层??图２－３神经网络示意图??由图２－３看出，输入层由众多的神经元组成，接受大量的非线性输入信息，例??如原始图像像素信息、语音信息、文字信息等。隐藏层可以根据任务的复杂度，设??置一层到多层，每层的神经元数目不定，但数目越多，神经网络的非线性学习越强，??从而具有更强大的拟合能力，而输出层通常与任务要求的输出相一致，例如在多分??类任务中，类别数即为输出层神经元的个数。??７??
【参考文献】：
期刊论文
[1]深度学习的MPCANet火灾图像识别模型设计[J]. 张秀玲,侯代标,张逞逞,周凯旋,魏其珺. 红外与激光工程. 2018(02)
[2]改进的ELU卷积神经网络在SAR图像舰船检测中的应用[J]. 白玉,姜东民,裴加军,张宁,白郁. 测绘通报. 2018(01)
[3]2007—2016年全国重特大火灾事故分析及时空分布规律[J]. 张玉涛,马婷,林姣,黄遥,李亚清. 西安科技大学学报. 2017(06)
[4]基于区域全卷积网络结合残差网络的火焰检测方法[J]. 洪伟,李朝锋. 激光与光电子学进展. 2018(04)
[5]基于深度迁移学习的烟雾识别方法[J]. 王文朋,毛文涛,何建樑,窦智. 计算机应用. 2017(11)
[6]基于卷积神经网络参数优化的中文情感分析[J]. 王盛玉,曾碧卿,胡翩翩. 计算机工程. 2017(08)
[7]基于快速卷积神经网络的图像去模糊[J]. 任静静,方贤勇,陈尚文,汪粼波,周健. 计算机辅助设计与图形学学报. 2017(08)
[8]基于加速区域卷积神经网络的夜间行人检测研究[J]. 叶国林,孙韶媛,高凯珺,赵海涛. 激光与光电子学进展. 2017(08)
[9]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)
[10]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)
硕士论文
[1]基于深度学习的肿瘤细胞图像识别[D]. 张永焕.华东交通大学 2017
[2]基于视频的烟雾检测算法研究[D]. 相徐斌.浙江大学 2017
[3]基于人工神经网络的手写字母识别研究[D]. 阙为涛.天津大学 2016
[4]基于视频的火灾烟雾检测算法研究[D]. 王娜娜.西安科技大学 2012
[5]基于视频的火灾检测方法研究及实现[D]. 葛勇.湖南大学 2009
[6]基于视频图像的火灾火焰跟踪研究[D]. 薛媛.西安电子科技大学 2009
本文编号：2952445
【文章来源】：华北电力大学(北京)北京市 211工程院校 教育部直属院校
【文章页数】：59 页
【学位级别】：硕士
【部分图文】：
图２－１神经元示意图??
图２－２激活函数对比图??２．１．３神经网络??一个基本神经网络具有输入层、隐藏层、输出层三部分结构，如图２－３所示。??每一层都由多个神经元组成，前层神经元的输出作为后层神经元的输入。??输人层隐鉍层’输山层??图２－３神经网络示意图??由图２－３看出，输入层由众多的神经元组成，接受大量的非线性输入信息，例??如原始图像像素信息、语音信息、文字信息等。隐藏层可以根据任务的复杂度，设??置一层到多层，每层的神经元数目不定，但数目越多，神经网络的非线性学习越强，??从而具有更强大的拟合能力，而输出层通常与任务要求的输出相一致，例如在多分??类任务中，类别数即为输出层神经元的个数。??７??
?３??Ｘ??图２－２激活函数对比图??２．１．３神经网络??一个基本神经网络具有输入层、隐藏层、输出层三部分结构，如图２－３所示。??每一层都由多个神经元组成，前层神经元的输出作为后层神经元的输入。??输人层隐鉍层’输山层??图２－３神经网络示意图??由图２－３看出，输入层由众多的神经元组成，接受大量的非线性输入信息，例??如原始图像像素信息、语音信息、文字信息等。隐藏层可以根据任务的复杂度，设??置一层到多层，每层的神经元数目不定，但数目越多，神经网络的非线性学习越强，??从而具有更强大的拟合能力，而输出层通常与任务要求的输出相一致，例如在多分??类任务中，类别数即为输出层神经元的个数。??７??
【参考文献】：
期刊论文
[1]深度学习的MPCANet火灾图像识别模型设计[J]. 张秀玲,侯代标,张逞逞,周凯旋,魏其珺. 红外与激光工程. 2018(02)
[2]改进的ELU卷积神经网络在SAR图像舰船检测中的应用[J]. 白玉,姜东民,裴加军,张宁,白郁. 测绘通报. 2018(01)
[3]2007—2016年全国重特大火灾事故分析及时空分布规律[J]. 张玉涛,马婷,林姣,黄遥,李亚清. 西安科技大学学报. 2017(06)
[4]基于区域全卷积网络结合残差网络的火焰检测方法[J]. 洪伟,李朝锋. 激光与光电子学进展. 2018(04)
[5]基于深度迁移学习的烟雾识别方法[J]. 王文朋,毛文涛,何建樑,窦智. 计算机应用. 2017(11)
[6]基于卷积神经网络参数优化的中文情感分析[J]. 王盛玉,曾碧卿,胡翩翩. 计算机工程. 2017(08)
[7]基于快速卷积神经网络的图像去模糊[J]. 任静静,方贤勇,陈尚文,汪粼波,周健. 计算机辅助设计与图形学学报. 2017(08)
[8]基于加速区域卷积神经网络的夜间行人检测研究[J]. 叶国林,孙韶媛,高凯珺,赵海涛. 激光与光电子学进展. 2017(08)
[9]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)
[10]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)
硕士论文
[1]基于深度学习的肿瘤细胞图像识别[D]. 张永焕.华东交通大学 2017
[2]基于视频的烟雾检测算法研究[D]. 相徐斌.浙江大学 2017
[3]基于人工神经网络的手写字母识别研究[D]. 阙为涛.天津大学 2016
[4]基于视频的火灾烟雾检测算法研究[D]. 王娜娜.西安科技大学 2012
[5]基于视频的火灾检测方法研究及实现[D]. 葛勇.湖南大学 2009
[6]基于视频图像的火灾火焰跟踪研究[D]. 薛媛.西安电子科技大学 2009
本文编号：2952445
本文链接：https://www.wllwen.com/kejilunwen/anquangongcheng/2952445.html
