基于迁移学习的火灾实时检测

发布时间：2021-04-14 15:53

　　在深度学习中,多数基于视频图像处理的火灾检测技术在提取特征时存在着精度低、无法实时检测的缺点。因此,提出了一种基于YOLOv3迁移学习的目标检测方法。首先,在进行特征提取的卷积层加入了残差网络中的快捷链路避免梯度消失。其次,采用了多尺度的先验框检测目标物体。最后,使用了Sigmoid与交叉熵函数相结合的损失函数来进行多目标预测。实验结果表明,该算法的平均精度的均值为0.75,并且可以实时检测。 

【文章来源】：江苏海洋大学学报(自然科学版). 2020,29(03)

【文章页数】：5 页

【部分图文】：

基于CNNs的图像火灾检测算法流程图

图2展示了Inception Resnet v2的第1、第3和第6卷积层中卷积核的样本，这表明网络在以后的层中提取更复杂的特征。这里需要一个深度网络来提取复杂的图像特征。本文选取Inception Resnet v2[14]和Darknet-53[15]作为具有235和53个卷积层的特征提取网络。选择具有良好检测精度和检测速度的图像目标检测网络（YOLOv3）来开发图像火灾检测算法。该算法的结构如图3所示。

选择具有良好检测精度和检测速度的图像目标检测网络（YOLOv3）来开发图像火灾检测算法。该算法的结构如图3所示。早期特征图中的特征不够复杂，导致较小对象的检测性能较差。YOLOv3借鉴残差网络的思路，提高了检测对象的精度。单步策略在检测速度上性能较好。YOLOv3网络结构使用无最后3层的Darknet-53生成一个小尺度特征图，其在原始图像的基础上下采样32倍，例如：如果原始图像的大小为416×416，则特征图的大小为13×13，使小规模特征图用于检测大目标。YOLOv3通过对小规模特征图进行上采样并与前一层的特征图连接，生成大比例特征图。大规模特征图用来检测小物体，具有浅层神经网络的位置信息和深层网络的复杂特征信息。特征图的3个尺度分别是原始图像的8倍、16倍和32倍。


本文编号：3137593