一种基于改进SSD的烟雾实时检测模型

发布时间：2021-08-29 19:26

　　在SSD（single shot multibox detector）模型基础上,提出一种采用多特征融合及递进池化技术的烟雾实时检测模型,用于对烟雾的实时检测,最终实现了火灾的前期预警.首先,采用MobileNet作为基础网络,实现对烟雾图像特征的逐层提取;然后利用递进池化技术实现对特征模型的压缩,通过反卷积操作实现关键特征的向前融合,避免关键特征的损失;最后经过1×1的卷积后对烟雾图像中不同类型的特征进行融合,借助SSD模型合并不同尺度特征的检测框,使模型目标框预测器统一,增强对模型正负样本的判断能力,实现对目标的类别和位置做出准确判断.实验结果表明,所改进的模型不仅能够对常规环境中的烟雾准确检测,而且对不同光照和尺度的烟雾图像检测也取得了较好的效果. 

【文章来源】：信阳师范学院学报(自然科学版). 2020,33(02)北大核心

【文章页数】：7 页

【部分图文】：

基于SSD模型的火焰检测模型

对不同尺度的递进池化特征只需使用一个预测器便可相对准确地实现对输入图像的目标检测和分类；根据池化计算的特性，使用预训练的MobileNet V2模型[16]代替VGG，帮助模型对输入图像进行特征提取，一定程度上减少了模型大小和计算量，增强了模型处理数据的实时性，避免因不同尺度的预测器根据局部数据和真值训练导致的参数过度校正，同时对预测标准实现有效统一，有效地避免目标的误检和重复检测，SSD模型改进后的结构如图3所示．图3 本文改进后的火焰检测模型

图2 本文使用的递进池化方法SSD模型改进后的结构如图3所示．输入图像经过预处理将分辨率调整为300×300后，送入经过大规模数据集预训练的MobileNet模型，经过MobileNet连续三次3×3和1×1的卷积计算得到38×38×256的特征图．不同于传统SSD模型使用卷积操作降低特征尺度，本文使用2×2的平均池化递进地得到尺度为19×19、10×10、5×5、3×3、1×1的特征，在递进池化的同时，对每次得到的特征图进行卷积核大小为3×3，步长和padding都为1的反卷积操作，使特征图尺度变成平均池化操作后的两倍，并且将其和池化前相同尺度的特征图融合送入1×1的卷积核中．最后，通过递进池化计算得到的不同尺度特征共同送入烟雾检测器中，得到检测的烟雾位．

【参考文献】：
期刊论文
[1]视频烟雾检测研究进展[J]. 史劲亭,袁非牛,夏雪.  中国图象图形学报. 2018(03)
[2]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)



本文编号：3371241