基于定位置信度和区域全卷积网络的火焰检测方法

发布时间：2021-12-19 03:54

　　针对火焰检测定位精度与检测精度不高的问题,提出了基于定位置信度和区域全卷积网络的火焰检测方法。首先使用扩大的可分离卷积提高感受野,减少模型参数量,提高检测速度;其次对预测候选框进行平移和伸缩操作,以提高候选区域的完整性;然后对非极大值抑制方法采用分类置信度作为排序标准,而导致的错误抑制问题,引入定位置信度,以提高候选框的定位精度及检测精度;最后加入新的标签,分别代表特征不明显的弱火焰与特征明显的强火焰,对弱火焰样本加强学习,使得弱火焰能与亮色背景更好区分,从而降低样本漏检率。实验结果表明,本文方法在Bilkent大学公开火焰数据集以及互联网搜集的测试数据上,检测的火焰区域更完整,火焰位置更精确,火焰检测率更高。 

【文章来源】：激光与光电子学进展. 2020,57(20)北大核心CSCD

【文章页数】：10 页

【部分图文】：

IOU预测

本文对R-FCN中的三个网络部分，残差网络、区域建议网络和敏感位置卷积池化网络进行改进，并引入定位置信度，提出基于定位置信度和区域全卷积网络（LOF-FCN）的火焰检测方法，检测流程如图10所示。对应火焰检测方法的算法描述如下。

通过对比，添加L-Fire标签后，火焰漏检率明显下降，表明本文根据火焰特征分类建立新的FireData训练集可以有效减少漏检率；而不添加弱火焰标签，深度学习网络会把这类占比较小的火焰当作负样本，从而出现较大漏检率。在新的FireData训练集上采用LOF-FCN方法训练模型，漏检率进一步下降，表明本文提出的方法可以有效提高火焰检测精度。5.2 算法性能对比

【参考文献】：
期刊论文
[1]基于改进Faster R-CNN的小尺度行人检测[J]. 陈泽,叶学义,钱丁炜,魏阳洋.  计算机工程. 2020(09)
[2]基于YOLOv2的视频火焰检测方法[J]. 杜晨锡,严云洋,刘以安,高尚兵.  计算机科学. 2019(06)
[3]基于优化可形变区域全卷积神经网络的人头检测方法[J]. 吉训生,王昊.  激光与光电子学进展. 2019(14)
[4]结合Faster R-CNN的多类型火焰检测[J]. 回天,哈力旦·阿布都热依木,杜晗.  中国图象图形学报. 2019(01)
[5]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)



本文编号：3543720