基于深度学习的烟火检测算法研究与实现
发布时间：2021-11-21 11:51
火灾是容易发生且具有严重破坏性的灾害,对人类的财产和生命安全都造成重大的威胁。及时准确地发现着火点并实现烟火预警,对维护正常的生产生活秩序具有重要意义。传统的烟火检测算法存在着设计复杂,计算速度慢,容易产生误检和漏检的问题。近年来,深度学习的方法被应用到计算机视觉领域中,并取得了显著的效果。为提高视频图像中烟火目标检测效果,将深度学习的技术应用于烟火目标检测问题并展开研究,具体研究内容如下:首先,对基于SSD的烟火检测算法展开研究。SSD算法模型采用多尺度特征预测的思想,能够对多种尺寸目标进行检测。将SSD算法模型应用于烟火检测任务中,构建基于真实场景的烟火数据集,并使用颜色空间模型转换结合直方图均衡算法对数据集中的图像进行照度归一化处理,实现烟火数据特征标准化,提高模型训练效率。经过实验测试发现,SSD算法对烟火目标具有较好的检测效果,但也存在一些不足。随后,针对SSD算法中的对于小尺寸烟火目标检测效果差,容易产生误检漏检的问题,提出了一种基于改进型SSD的烟火检测算法。利用DenseNet网络作为SSD的基础网络,提高其对小目标的检测能力。其次,为了改进SSD中的正负样本不平衡的问...
【文章来源】：中国民航大学天津市
【文章页数】：69 页
【学位级别】：硕士
【部分图文】：
火焰场景示例图片
中国民航大学硕士学位论文15计分布函数值。HSV通道图像转换为RGB通道图像如公式(2.5)-(2.10)所示：mod660ihh=(2.5)60ihf=h(2.6)p=v(1s)(2.7)q=v(1fs)(2.8)t=v(1(1f)s)(2.9)(,,),0(,,),1(,,),2(,,)(,,),3(,,),4(,,),5iiiiiivtpifhqvpifhpvtifhrgbpqvifhtpvifhvpqifh=======(2.10)图2-3和图2-4为火焰场景和烟雾场景图像进行颜色空间模型转换和照度直方图均衡后的示例图片：（a）原RGB图像（b）HSV图像（c）照度归一化的RGB图像图2-3火焰场景示例图片（a）原RGB图像（b）HSV图像（c）照度归一化的RGB图像图2-4烟雾场景示例图片2.5烟火数据集深度学习技术需要海量的数据进行算法模型的训练。人脸检测、车牌检测等其他相对成熟的检测对象，在各个研究机构长期的研究试验过程中建立并公开了
中国民航大学硕士学位论文17共1535张图片，包含738个烟雾目标和819个火焰目标。图2-6对本文构建的数据集中的部分图像进行展示。用于训练和测试的数据集样本规模如表2.1所示。图2-6自建数据集示例图片表2.1自建数据集样本规模类别图片数目火焰样本个数烟雾样本个数训练集777753975366验证集194413671359测试集1535819738总体11256758374632.6烟火目标检测评价指标本文烟火目标检测使用的评价指标是平均精度均值（MeanAveragePrecision,mAP），下面对相关概念进行介绍。首先通过IoU(IntersectionoverUnion)对预测结果进行判断。IoU是由PaulJaccard等人提出评价预测框正确性的度量指标，用于计算预测框与真实框的交集与并集的比值，如计算公式(2.11)所示：area()IoU=area()PgtPgtBBBB(2.11)通过IoU对预测框进行判定：TP(TruePositive)：预测框与真实正样本的IoU大于阈值，判定预测结果为TP。FP(FalsePositive):预测框与真实正样本的IoU小
【参考文献】：
期刊论文
[1]去除鬼影及阴影的视觉背景提取运动目标检测算法[J]. 方岚,于凤芹. 激光与光电子学进展. 2019(13)
[2]基于卡尔曼滤波的多目标跟踪方法[J]. 赵广辉,卓松,徐晓龙. 计算机科学. 2018(08)
[3]背景差分与帧间差分相融合的遥感卫星视频运动车辆检测方法[J]. 袁益琴,何国金,王桂周,江威,康金忠. 中国科学院大学学报. 2018(01)
[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]基于多特征融合的视频火焰检测方法研究[J]. 曾思通,吴海彬,沈培辉. 图学学报. 2017(04)
[6]维度加权模式动态纹理特征的火焰检测[J]. 严云洋,陈垂雄,刘以安,高尚兵. 智能系统学报. 2017(04)
[7]基于改进的单高斯背景模型运动目标检测算法[J]. 陈银,任侃,顾国华,钱惟贤,徐福元. 中国激光. 2014(11)
[8]基于视频的火焰检测方法[J]. 陈磊,黄继风. 计算机工程与设计. 2014(09)
[9]基于HSV颜色空间和Vibe算法的运动目标检测[J]. 张磊,傅志中,周岳平. 计算机工程与应用. 2014(04)
[10]火焰特性识别的Matlab实现方法[J]. 熊国良,苏兆熙,刘举平,谢正侠. 计算机工程与科学. 2013(07)
硕士论文
[1]基于视频的烟雾检测算法研究[D]. 相徐斌.浙江大学 2017
本文编号：3509462
【文章来源】：中国民航大学天津市
【文章页数】：69 页
【学位级别】：硕士
【部分图文】：
火焰场景示例图片
中国民航大学硕士学位论文15计分布函数值。HSV通道图像转换为RGB通道图像如公式(2.5)-(2.10)所示：mod660ihh=(2.5)60ihf=h(2.6)p=v(1s)(2.7)q=v(1fs)(2.8)t=v(1(1f)s)(2.9)(,,),0(,,),1(,,),2(,,)(,,),3(,,),4(,,),5iiiiiivtpifhqvpifhpvtifhrgbpqvifhtpvifhvpqifh=======(2.10)图2-3和图2-4为火焰场景和烟雾场景图像进行颜色空间模型转换和照度直方图均衡后的示例图片：（a）原RGB图像（b）HSV图像（c）照度归一化的RGB图像图2-3火焰场景示例图片（a）原RGB图像（b）HSV图像（c）照度归一化的RGB图像图2-4烟雾场景示例图片2.5烟火数据集深度学习技术需要海量的数据进行算法模型的训练。人脸检测、车牌检测等其他相对成熟的检测对象，在各个研究机构长期的研究试验过程中建立并公开了
中国民航大学硕士学位论文17共1535张图片，包含738个烟雾目标和819个火焰目标。图2-6对本文构建的数据集中的部分图像进行展示。用于训练和测试的数据集样本规模如表2.1所示。图2-6自建数据集示例图片表2.1自建数据集样本规模类别图片数目火焰样本个数烟雾样本个数训练集777753975366验证集194413671359测试集1535819738总体11256758374632.6烟火目标检测评价指标本文烟火目标检测使用的评价指标是平均精度均值（MeanAveragePrecision,mAP），下面对相关概念进行介绍。首先通过IoU(IntersectionoverUnion)对预测结果进行判断。IoU是由PaulJaccard等人提出评价预测框正确性的度量指标，用于计算预测框与真实框的交集与并集的比值，如计算公式(2.11)所示：area()IoU=area()PgtPgtBBBB(2.11)通过IoU对预测框进行判定：TP(TruePositive)：预测框与真实正样本的IoU大于阈值，判定预测结果为TP。FP(FalsePositive):预测框与真实正样本的IoU小
【参考文献】：
期刊论文
[1]去除鬼影及阴影的视觉背景提取运动目标检测算法[J]. 方岚,于凤芹. 激光与光电子学进展. 2019(13)
[2]基于卡尔曼滤波的多目标跟踪方法[J]. 赵广辉,卓松,徐晓龙. 计算机科学. 2018(08)
[3]背景差分与帧间差分相融合的遥感卫星视频运动车辆检测方法[J]. 袁益琴,何国金,王桂周,江威,康金忠. 中国科学院大学学报. 2018(01)
[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]基于多特征融合的视频火焰检测方法研究[J]. 曾思通,吴海彬,沈培辉. 图学学报. 2017(04)
[6]维度加权模式动态纹理特征的火焰检测[J]. 严云洋,陈垂雄,刘以安,高尚兵. 智能系统学报. 2017(04)
[7]基于改进的单高斯背景模型运动目标检测算法[J]. 陈银,任侃,顾国华,钱惟贤,徐福元. 中国激光. 2014(11)
[8]基于视频的火焰检测方法[J]. 陈磊,黄继风. 计算机工程与设计. 2014(09)
[9]基于HSV颜色空间和Vibe算法的运动目标检测[J]. 张磊,傅志中,周岳平. 计算机工程与应用. 2014(04)
[10]火焰特性识别的Matlab实现方法[J]. 熊国良,苏兆熙,刘举平,谢正侠. 计算机工程与科学. 2013(07)
硕士论文
[1]基于视频的烟雾检测算法研究[D]. 相徐斌.浙江大学 2017
本文编号：3509462
本文链接：https://www.wllwen.com/shoufeilunwen/xixikjs/3509462.html
