CN109271906A - 一种基于深度卷积神经网络的烟雾检测方法及其装置 - Google Patents

一种基于深度卷积神经网络的烟雾检测方法及其装置 Download PDF

Info

Publication number
CN109271906A
CN109271906A CN201811018451.2A CN201811018451A CN109271906A CN 109271906 A CN109271906 A CN 109271906A CN 201811018451 A CN201811018451 A CN 201811018451A CN 109271906 A CN109271906 A CN 109271906A
Authority
CN
China
Prior art keywords
region
smog
image
feature
class
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201811018451.2A
Other languages
English (en)
Inventor
曾军英
王璠
秦传波
翟懿奎
甘俊英
冯武林
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuyi University
Original Assignee
Wuyi University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Wuyi University filed Critical Wuyi University
Priority to CN201811018451.2A priority Critical patent/CN109271906A/zh
Publication of CN109271906A publication Critical patent/CN109271906A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Probability & Statistics with Applications (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于深度卷积神经网络的烟雾检测方法及其装置。将目标图像输入至神经网络中的卷积层中计算得出特征图，将该特征图结合预先设定的区域建议在ROI池化层中计算出区域建议特征图，再通过柔性最大计算得出每个区域建议特征的分类概率向量，最终利用图像分类器进行分类，当检测到烟雾类包含区域建议特征时，将目标图像设置为烟雾图像并进行预警。本发明利用一张图像快速准确地判断出图像中的烟雾信息，提高了烟雾预警的效率和准确性。

Description

一种基于深度卷积神经网络的烟雾检测方法及其装置
技术领域
本发明涉及神经网络算法领域，特别是一种基于深度卷积神经网络的烟雾检测方法及其装置。
背景技术
目前，火灾作为一种灾害具有突发性强，波及范围广和处理难的问题。因此对火灾发生进行及时的预警非常重要，而在火灾检测领域中，由于火灾刚发生时火焰较小，但是烟雾非常明显，并且烟雾有非接触和大范围检测的特点，因此对烟雾进行检测能更快更有效发现火灾发生的地点和初步情况。传统技术中通常采用在预警地区设置烟雾传感器的方法进行烟雾检测，但是传感器的检测范围小，且布置范围大时面临高额成本的问题，随着科技的发展，采用数字图像处理技术进行烟雾检测能低成本大范围地进行检测。现有数字图像处理技术中，大多数针对烟雾的静态特征或动态特征进行检测，这种方法虽然在特定环境下的检测效果较好，但是在环境变化后由于周围特征的改变检测效果非常不理想。也有将神经网络技术结合遥感技术或视频检测的方法，前者虽然提高了检测的准确率，但是对硬件设备要求很高，而后者需要用到多张图像，效率较低且精度不高。
发明内容
为解决上述问题，本发明的目的在于提供一种基于深度卷积神经网络的烟雾检测方法，在Faster R-CNN目标检测框架下，通过目标图像进行卷积处理得出的特征图和预设的区域建议之间的结合，并用图像分类器完成区域建议特征的分类。通过检测烟雾类是否存在区域建议特征即可知道当前图像是否包含烟雾，检验过程快速准确。
本发明解决其问题所采用的技术方案是：一种基于深度卷积神经网络的烟雾检测方法，包括以下步骤：
将目标图像发送至卷积层中计算得出特征图；
读取预设的区域建议，将所述区域建议和所述特征图发送至ROI池化层计算出区域建议特征图，并将所述区域建议特征图发送至全连接层；
读取区域建议特征图中的每个区域建议特征，通过柔性最大计算得出每个区域建议特征的分类概率向量；
通过图像分类器结合分类概率向量将区域建议特征分类至对应的候选类中，所述候选类包括烟雾类和背景类；
检测到烟雾类不为空时，将所述目标图像设置为烟雾图像，并进行预警。
进一步，对所述目标图像进行卷积计算前，还包括将所述目标图像压缩成压缩图像。
进一步，所述压缩图像在卷积层中进行卷积计算得出初始特征图，将该初始特征图发送至特征提取网络中进行特征提取，将提取所得的图像与所述初始特征图相加，得出特征图。
进一步，所述卷积层包括13个卷积单元，13个激活函数层和4个池化层；所述卷积单元的卷积核为3，pad为1；所述池化层的卷积核为2，步长为2。
进一步，所述ROI池化层接收到区域建议后，将所述区域建议进行分割，并对分割所得的每一份区域建议进行最大池化处理。
进一步，所述通过柔性最大计算得出每个区域建议特征的分类概率向量的同时，还包括：对每个区域建议特征分类进行边框回归处理。
一种基于深度卷积神经网络的烟雾检测装置，包括以下装置：
特征图获取装置，用于将目标图像发送至卷积层中计算得出特征图；
区域建议特征图获取装置，用于读取预设的区域建议，将所述区域建议和所述特征图发送至ROI池化层计算出区域建议特征图，并将所述区域建议特征图发送至全连接层；
分类概率向量获取装置，用于读取区域建议特征图中的每个区域建议特征，通过柔性最大计算得出每个区域建议特征的分类概率向量；
区域建议特征分类装置，用于通过图像分类器结合分类概率向量将区域建议特征分类至对应的候选类中，所述候选类包括烟雾类和背景类；
预警装置，用于检测到烟雾类不为空时，将所述目标图像设置为烟雾图像，并进行预警。
进一步，还包括以下装置：
图像压缩装置，用于对所述目标图像进行卷积计算前，将所述目标图像压缩成压缩图像；
最大池化处理装置，用于所述ROI池化层接收到区域建议后，将所述区域建议进行分割，并对分割所得的每一份区域建议进行最大池化处理；
边框回归处理装置，用于通过柔性最大计算得出每个区域建议特征的分类概率向量的同时，对每个区域建议特征分类进行边框回归处理。
一种基于深度卷积神经网络的烟雾检测装置，包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；
其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述的一种基于深度卷积神经网络的烟雾检测方法。
一种非临时性计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行上述的一种基于深度卷积神经网络的烟雾检测方法。
本发明的有益效果是：本发明采用一种深度卷积神经网络的烟雾检测方法及其装置。通过对目标图像进行深度卷积计算得出特征图，利用ROI池化层将特征图和预设的区域建议结合得出区域建议特征图，计算出区域建议特征图中的每个区域建议特征的分类概率向量，以此作为依据进行分类，当检测到烟雾类中包括区域建议特征时，认定图像中包含烟雾，进而完成预警。对比起采用设置传感器进行检测得到技术方案，本发明具有成本低，检测范围大的优势。对比起现有技术采用数字图像处理技术对静态特征或动态特征进行检测的方案，本发明只需要对一张图像进行检测，并且检测的精度和速度大大优于现有技术的方案，能够快速准确地检测出图像中是否包含烟雾。
附图说明
下面结合附图和实例对本发明作进一步说明。
图1是本发明一种基于深度卷积神经网络的烟雾检测方法的方法流程图；
图2是本发明一种基于深度卷积神经网络的烟雾检测方法中进行特征提取的流程示意图；
图3是本发明一种基于深度卷积神经网络的烟雾检测方法中全连接层的计算示意图；
图4是本发明一种基于深度卷积神经网络的烟雾检测方法的整体流程示意图。
具体实施方式
参照图1，本发明的一种基于深度卷积神经网络的烟雾检测方法，包括以下步骤：
步骤A、将目标图像发送至卷积层中计算得出特征图；
步骤B、读取预设的区域建议，将所述区域建议和所述特征图发送至ROI池化层计算出区域建议特征图，并将所述区域建议特征图发送至全连接层；
步骤C、读取区域建议特征图中的每个区域建议特征，通过柔性最大计算得出每个区域建议特征的分类概率向量；
步骤D、通过图像分类器结合分类概率向量将区域建议特征分类至对应的候选类中，所述候选类包括烟雾类和背景类；
步骤E、检测到烟雾类不为空时，将所述目标图像设置为烟雾图像，并进行预警。
优选地，由于对火灾烟雾的检测具有快速准确的要求，因此本实施例所用的目标检测框架为Faster R-CNN，相比起同类型的R-CNN和Fast R-CNN具有检测速度更快、精度更高的优势。
其中，所述区域建议在使用前预设所得，本实施例中的区域建议预设为图像中的纹理、边缘和颜色，采用这些条件能有效从图像中将烟雾和其余背景区分开，从而准确识别出目标图像中的烟雾。
优选地，本实施例中全连接层中的计算公式为：
；其中，公式中的W和B为预先训练好的参数，即大小是固定的，X1-X3为本实施例中采的区域建议为纹理、边缘和颜色三个参数，Y1和Y2为该区域建议特征对应烟雾类和背景类的概率向量，所述Y1中包括X1-X3属于该类的概率向量。得出Y1和Y2的值后，取值较大的一个将本区域建议特征分类至对应的候选类中。例如Y1对应的是烟雾类，当Y1的值大于Y2时，将该区域建议特征分类至烟雾类中。
进一步，对所述目标图像进行卷积计算前，还包括将所述目标图像压缩成压缩图像。
其中，压缩后并不会对图像的特征产生任何影响，能提高处理的效率。
参考图2，进一步，所述压缩图像在卷积层中进行卷积计算得出初始特征图，将该初始特征图发送至特征提取网络中进行特征提取，将提取所得的图像与所述初始特征图相加，得出特征图。
其中，本实施例中采用Resnet V2作为特征提取网络，提取的流程如图2所示，卷积所得的初始特征图依次经过BN层、激活函数层、权值共享，得到的结果重复再按照上述顺序执行经过，最终得出的结果与初始特征图在特征图生成器中相加，得到最终的特征图。
其中，所述BN层为Batch Normalization层，即标准化处理层，能有效消除目标图像通过卷积层计算后与原来对应的输入信号分布不同，避免了目标图像经过多层神经网络计算后累积所造成的分布不同，从而导致后期所得的特征图中特征的参考价值低。
其中，激活函数层为Relu层，由于深层网络会经过大量的运算，每一层的输出都是上层输入的线性函数，即很容易会使各种参数之间产生相互依存的关系，而激活函数会使一部分神经元的输出为0，造成网络的稀疏性，减少参数之间互相依存的关系。
其中，采用权值共享的方式能对前期产生的数据进行过滤处理，进一步提升提取的特征的准确性。
其中，除了Resnet V2特征提取网络外，还包括Inception V2和MobileNet两个效果相近似的特征提取网络，在本实施例所公开了步骤A-E的前提下，本领域技术人员应当熟知将Inception V2或MobileNet任意一个效果相近似的特征提取网络替换本实施例中Resnet V2后，再利用本领域公知常识进行相应修改，可得到与本实施例相同的技术效果。
进一步，所述卷积层包括13个卷积单元，13个激活函数层和4个池化层；所述卷积单元的卷积核为3，pad为1；所述池化层的卷积核为2，步长为2。
其中，卷积单元的卷积核为3，pad为1能保证卷积层不改变输入和输出矩阵大小，本实施例中包括13个卷积单元，实现了压缩图像的深度卷积，所提取出的初始特征更为准确。
其中，池化层的卷积核为2、步长为2能使输出长宽变为输入的1/2，实现缩放效果，由于本实施例中池化层有4个，因此经过卷积层的计算后，压缩图像的大小变为原来的1/16，提高了后续处理的效率。
进一步，所述ROI池化层接收到区域建议后，将所述区域建议进行分割，并对分割所得的每一份区域建议进行最大池化处理。
其中，每个区域建议在ROI池化层中从水平方向和竖直方向各分为等分的7份，对分割后的部分进行最大池化处理能够有效地抑制噪声区域，从而与特征图进行结合后能够得到更加精准的区域建议特征。
进一步，所述通过柔性最大计算得出每个区域建议特征的分类概率向量的同时，还包括对每个区域建议特征分类进行边框回归处理。
优选地，对区域建议特征在计算出概率向量的同时，对得到的区域建议特征对应的图像进行边框回归处理，能更准确地得出该区域建议特征所包含的特征信息量。
其中，参考图4，以下对本发明整体处理流程以举例形式说明：
步骤101，读取目标图像；
步骤102，将目标图像压缩成压缩图像；
步骤103，将压缩图像发送至卷积层中；
步骤104，在卷积层中对压缩图像进行13次卷积单元处理、13次激活函数层处理、4次池化层处理，得到初始特征图；
步骤105，将所述初始特征图发送至特征提取网络中进行特征提取，得到特征图；
步骤106，读取预设的区域建议，结合特征图在ROI池化层中筛选出特征图中满足区域建议的特征，得出区域建议特征图，发送至全连接层中；
步骤107，对所述区域建议特征图中的每个区域建议特征进行最大柔性计算，得出每个区域建议特征的分类概率向量；
步骤108，对每个区域建议特征进行边框回归，获得位置偏移量；
步骤109，在图像分类器中结合分类概率向量和位置偏移量进行分类；
步骤110，检测到烟雾分类中包含有区域建议特征时，将目标图像设置为烟雾图像，并进行预警。
一种基于深度卷积神经网络的烟雾检测装置，包括以下装置：
特征图获取装置，用于将目标图像发送至卷积层中计算得出特征图；
区域建议特征图获取装置，用于读取预设的区域建议，将所述区域建议和所述特征图发送至ROI池化层计算出区域建议特征图，并将所述区域建议特征图发送至全连接层；
分类概率向量获取装置，用于读取区域建议特征图中的每个区域建议特征，通过柔性最大计算得出每个区域建议特征的分类概率向量；
区域建议特征分类装置，用于通过图像分类器结合分类概率向量将区域建议特征分类至对应的候选类中，所述候选类包括烟雾类和背景类；
预警装置，用于检测到烟雾类不为空时，将所述目标图像设置为烟雾图像，并进行预警。
进一步，还包括以下装置：
图像压缩装置，用于对所述目标图像进行卷积计算前，将所述目标图像压缩成压缩图像；
最大池化处理装置，用于所述ROI池化层接收到区域建议后，将所述区域建议进行分割，并对分割所得的每一份区域建议进行最大池化处理；
边框回归处理装置，用于通过柔性最大计算得出每个区域建议特征的分类概率向量的同时，对每个区域建议特征分类进行边框回归处理。
一种基于深度卷积神经网络的烟雾检测装置，包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；
其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述的一种基于深度卷积神经网络的烟雾检测方法。
一种非临时性计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行上述的一种基于深度卷积神经网络的烟雾检测方法。
通过以上的实施方式的描述，本领域普通技术人员可以清楚地了解到各实施方式可借助软件加通用硬件平台的方式来实现，当然也可以通过硬件。本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(Random Access Memory,RAM)等。
以上所述，只是本发明的较佳实施例而已，本发明并不局限于上述实施方式，只要其以相同的手段达到本发明的技术效果，都应属于本发明的保护范围。

Claims (10)

1.一种基于深度卷积神经网络的烟雾检测方法，其特征在于，包括以下步骤：
将目标图像发送至卷积层中计算得出特征图；
读取预设的区域建议，将所述区域建议和所述特征图发送至ROI池化层计算出区域建议特征图，并将所述区域建议特征图发送至全连接层；
读取区域建议特征图中的每个区域建议特征，通过柔性最大计算得出每个区域建议特征的分类概率向量；
通过图像分类器结合分类概率向量将区域建议特征分类至对应的候选类中，所述候选类包括烟雾类和背景类；
检测到烟雾类不为空时，将所述目标图像设置为烟雾图像，并进行预警。
2.根据权利要求1所述的一种基于深度卷积神经网络的烟雾检测方法，其特征在于：对所述目标图像进行卷积计算前，还包括将所述目标图像压缩成压缩图像。
3.根据权利要求2所述的一种基于深度卷积神经网络的烟雾检测方法，其特征在于：所述压缩图像在卷积层中进行卷积计算得出初始特征图，将该初始特征图发送至特征提取网络中进行特征提取，将提取所得的图像与所述初始特征图相加，得出特征图。
4.根据权利要求3所述的一种基于深度卷积神经网络的烟雾检测方法，其特征在于：所述卷积层包括13个卷积单元，13个激活函数层和4个池化层；所述卷积单元的卷积核为3，pad为1；所述池化层的卷积核为2，步长为2。
5.根据权利要求1所述的一种基于深度卷积神经网络的烟雾检测方法，其特征在于：所述ROI池化层接收到区域建议后，将所述区域建议进行分割，并对分割所得的每一份区域建议进行最大池化处理。
6.根据权利要求1所述的一种基于深度卷积神经网络的烟雾检测方法，其特征在于，所述通过柔性最大计算得出每个区域建议特征的分类概率向量的同时还包括：对每个区域建议特征分类进行边框回归处理。
7.一种基于深度卷积神经网络的烟雾检测装置，其特征在于，包括以下装置：
特征图获取装置，用于将目标图像发送至卷积层中计算得出特征图；
区域建议特征图获取装置，用于读取预设的区域建议，将所述区域建议和所述特征图发送至ROI池化层计算出区域建议特征图，并将所述区域建议特征图发送至全连接层；
分类概率向量获取装置，用于读取区域建议特征图中的每个区域建议特征，通过柔性最大计算得出每个区域建议特征的分类概率向量；
区域建议特征分类装置，用于通过图像分类器结合分类概率向量将区域建议特征分类至对应的候选类中，所述候选类包括烟雾类和背景类；
预警装置，用于检测到烟雾类不为空时，将所述目标图像设置为烟雾图像，并进行预警。
8.根据权利要求7所述的一种基于深度卷积神经网络的烟雾检测装置，其特征在于，还包括以下装置：
图像压缩装置，用于对所述目标图像进行卷积计算前，将所述目标图像压缩成压缩图像；
最大池化处理装置，用于所述ROI池化层接收到区域建议后，将所述区域建议进行分割，并对分割所得的每一份区域建议进行最大池化处理；
边框回归处理装置，用于通过柔性最大计算得出每个区域建议特征的分类概率向量的同时，对每个区域建议特征分类进行边框回归处理。
9.一种基于深度卷积神经网络的烟雾检测装置，其特征在于，包括：至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；
其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1-6任一项所述的方法。
10.一种非临时性计算机可读存储介质，其特征在于：所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如权利要求1-6任一项所述的方法。
CN201811018451.2A 2018-09-03 2018-09-03 一种基于深度卷积神经网络的烟雾检测方法及其装置 Pending CN109271906A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811018451.2A CN109271906A (zh) 2018-09-03 2018-09-03 一种基于深度卷积神经网络的烟雾检测方法及其装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811018451.2A CN109271906A (zh) 2018-09-03 2018-09-03 一种基于深度卷积神经网络的烟雾检测方法及其装置

Publications (1)

Publication Number Publication Date
CN109271906A true CN109271906A (zh) 2019-01-25

Family

ID=65187771

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811018451.2A Pending CN109271906A (zh) 2018-09-03 2018-09-03 一种基于深度卷积神经网络的烟雾检测方法及其装置

Country Status (1)

Country Link
CN (1) CN109271906A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109961042A (zh) * 2019-03-22 2019-07-02 中国人民解放军国防科技大学 结合深度卷积神经网络和视觉变化图的烟雾检测方法
CN109977790A (zh) * 2019-03-04 2019-07-05 浙江工业大学 一种基于迁移学习的视频烟雾检测与识别方法
CN110059723A (zh) * 2019-03-19 2019-07-26 北京工业大学 一种基于集成深度卷积神经网络的鲁棒烟雾检测方法
CN110956611A (zh) * 2019-11-01 2020-04-03 武汉纺织大学 一种集成卷积神经网络的烟雾检测方法
CN110991244A (zh) * 2019-11-01 2020-04-10 武汉纺织大学 一种基于深度学习与纹理特征的实时烟雾检测方法
CN114858802A (zh) * 2022-07-05 2022-08-05 天津大学 一种织物多尺度图像采集方法与装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107025443A (zh) * 2017-04-06 2017-08-08 江南大学 基于深度卷积神经网络的堆场烟雾监测及在线模型更新方法
CN107273828A (zh) * 2017-05-29 2017-10-20 浙江师范大学 一种基于区域的全卷积神经网络的路牌检测方法
CN107749067A (zh) * 2017-09-13 2018-03-02 华侨大学 基于运动特性和卷积神经网络的火灾烟雾检测方法
CN108334902A (zh) * 2018-02-02 2018-07-27 北京华纵科技有限公司 一种基于深度学习的轨道列车设备间烟雾防火监测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107025443A (zh) * 2017-04-06 2017-08-08 江南大学 基于深度卷积神经网络的堆场烟雾监测及在线模型更新方法
CN107273828A (zh) * 2017-05-29 2017-10-20 浙江师范大学 一种基于区域的全卷积神经网络的路牌检测方法
CN107749067A (zh) * 2017-09-13 2018-03-02 华侨大学 基于运动特性和卷积神经网络的火灾烟雾检测方法
CN108334902A (zh) * 2018-02-02 2018-07-27 北京华纵科技有限公司 一种基于深度学习的轨道列车设备间烟雾防火监测方法

Non-Patent Citations (10)

* Cited by examiner, † Cited by third party
Title
FEDERICO BALDASSARRE等: "Deep Koalarization: Image Colorization using CNNs and Inception-Resnet-v2", 《ARXIV:1712.03400V1 [CS.CV]》 *
GOODSHOT: "对于全连接层的理解 全连接层的推导", 《CSDN》 *
JUNYING ZENG等: "AN IMPROVED OBJECT DETECTION METHOD BASED ON DEEP CONVOLUTION NEURAL NETWORK FOR SMOKE DETECTION", 《PROCEEDINGS OF THE 2018 INTERNATIONAL CONFERENCE ON MACHINE LEARNING AND CYBERNETICS》 *
KAIMING HE等: "Identity Mappings in Deep Residual Networks", 《RXIV:1603.05027V3 [CS.CV] 》 *
KANEI_RI: "深度学习笔记 6：全连接层的实现", 《CSDN》 *
QIXING ZHANG等: "Wildland Forest Fire Smoke Detection Based on Faster R-CNN using Synthetic Smoke Images", 《2017 8TH INTERNATIONAL CONFERENCE ON FIRE SCIENCE AND FIRE PROTECTION ENGINEERING》 *
SHAOQING REN等: "Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks", 《ARXIV:1506.01497V3 [CS.CV]》 *
林作永等: "基于深度卷积神经网络的火灾预警算法研究", 《信息通信》 *
百度: "全连接层", 《百度百科》 *
陈慧岩等: "《智能车辆理论与应用》", 31 July 2018 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109977790A (zh) * 2019-03-04 2019-07-05 浙江工业大学 一种基于迁移学习的视频烟雾检测与识别方法
CN110059723A (zh) * 2019-03-19 2019-07-26 北京工业大学 一种基于集成深度卷积神经网络的鲁棒烟雾检测方法
CN110059723B (zh) * 2019-03-19 2021-01-05 北京工业大学 一种基于集成深度卷积神经网络的鲁棒烟雾检测方法
CN109961042A (zh) * 2019-03-22 2019-07-02 中国人民解放军国防科技大学 结合深度卷积神经网络和视觉变化图的烟雾检测方法
CN109961042B (zh) * 2019-03-22 2021-07-27 中国人民解放军国防科技大学 结合深度卷积神经网络和视觉变化图的烟雾检测方法
CN110956611A (zh) * 2019-11-01 2020-04-03 武汉纺织大学 一种集成卷积神经网络的烟雾检测方法
CN110991244A (zh) * 2019-11-01 2020-04-10 武汉纺织大学 一种基于深度学习与纹理特征的实时烟雾检测方法
CN114858802A (zh) * 2022-07-05 2022-08-05 天津大学 一种织物多尺度图像采集方法与装置

Similar Documents

Publication Publication Date Title
CN109271906A (zh) 一种基于深度卷积神经网络的烟雾检测方法及其装置
CN106874894B (zh) 一种基于区域全卷积神经网络的人体目标检测方法
CN111723654B (zh) 基于背景建模、YOLOv3与自优化的高空抛物检测方法及装置
CN109948497B (zh) 一种物体检测方法、装置及电子设备
EP3410351B1 (en) Learning program, learning method, and object detection device
US9317784B2 (en) Image processing apparatus, image processing method, and program
CN106355188A (zh) 图像检测方法及装置
CN107657244B (zh) 一种基于多摄像机的人体跌倒行为检测***及其检测方法
Qu et al. A pedestrian detection method based on yolov3 model and image enhanced by retinex
CN111160125A (zh) 基于铁路监控的铁路异物入侵检测方法
CN111160249A (zh) 基于跨尺度特征融合的光学遥感图像多类目标检测方法
CN109934216B (zh) 图像处理的方法、装置、计算机可读存储介质
CN111814755A (zh) 面向夜间运动场景的多帧图像行人检测方法和装置
CN108280421B (zh) 基于多特征深度运动图的人体行为识别方法
CN109543760A (zh) 基于图像滤镜算法的对抗样本检测方法
CN105426903A (zh) 一种遥感卫星图像的云判方法及***
CN107066959B (zh) 一种基于导向滤波和线性空间相关性信息的高光谱图像分类方法
CN108052865A (zh) 一种基于卷积神经网络和支持向量机的火焰检测方法
CN103593672A (zh) Adaboost分类器在线学习方法及***
KR102540208B1 (ko) 딥러닝을 이용한 화재감지방법
CN110781733A (zh) 图像去重方法、存储介质、网络设备和智能监控***
CN109376580A (zh) 一种基于深度学习的电力塔架部件识别方法
CN108734200A (zh) 基于bing特征的人体目标视觉检测方法和装置
CN107527001B (zh) 一种基于导向滤波和线性空间相关性信息的高光谱图像分类方法
CN116452966A (zh) 一种水下图像的目标检测方法、装置、设备及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20190125