CN109409256A - 一种基于3d卷积神经网络的森林烟火检测方法 - Google Patents
一种基于3d卷积神经网络的森林烟火检测方法 Download PDFInfo
- Publication number
- CN109409256A CN109409256A CN201811179875.7A CN201811179875A CN109409256A CN 109409256 A CN109409256 A CN 109409256A CN 201811179875 A CN201811179875 A CN 201811179875A CN 109409256 A CN109409256 A CN 109409256A
- Authority
- CN
- China
- Prior art keywords
- convolutional neural
- neural networks
- forest
- convolution
- detection method
- 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
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
- G06V20/42—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items of sport video content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/49—Segmenting video sequences, i.e. computational techniques such as parsing or cutting the sequence, low-level clustering or determining units such as shots or scenes
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种基于3D卷积神经网络的森林烟火检测方法,包括:建立初步的森林烟火图像样本数据集;设计基于3D卷积的神经网络结构,引入表示卷积与池化操作的时间深度参数;利用据集对3D卷积神经网络进行训练优化;对待处理视频以块为单位进行运动检测,判定疑似烟雾区域;利用疑似烟雾区域训练优化后的3D卷积神经网络模型执行前向计算,即得到该疑似烟区的分类结果。本发明基于3D卷积神经网络,通过3D卷积核在时间轴上滑动组合连续帧的空间特征,挖掘连续子图像的时空特征,在保证高检测率的同时,能够降低大量单帧图像造成的误报,从而大大提高了识别精度,拥有更好的鲁棒性与泛化能力。
Description
技术领域
本发明属于计算机视觉领域,涉及一种森林烟火视频监测方法,具体涉及一种基于3D卷积神经网络的森林烟火检测方法。
背景技术
森林火灾是指失去人为控制、在林区大范围蔓延,对森林生态***造成大量损失的林火行为。随着气候变暖,极端天气多发,全球都进入森林火灾的高发期,森林火灾风险加剧。2016年我国发生森林火灾2034次,比2015年增加30.72%。其中重大火灾1次,2016年比2015年增加83.33%。2016年火场总面积18161公顷,其中受害森林面积6224公顷。2016年我国扑火经费12017.39万元,比2015年增加150.71%。2017年1月至8月,全国共发生森林火灾2841起。其中,重大森林火灾4起、特大森林火灾3起,受害森林面积2.3万公顷,造成人员伤亡44人,与2016年同期相比有所增加。
森林是陆地生态***的主体,森林防火工作是中国防灾减灾工作的重要组成部分。随着高清视频技术和计算机视觉技术的发展,为森林消防的火灾检测开拓了新的思路与方法。传统的林火检测技术是采用分布在林区的传感器设备进行监测,一般部署、维护成本较高。近年来,计算机硬件和图像处理技术开始获得较大进步,林火视频监控***以其独特的优势在森林火灾检测中开始占据更加重要的位置。与护林员巡检、人工瞭望塔监视、火险要素监测站、卫星林火监测等技术方法相比,基于计算机视觉的林火监测技术有准确高效、报警时效性强、信息多样等重要优势。
近年来随着计算机性能的进步和GPU的迅速崛起,计算机视觉技术获得了长足发展,以深度神经网络为代表的图像处理方法在目标检测、动作识别、超分辨率等领域获得了巨大成功,基于计算机视觉的林火监测技术的识别能力正处于新的快速发展阶段。根据视频图像中烟雾和火焰等图像视觉特征进行林火检测,依靠数字图像处理、信号处理、模式识别和深度学习等技术对大面积森林实施林火监控,越来越受到科研人员的关注。但是现有的基于深度学习的方法大多无法学习到序列图像的运动信息,若直接使用通用的卷积神经网络方法,通常效果也不理想,这是因为森林防火视频监控中通常会引入许多干扰信息,例如飞鸟、树枝晃动、蚊虫、监控云台晃动等,会在一定程度上对算法的精确性产生干扰;监控中场景通常也比较复杂,阴影、路面上的车辆以及晃动树梢等都容易引起误检。传统的手工特征无法适应多种场景。而卷积神经网络虽然有强大的特征提取能力,但是针对一些薄雾、道路等还是容易出现烟雾误判,这是因为2D卷积神经网络只提取了图像的静态纹理特征,然而人眼识别烟雾的时候多数场景是依赖于烟雾的运动特征,尤其是目标较远时。若仅仅基于单幅图像往往会引入诸多偶然因素等,导致误报率上升。因此现有检测在实际应用中面临着误报率较高的问题,无法应对多种多样的复杂场景。
发明内容
为解决上述问题,本发明针对森林防火视频监控的应用场景,设计了基于3D卷积神经网络模型与运动检测的森林烟火检测方法,通过运动目标检测方法得到疑似烟雾区域,其次通过3D卷积神经网络提取疑似烟雾区域的时空特征,通过多帧图像序列进行联合判断。
为了达到上述目的,本发明提供如下技术方案:
一种基于3D卷积神经网络的森林烟火检测方法,包括如下步骤:
步骤1:采集森林烟火图像序列样本,建立初步的森林烟火图像样本数据集,数据集包括训练集与测试集;
步骤2:设计基于3D卷积的神经网络结构,3D网络中卷积核与池化核尺寸表示为d×k×k,其中参数d表示卷积与池化操作的时间深度;输入森林烟火图像序列样的尺寸为c×l×w×h,其中c为图像通道数,l为序列样本的帧数,w×h表示序列图像的尺寸,3D神经网络通过堆叠多个连续的帧组成一个立方体,然后在立方体中滑动3D卷积核,3D卷积后的输出是包含运动信息的立方体;
步骤3:加载森林烟火图像序列样本数据集,将序列随机生成mini-batch对3D卷积神经网络进行训练优化,根据测试精度挑选表现最优异的模型,保存权值文件;
步骤4:对待处理视频进行N×N分块,以块为单位进行运动检测,采用基于背景差分法的运动目标提取方法,若某个图像块中的运动目标面积超过设定的阈值,表明该块为变化较大的运动区域,则该块被判定为疑似烟雾区域;
步骤5:得到疑似烟雾区域后,通过步骤3训练得到的3D卷积神经网络模型执行前向计算,即得到该疑似烟区的分类结果。
优选的,所述步骤1中数据集默认序列长度10帧,序列样本尺寸为10×299×299。
进一步的,所述步骤1中样本采集时覆盖各种场景,各种场景包括不同地形地貌、不同距离、不同光照、不同摄像机拍摄角度。
具体的,所述步骤2中基于3D卷积的神经网络结构包括5个3D卷积层,4个3DMaxpooling层,2个全连接层,最后使用Softmax层作为真伪二分类器。
优选的,所述全连接层的网络节点丢弃率为0.5。
具体的,所述步骤3中采用Adam方法进行反向传播,对模型参数迭代优化,损失函数采用交叉熵损失函数L(p,q):
其中p是真实标签向量,q是网络预测的概率向量;pi是真实标签中的第i个元素,qi是神经网络实际输出概率中的第i个元素;对于本场景中的二分类问题,网络最终预测结果应该为0或1;神经网络最后一层的Softmax函数输出的概率分别对应预测为0或1的概率,定义预测结果为1的概率为同理,预测结果为0的概率真实标签对应1和0的概率值表示为py=1=y和py=0=1-y。
具体的,所述步骤4中基于背景差分法的运动目标提取方法采用网格区域划分视频运动目标,首先采用前几帧图像均值作为背景模型,利用背景差技术检测视频运动目标区域,阈值化后得到当前视频的前景区域,通过形态学操作对前景目标预处理后,抛弃面积较小的前景区域块,判定各个网格中前景区域块的面积若大于事先设定的阈值则将该区域块判定为疑似烟雾区域。
进一步的,所述步骤5中前向计算时通过综合静态纹理和动态特征得到该区域的判断结果。
与现有技术相比,本发明具有如下有益效果:
1.本发明基于网格区域划分的运动目标检测技术进行,过滤小于一定面积的前景目标,减少了运算量和大量误检。
2.本发明引入卷积神经网络进行特征提取,通过自建的大量森林烟火样本数据集,能大幅提高单帧图像的检测率,同时也保证了单帧静态图像静态特征的有效性。
3. 3D卷积神经网络模型,与常用的2D卷积网络相比,其更适合学习视频中的时空特征和运动信息。在本方法中,神经网络的卷积操作和池化操作均是3D操作,在时间和空间两个维度上进行。3D卷积神经网络能够从序列样本中学习得到可靠的时空特征表示。本发明基于3D卷积神经网络,通过3D卷积核在时间轴上滑动组合连续帧的空间特征,挖掘连续子图像的时空特征,在保证高检测率的同时,能够降低大量单帧图像造成的误报,从而大大提高了识别精度。
4.本发明能够在保持高检测率的同时,拥有较低的误报率,高效稳定,且易于扩展,与基于单帧的传统识别方法相比,拥有更好的鲁棒性与泛化能力。本方法在森林生态保护、森林烟火检测等方面有着重要的应用价值,对森林防火视频监控领域有重要意义。
附图说明
图1为本发明方法流程图。
图2为本发明中基于3D卷积的神经网络结构图。
具体实施方式
以下将结合具体实施例对本发明提供的技术方案进行详细说明,应理解下述具体实施方式仅用于说明本发明而不用于限制本发明的范围。
本发明将视频分析方法引入林火视频监控中,通过3D卷积神经网络学习森林烟火图像序列的动静态特征。训练所需的林火图像样本来自林火视频监控***,采用3D卷积神经网络搭建了针对多帧图像的特征提取与分类器。网络输入是特定长度的林火视频监控中疑似烟区的子图像序列,输出是图像序列的二分类结果。本方法中疑似烟区的图像序列可以采用基于烟雾运动的检测方法获得。
以下结合附图1进一步说明本发明提供的基于3D卷积神经网络的森林烟火检测方法,其包括以下步骤:
步骤1:基于森林烟火视频监控***,通过手工收集或者现有的林火视频监控***自动收集等方法,建立初步的森林烟火图像样本数据集。本方法采用3D卷积神经网络进行识别,因此样本不同于单帧烟雾图像样本,需要根据实际检测需要收集烟雾图像序列样本,本方法中采用序列长度10帧作为默认设置(实际应用中可以根据计算量适当降低依赖帧数)。具体的,序列样本采用10×299×299的尺寸大小。为了避免相邻帧的相似度过大,序列采样时可以适当隔帧降采样。同时为了方便后续模型训练与验证,整体数据集需要按照一定比例随机划分为训练集与测试集。同时,为保证训练样本有足够的代表性,样本采集时需要考虑不同地形地貌、不同距离、不同光照、摄像机拍摄角度等多种场景的覆盖。
步骤2:设计基于3D卷积的神经网络结构。3D神经网络是通过堆叠多个连续的帧组成一个立方体,然后在立方体中滑动3D卷积核,3D卷积后的输出仍然是包含运动信息的立方体。如图2所示,本方法中设计的神经网络结构包括5个3D卷积层,4个3D Maxpooling层,2个全连接层,最后使用Softmax层作为真伪二分类器。其次,为了保证网络模型拥有良好的适应性与判别能力,为了提高模型鲁棒性,本方法训练时全连接层的网络节点丢弃率为0.5。
对3D卷积神经网络而言,输入森林烟火图像序列样的尺寸为c×l×w×h。其中c为图像通道数,一般为BGR三通道;l为序列样本的帧数,本方法中为10;w×h表示序列图像的尺寸,本方法中为299×299(可根据需要调整为64×64,100×100等不同尺寸),若修改了图像输入尺寸,则需要适当减少神经网络结构层数,以避免出现过拟合。本方法中的3D卷积神经网络本质上是一个序列二分类网络,输出是真伪二分类。3D卷积神经网络中的卷积核与池化核尺寸表示为d×k×k,不同于2D卷积与池化操作中的k×k尺寸,3D卷积网络中多了参数d,其表示卷积与池化操作的时间深度。
步骤3:加载森林烟火图像序列样本数据集(本步骤中采用数据集中的训练集),将序列随机生成mini-batch(小批量样本)对3D卷积神经网络进行训练优化。本方法中采用Adam方法进行反向传播,对模型参数迭代优化,学习率与迭代次数等超参数可根据测试精度进行调优。根据测试精度挑选表现最优异的模型,保存权值文件,为后续算法模型的部署做准备。
具体的说,本步骤中采用Adam方法进行模型训练优化。用于评价优化效果的损失函数采用交叉熵损失函数L(p,q):
其中p是真实标签向量,q是网络预测的概率向量。pi是真实标签中的第i个元素,qi是神经网络实际输出概率中的第i个元素。对于本场景中的二分类问题,网络最终预测结果应该为0或1。神经网络最后一层的Softmax函数输出的概率分别对应预测为0或1的概率,定义预测结果为1的概率为同理,预测结果为0的概率真实标签对应1和0的概率值可以类似表示为py=1=y和py=0=1-y。
步骤4:对待处理视频进行N×N分块,以块为单位进行运动检测。本方法中采用基于背景差分法的运动目标提取方法。若某个图像块中的运动目标面积超过设定的阈值,表明该块为变化较大的运动区域,则该块被判定为疑似烟雾区域。
具体的,基于背景差分法的运动目标提取方法采用网格区域划分视频运动目标,首先采用前几帧图像均值作为背景模型,利用背景差技术检测视频运动目标区域,阈值化后得到当前视频的前景区域。通过形态学操作对前景目标预处理后,抛弃面积较小的前景区域块(噪声信号等)。通过判定各个网格中前景区域块的面积,若大于事先设定的阈值则将该区域块判定为疑似烟雾区域。
步骤5:获取该区域连续多帧序列图像后,通过步骤3训练得到的3D卷积神经网络模型执行前向计算,即可得到该疑似烟区的分类结果。本步骤中获取的是步骤4判定的连续疑似烟雾子图像序列,收集10帧疑似烟雾图像作为3D卷积神经网络的输入,前向计算时通过综合静态纹理和动态特征得到该区域的判断结果。
本发明方案所公开的技术手段不仅限于上述实施方式所公开的技术手段,还包括由以上技术特征任意组合所组成的技术方案。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。
Claims (8)
1.一种基于3D卷积神经网络的森林烟火检测方法,其特征在于,包括如下步骤:
步骤1:采集森林烟火图像序列样本,建立初步的森林烟火图像样本数据集,数据集包括训练集与测试集;
步骤2:设计基于3D卷积的神经网络结构,3D网络中卷积核与池化核尺寸表示为d×k×k,其中参数d表示卷积与池化操作的时间深度;输入森林烟火图像序列样的尺寸为c×l×w×h,其中c为图像通道数,l为序列样本的帧数,w×h表示序列图像的尺寸,3D神经网络通过堆叠多个连续的帧组成一个立方体,然后在立方体中滑动3D卷积核,3D卷积后的输出是包含运动信息的立方体;
步骤3:加载森林烟火图像序列样本数据集,将序列随机生成mini-batch对3D卷积神经网络进行训练优化,根据测试精度挑选表现最优异的模型,保存权值文件;
步骤4:对待处理视频进行N×N分块,以块为单位进行运动检测,采用基于背景差分法的运动目标提取方法,若某个图像块中的运动目标面积超过设定的阈值,表明该块为变化较大的运动区域,则该块被判定为疑似烟雾区域;
步骤5:得到疑似烟雾区域后,通过步骤3训练得到的3D卷积神经网络模型执行前向计算,即得到该疑似烟区的分类结果。
2.根据权利要求1所述的基于3D卷积神经网络的森林烟火检测方法,其特征在于,所述步骤1中数据集默认序列长度10帧,序列样本尺寸为10×299×299。
3.根据权利要求1所述的基于3D卷积神经网络的森林烟火检测方法,其特征在于,所述步骤1中样本采集时覆盖各种场景,各种场景包括不同地形地貌、不同距离、不同光照、不同摄像机拍摄角度。
4.根据权利要求1所述的基于3D卷积神经网络的森林烟火检测方法,其特征在于,所述步骤2中基于3D卷积的神经网络结构包括5个3D卷积层,4个3D Maxpooling层,2个全连接层,最后使用Softmax层作为真伪二分类器。
5.根据权利要求4所述的基于3D卷积神经网络的森林烟火检测方法,其特征在于,所述所述全连接层的网络节点丢弃率为0.5。
6.根据权利要求1所述的基于3D卷积神经网络的森林烟火检测方法,其特征在于,所述步骤3中采用Adam方法进行反向传播,对模型参数迭代优化,损失函数采用交叉熵损失函数L(p,q):
其中p是真实标签向量,q是网络预测的概率向量;pi是真实标签中的第i个元素,qi是神经网络实际输出概率中的第i个元素;对于本场景中的二分类问题,网络最终预测结果应该为0或1;神经网络最后一层的Softmax函数输出的概率分别对应预测为0或1的概率,定义预测结果为1的概率为同理,预测结果为0的概率真实标签对应1和0的概率值表示为py=1=y和py=0=1-y。
7.根据权利要求1所述的基于3D卷积神经网络的森林烟火检测方法,其特征在于,所述步骤4中基于背景差分法的运动目标提取方法采用网格区域划分视频运动目标,首先采用前几帧图像均值作为背景模型,利用背景差技术检测视频运动目标区域,阈值化后得到当前视频的前景区域,通过形态学操作对前景目标预处理后,抛弃面积较小的前景区域块,判定各个网格中前景区域块的面积若大于事先设定的阈值则将该区域块判定为疑似烟雾区域。
8.根据权利要求1所述的基于3D卷积神经网络的森林烟火检测方法,其特征在于,所述步骤5中前向计算时通过综合静态纹理和动态特征得到该区域的判断结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811179875.7A CN109409256A (zh) | 2018-10-10 | 2018-10-10 | 一种基于3d卷积神经网络的森林烟火检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811179875.7A CN109409256A (zh) | 2018-10-10 | 2018-10-10 | 一种基于3d卷积神经网络的森林烟火检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109409256A true CN109409256A (zh) | 2019-03-01 |
Family
ID=65467436
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811179875.7A Pending CN109409256A (zh) | 2018-10-10 | 2018-10-10 | 一种基于3d卷积神经网络的森林烟火检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109409256A (zh) |
Cited By (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109947990A (zh) * | 2019-03-29 | 2019-06-28 | 北京奇艺世纪科技有限公司 | 一种精彩片段检测方法及*** |
CN110059613A (zh) * | 2019-04-16 | 2019-07-26 | 东南大学 | 一种基于稀疏表示的视频图像烟火分离与检测方法 |
CN110070106A (zh) * | 2019-03-26 | 2019-07-30 | 罗克佳华科技集团股份有限公司 | 烟雾检测方法、装置及电子设备 |
CN110135269A (zh) * | 2019-04-18 | 2019-08-16 | 杭州电子科技大学 | 一种基于混合颜色模型与神经网络的火灾图像检测方法 |
CN110298377A (zh) * | 2019-05-21 | 2019-10-01 | 武汉坤达安信息安全技术有限公司 | 基于深层人工神经网络的数字图像中烟火检测方法 |
CN110335294A (zh) * | 2019-07-11 | 2019-10-15 | 中国矿业大学 | 基于帧差法与3d卷积神经网络的矿井水泵房漏水检测方法 |
CN110490043A (zh) * | 2019-06-10 | 2019-11-22 | 东南大学 | 一种基于区域划分和特征提取的森林烟火检测方法 |
CN110807405A (zh) * | 2019-10-29 | 2020-02-18 | 维沃移动通信有限公司 | 一种偷拍装置检测方法及电子设备 |
CN111079572A (zh) * | 2019-11-29 | 2020-04-28 | 南京恩博科技有限公司 | 一种基于视频理解的森林烟火检测方法、存储介质和设备 |
CN111476965A (zh) * | 2020-03-13 | 2020-07-31 | 深圳信息职业技术学院 | 火灾检测模型的构建方法、火灾检测方法及相关设备 |
CN111523528A (zh) * | 2020-07-03 | 2020-08-11 | 平安国际智慧城市科技股份有限公司 | 基于规模识别模型的策略发送方法、装置和计算机设备 |
CN111784964A (zh) * | 2020-07-03 | 2020-10-16 | 深圳爱克莱特科技股份有限公司 | 路灯、路灯***及路灯火灾报警方法 |
CN112766179A (zh) * | 2021-01-22 | 2021-05-07 | 郑州轻工业大学 | 一种基于运动特征混合深度网络的火灾烟雾检测方法 |
CN112800912A (zh) * | 2021-01-20 | 2021-05-14 | 江苏天幕无人机科技有限公司 | 基于动态特征基于标签的迁移特征的神经网络的训练方法 |
CN112989932A (zh) * | 2021-02-05 | 2021-06-18 | 北京林业大学 | 基于改进原型网络的少样本森林火灾烟雾识别方法及装置 |
CN113128422A (zh) * | 2021-04-23 | 2021-07-16 | 重庆市海普软件产业有限公司 | 一种深度神经网络的图像烟火检测方法及*** |
CN113553985A (zh) * | 2021-08-02 | 2021-10-26 | 中再云图技术有限公司 | 一种基于人工智能高空烟雾检测识别方法,存储装置及服务器 |
WO2021212443A1 (zh) * | 2020-04-20 | 2021-10-28 | 南京邮电大学 | 一种基于轻量化3D-RDNet模型的烟雾视频检测方法及*** |
CN114399723A (zh) * | 2021-11-09 | 2022-04-26 | 西北工业大学 | 一种基于增强可变形卷积和标签相关的森林烟火识别方法 |
CN115830516A (zh) * | 2023-02-13 | 2023-03-21 | 新乡职业技术学院 | 一种用于电池爆燃检测的计算机神经网络图像处理方法 |
CN116084892A (zh) * | 2023-02-14 | 2023-05-09 | 电子科技大学 | 一种基于模糊神经网络的自动射孔*** |
CN116402691A (zh) * | 2023-06-05 | 2023-07-07 | 四川轻化工大学 | 基于图像特征快速拼接的图像超分辨率方法和*** |
CN117671602A (zh) * | 2024-01-31 | 2024-03-08 | 吉林省中农阳光数据有限公司 | 基于图像识别的农田森林烟雾防火检测方法和设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107506740A (zh) * | 2017-09-04 | 2017-12-22 | 北京航空航天大学 | 一种基于三维卷积神经网络和迁移学习模型的人体行为识别方法 |
CN107609470A (zh) * | 2017-07-31 | 2018-01-19 | 成都信息工程大学 | 野外火灾早期烟雾视频检测的方法 |
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 |
CN108052865A (zh) * | 2017-07-06 | 2018-05-18 | 同济大学 | 一种基于卷积神经网络和支持向量机的火焰检测方法 |
CN108428324A (zh) * | 2018-04-28 | 2018-08-21 | 温州大学激光与光电智能制造研究院 | 一种基于卷积网络的火灾场景中烟雾的检测装置 |
-
2018
- 2018-10-10 CN CN201811179875.7A patent/CN109409256A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108052865A (zh) * | 2017-07-06 | 2018-05-18 | 同济大学 | 一种基于卷积神经网络和支持向量机的火焰检测方法 |
CN107609470A (zh) * | 2017-07-31 | 2018-01-19 | 成都信息工程大学 | 野外火灾早期烟雾视频检测的方法 |
CN107506740A (zh) * | 2017-09-04 | 2017-12-22 | 北京航空航天大学 | 一种基于三维卷积神经网络和迁移学习模型的人体行为识别方法 |
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 |
CN108428324A (zh) * | 2018-04-28 | 2018-08-21 | 温州大学激光与光电智能制造研究院 | 一种基于卷积网络的火灾场景中烟雾的检测装置 |
Non-Patent Citations (5)
Title |
---|
DU TRAN 等: "Learning Spatiotemporal Features with 3D Convolutional Networks", 《2015 IEEE INTERNATIONAL CONFERENCE ON COMPUTER VISION》 * |
YANMIN LUO 等: "Fire smoke detection algorithm based on motion characteristic and convolutional neural networks", 《MULTIMED TOOLS APPL》 * |
YAOCONG HU 等: "Real-time video fire smoke detection by utilizing spatial-temporal ConvNet features", 《MULTIMED TOOLS APPL》 * |
赵小川 编著: "《机器人技术创意设计》", 31 January 2013, 北京:北京航空航天大学出版社 * |
高志强 等编著: "《深度学习:从入门到实战》", 30 June 2018, 北京:中国铁道出版社 * |
Cited By (31)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110070106A (zh) * | 2019-03-26 | 2019-07-30 | 罗克佳华科技集团股份有限公司 | 烟雾检测方法、装置及电子设备 |
CN109947990A (zh) * | 2019-03-29 | 2019-06-28 | 北京奇艺世纪科技有限公司 | 一种精彩片段检测方法及*** |
CN110059613A (zh) * | 2019-04-16 | 2019-07-26 | 东南大学 | 一种基于稀疏表示的视频图像烟火分离与检测方法 |
CN110135269A (zh) * | 2019-04-18 | 2019-08-16 | 杭州电子科技大学 | 一种基于混合颜色模型与神经网络的火灾图像检测方法 |
CN110298377A (zh) * | 2019-05-21 | 2019-10-01 | 武汉坤达安信息安全技术有限公司 | 基于深层人工神经网络的数字图像中烟火检测方法 |
CN110490043A (zh) * | 2019-06-10 | 2019-11-22 | 东南大学 | 一种基于区域划分和特征提取的森林烟火检测方法 |
CN110335294B (zh) * | 2019-07-11 | 2023-11-24 | 中国矿业大学 | 基于帧差法与3d卷积神经网络的矿井水泵房漏水检测方法 |
CN110335294A (zh) * | 2019-07-11 | 2019-10-15 | 中国矿业大学 | 基于帧差法与3d卷积神经网络的矿井水泵房漏水检测方法 |
CN110807405A (zh) * | 2019-10-29 | 2020-02-18 | 维沃移动通信有限公司 | 一种偷拍装置检测方法及电子设备 |
CN111079572A (zh) * | 2019-11-29 | 2020-04-28 | 南京恩博科技有限公司 | 一种基于视频理解的森林烟火检测方法、存储介质和设备 |
CN111476965A (zh) * | 2020-03-13 | 2020-07-31 | 深圳信息职业技术学院 | 火灾检测模型的构建方法、火灾检测方法及相关设备 |
CN111476965B (zh) * | 2020-03-13 | 2021-08-03 | 深圳信息职业技术学院 | 火灾检测模型的构建方法、火灾检测方法及相关设备 |
WO2021212443A1 (zh) * | 2020-04-20 | 2021-10-28 | 南京邮电大学 | 一种基于轻量化3D-RDNet模型的烟雾视频检测方法及*** |
CN111523528A (zh) * | 2020-07-03 | 2020-08-11 | 平安国际智慧城市科技股份有限公司 | 基于规模识别模型的策略发送方法、装置和计算机设备 |
CN111784964A (zh) * | 2020-07-03 | 2020-10-16 | 深圳爱克莱特科技股份有限公司 | 路灯、路灯***及路灯火灾报警方法 |
CN111523528B (zh) * | 2020-07-03 | 2020-10-20 | 平安国际智慧城市科技股份有限公司 | 基于规模识别模型的策略发送方法、装置和计算机设备 |
CN112800912A (zh) * | 2021-01-20 | 2021-05-14 | 江苏天幕无人机科技有限公司 | 基于动态特征基于标签的迁移特征的神经网络的训练方法 |
CN112766179A (zh) * | 2021-01-22 | 2021-05-07 | 郑州轻工业大学 | 一种基于运动特征混合深度网络的火灾烟雾检测方法 |
CN112989932A (zh) * | 2021-02-05 | 2021-06-18 | 北京林业大学 | 基于改进原型网络的少样本森林火灾烟雾识别方法及装置 |
CN113128422B (zh) * | 2021-04-23 | 2024-03-29 | 重庆市海普软件产业有限公司 | 一种深度神经网络的图像烟火检测方法及*** |
CN113128422A (zh) * | 2021-04-23 | 2021-07-16 | 重庆市海普软件产业有限公司 | 一种深度神经网络的图像烟火检测方法及*** |
CN113553985A (zh) * | 2021-08-02 | 2021-10-26 | 中再云图技术有限公司 | 一种基于人工智能高空烟雾检测识别方法,存储装置及服务器 |
CN114399723B (zh) * | 2021-11-09 | 2024-03-05 | 西北工业大学 | 一种基于增强可变形卷积和标签相关的森林烟火识别方法 |
CN114399723A (zh) * | 2021-11-09 | 2022-04-26 | 西北工业大学 | 一种基于增强可变形卷积和标签相关的森林烟火识别方法 |
CN115830516A (zh) * | 2023-02-13 | 2023-03-21 | 新乡职业技术学院 | 一种用于电池爆燃检测的计算机神经网络图像处理方法 |
CN116084892A (zh) * | 2023-02-14 | 2023-05-09 | 电子科技大学 | 一种基于模糊神经网络的自动射孔*** |
CN116084892B (zh) * | 2023-02-14 | 2024-04-23 | 电子科技大学 | 一种基于模糊神经网络的自动射孔*** |
CN116402691A (zh) * | 2023-06-05 | 2023-07-07 | 四川轻化工大学 | 基于图像特征快速拼接的图像超分辨率方法和*** |
CN116402691B (zh) * | 2023-06-05 | 2023-08-04 | 四川轻化工大学 | 基于图像特征快速拼接的图像超分辨率方法和*** |
CN117671602A (zh) * | 2024-01-31 | 2024-03-08 | 吉林省中农阳光数据有限公司 | 基于图像识别的农田森林烟雾防火检测方法和设备 |
CN117671602B (zh) * | 2024-01-31 | 2024-04-05 | 吉林省中农阳光数据有限公司 | 基于图像识别的农田森林烟雾防火检测方法和设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109409256A (zh) | 一种基于3d卷积神经网络的森林烟火检测方法 | |
CN110956094B (zh) | 一种基于非对称双流网络的rgb-d多模态融合人员检测方法 | |
CN110135269B (zh) | 一种基于混合颜色模型与神经网络的火灾图像检测方法 | |
CN103824070B (zh) | 一种基于计算机视觉的快速行人检测方法 | |
CN107909027B (zh) | 一种具有遮挡处理的快速人体目标检测方法 | |
CN111368712A (zh) | 一种基于深度学习的高光谱图像伪装目标检测方法 | |
CN108710865A (zh) | 一种基于神经网络的司机异常行为检测方法 | |
CN108985192A (zh) | 一种基于多任务深度卷积神经网络的视频烟雾识别方法 | |
CN110490043A (zh) | 一种基于区域划分和特征提取的森林烟火检测方法 | |
CN107622258A (zh) | 一种结合静态底层特征和运动信息的快速行人检测方法 | |
CN110874592A (zh) | 一种基于总有界变分的森林火灾烟雾图像检测方法 | |
CN108154159B (zh) | 一种基于多级检测器的具有自恢复能力的目标跟踪方法 | |
CN106650600A (zh) | 一种基于视频图像分析的森林烟火检测方法 | |
CN113469050B (zh) | 基于图像细分类的火焰检测方法 | |
CN111709300B (zh) | 基于视频图像的人群计数方法 | |
CN101286239A (zh) | 航拍交通视频车辆快速检测方法 | |
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 | |
CN107092884A (zh) | 一种快速粗精级联行人检测方法 | |
CN104751591B (zh) | 一种基于半透明特征的早期火灾烟雾检测方法 | |
CN112733625B (zh) | 基于时域自注意力机制的假脸视频篡改检测方法及*** | |
CN114202646A (zh) | 一种基于深度学习的红外图像吸烟检测方法与*** | |
CN113436229A (zh) | 一种多目标跨摄像机行人轨迹路径的生成方法 | |
CN113989683A (zh) | 一种综合同步轨道序列光学影像时空信息的船舶检测方法 | |
Han et al. | A method based on multi-convolution layers joint and generative adversarial networks for vehicle detection | |
CN113763424A (zh) | 基于嵌入式平台的实时智能目标检测方法及*** |
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 |
Application publication date: 20190301 |
|
RJ01 | Rejection of invention patent application after publication |