CN110059723B - 一种基于集成深度卷积神经网络的鲁棒烟雾检测方法 - Google Patents
一种基于集成深度卷积神经网络的鲁棒烟雾检测方法 Download PDFInfo
- Publication number
- CN110059723B CN110059723B CN201910206672.0A CN201910206672A CN110059723B CN 110059723 B CN110059723 B CN 110059723B CN 201910206672 A CN201910206672 A CN 201910206672A CN 110059723 B CN110059723 B CN 110059723B
- Authority
- CN
- China
- Prior art keywords
- layer
- adopted
- convolution
- step length
- pooling
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
一种基于集成深度卷积神经网络的鲁棒烟雾检测方法既属于图像识别领域,又属于人工智能领域。本发明将不同结构的深度卷积神经网络通过集成学习的方法组合成集成成分类器。本发明可对工厂烟囱、火炬和其它多种目标场景中有烟无烟进行检测。进行及时的烟雾检测,不仅在可以在工业领域控制污染,也可用于森林火灾预警等公共安全领域。将基于集成深度卷积神经网络的鲁棒烟雾检测方法应用于废气处理***和其他领域,较之现有的方法,显著地提高了准确率,而且避免了现有方法大量的调参工作。本发明可对废气的产生和排放过程进行精确的实时控制,对烟雾产生进行预警,不仅可以显著减少有毒有害气体的排放,同时还可以大大地节省人力。
Description
技术领域
本发明集成多个不同的深度卷积神经网络建立针对灰度图像的烟雾检测模型,通过以灰度图像作为输入,对该图像上有无烟雾进行检测。将基于深度卷积神经网络和集成学习的烟雾检测方法应用于废气处理和烟雾检测上,对废气的产生和排放过程进行精确的实时控制,不仅可以显著减少有毒有害气体的排放,同时还降低了能耗,节省了人力资源,提高了生产效率。基于深度卷积神经网络和集成学习的烟雾检测方法既属于图像识别领域,又属于人工智能领域。
背景技术
近年来,我国一直致力于保护环境,节能减排,减少大气污染。新版《环境空气质量标准》和分别针对火电、钢铁、水泥、化工行业和非电燃煤锅炉等行业的排放标准是促使各企业实施烟雾处理工程的最有力政策。但是,由于传统的火电、化工等行业在我国经济中占有较大的比重,废气的排放量依然很大,并且缺乏对火炬、烟囱等排放的废气进行检测的方法,导致空气污染问题依然困扰着很多企业。
传统烟雾探测的方法主要依靠人工观测或传感器。但由于人力资源有限,成本较高,基于人工观察的方法不能长期快速有效地监测烟雾。另一方面,由于环境变化的影响,基于烟雾颗粒采样或相对湿度采样的烟雾传感器也很可能会出现严重的时滞性,同时也不能完全覆盖检测区域。总体而言,现有的烟雾检测方法难以满足需求。
近年来,使用卷积神经网络进行图像识别的技术取得了长足的发展,尤其是随着现代计算机运算能力的提高,使用深度卷积神经网络通过对大量样本的学习可有效地提取目标的特征从而实现精确的图像识别。但是由于神经网络的具体参数设置没有规范,所以导致不同结构、参数下的神经网络往往有着较大的性能差距,同时由于排列组合的多样性,很难将全部种类的网络都进行试验后确定最好的结构。基于以上问题,本发明提出了集成多个不同结构的神经网络,从而既实现了分类器的多样性,提高了算法的准确度,也避免了反复试验也难以确定最佳网络结构的问题。
发明内容
本发明集成多个不同的深度卷积神经网络建立针对灰度图像的烟雾检测模型,通过以检测目标的灰度图像作为输入,对该图像上有无烟雾进行检测。通过该方法进行检测,较之现有方法不仅在准确率上提升明显,也避免了反复调试参数的问题,从而实现了通过输入的烟雾图像对烟雾进行准确、实时的检测。为对燃烧过程以及废气的排放过程进行精确地实时控制创造了条件;
本发明采用了如下的技术方案及实现步骤:
1.一种基于集成深度卷积神经网络的鲁棒烟雾检测方法:
针对目标场景中存不存在烟雾进行检测,以目标场景的灰度图像作为输入;
其特征在于,包括以下步骤:
(1)设计并训练多个子深度卷积神经网络,这些网络的输入均为灰度图像,这些子神经网络需要体现结构的多样性,本专利设计了三种基础的神经网络结构:DN11、DN8、DN5,并用它们各生成了10个不同的神经网络,共计得到了30个不同结构的子神经网络。
DN11的结构为:网络的第一层到第四层为卷积层,卷积核采用的维数为U,卷积核的个数为V,卷积的步长为1,采用ReLU激活函数,对输入的特征图采用全0填充,在每一层进行批归一化;第五层为池化层,采用3维的池化范围和最大池化,对输入的特征图采用全0填充,横向和纵向的步长均为2;第六层到第八层为卷积层,卷积核采用的维数为U,卷积核的个数为V,卷积的步长为1,采用ReLU激活函数,对输入的特征图采用全0填充,在每一层进行批归一化;第九层为池化层,采用2维的池化范围和最大池化,横向和纵向的步长均为2;第十层到第十三层为卷积层,卷积核采用的维数为U,卷积核的个数为V,卷积的步长为1,采用ReLU激活函数,对输入的特征图采用全0填充,在每一层进行批归一化;第十四层为池化层,采用2维的池化范围和最大池化,横向和纵向的步长均为2;第十五层和第十六层为全连接层,有2048个神经元,dropout概率为0.5;最后通过softmax函数输出分类结果,有烟或无烟。
DN8的结构为:网络的第一层到第三层为卷积层,卷积核采用的维数为U,卷积核的个数为V,卷积的步长为1,采用ReLU激活函数,对输入的特征图采用全0填充,在每一层进行批归一化;第四层为池化层,采用3维的池化范围和最大池化,对输入的特征图采用全0填充,横向和纵向的步长均为2;第五层和第六层为卷积层,卷积核采用的维数为U,卷积核的个数为V,卷积的步长为1,采用ReLU激活函数,对输入的特征图采用全0填充,在每一层进行批归一化;第七层为池化层,采用2维的池化范围和最大池化,横向和纵向的步长均为2;第八层到第十层为卷积层,卷积核采用的维数为U,卷积核的个数为V,卷积的步长为1,采用ReLU激活函数,对输入的特征图采用全0填充,在每一层进行批归一化;第十一层为池化层,采用2维的池化范围和最大池化,横向和纵向的步长均为2;第十二层和第十三层为全连接层,有2048个神经元,dropout概率为0.5;最后通过softmax函数输出分类结果,有烟或无烟。
DN5的结构为:网络的第一层和第二层为卷积层,卷积核采用的维数为U,卷积核的个数为V,卷积的步长为1,采用ReLU激活函数,对输入的特征图采用全0填充,在每一层进行批归一化;第三层为池化层,采用3维的池化范围和最大池化,对输入的特征图采用全0填充,横向和纵向的步长均为2;第四层为卷积层,卷积核采用的维数为U,卷积核的个数为V,卷积的步长为1,采用ReLU激活函数,对输入的特征图采用全0填充,在每一层进行批归一化;第五层为池化层,采用2维的池化范围和最大池化,横向和纵向的步长均为2;第六层和第七层为卷积层,卷积核采用的维数为U,卷积核的个数为V,卷积的步长为1,采用ReLU激活函数,对输入的特征图采用全0填充,在每一层进行批归一化;第八层为池化层,采用2维的池化范围和最大池化,横向和纵向的步长均为2;第九层和第十层为全连接层,有2048个神经元,dropout概率为0.5;最后通过softmax函数输出分类结果,有烟或无烟。
在以上三种基础的神经网络结构中,通过设置不同的U和V的值就可以得到不同的子神经网络。本专利通过设置U为3、5、7、9、11,V为32、16,将不同的U和V的取值排列组合生成DN11、DN8、DN5这三种网络结构各10个不同的子网络,从而得到共计 30个子神经网络。
(2)将生成的30个子神经网络进行集成并剪枝,其具体的步骤为:
①首先选出30个子网络中精度最好的网络放入集成分类器中。再从30个网络中通过迭代找出下一个加入到集成分类器能使集成分类器在验证集达到最优精度的第二个子网络,重复以上步骤q次,每一个子网络最多可被重复选择N次,这里我们将N的值设置为 2,从而得到含有q个子网络的集成分类器。
②将所有未被选中的子网络建立集合,然后迭带依次将集成分类器中的子网络和未被选中的子网络进行交换,如果集成分类器精度提升,那么就将二者进行交换,反之则不变。
③将q值从5-35取值,重复迭带(1)、(2)步30次,找出可以达到最高精度的q 的值,并且将这个精度最高的集成分类器作为最终的集成分类器。
这样就得到了集成分类器。
本发明的创造性主要体现在:
(1)本发明针对不同结构的神经网络可以从不同角度反映图像的特征,所以集成了多个不同结构的子神经网络从而达到了较高的准确性;
(2)本发明针对现有神经网络算法需要大量的调参工作的问题,通过集成多个不同参数的神经网络避免了反复调参,减少了工作量;
附图说明
图1是本发明的结构图
具体实施方式
本发明集成多个不同的深度卷积神经网络建立针对灰度图像的烟雾检测模型,通过以检测目标的灰度图像作为输入,对该图像上有无烟雾进行检测。通过该方法进行检测,较之现有方法不仅在准确率上提升明显,也避免了反复调试参数的问题,从而实现了通过输入的烟雾图像对烟雾进行准确、实时的检测。为对燃烧过程以及废气的排放过程进行精确地实时控制创造了条件;
本发明采用了如下的技术方案及实现步骤:
1.设计并训练多个子深度卷积神经网络,这些网络的输入均为灰度图像,这些子神经网络需要体现结构的多样性,本专利设计了三种基础的神经网络结构:DN11、DN8、DN5,并用它们各生成了10个不同的神经网络,共计得到了30个不同结构的子神经网络。
DN11的结构为:网络的第一层到第四层为卷积层,卷积核采用的维数为U,卷积核的个数为V,卷积的步长为1,采用ReLU激活函数,对输入的特征图采用全0填充,在每一层进行批归一化;第五层为池化层,采用3维的池化范围和最大池化,对输入的特征图采用全0填充,横向和纵向的步长均为2;第六层到第八层为卷积层,卷积核采用的维数为U,卷积核的个数为V,卷积的步长为1,采用ReLU激活函数,对输入的特征图采用全0填充,在每一层进行批归一化;第九层为池化层,采用2维的池化范围和最大池化,横向和纵向的步长均为2;第十层到第十三层为卷积层,卷积核采用的维数为U,卷积核的个数为V,卷积的步长为1,采用ReLU激活函数,对输入的特征图采用全0填充,在每一层进行批归一化;第十四层为池化层,采用2维的池化范围和最大池化,横向和纵向的步长均为2;第十五层和第十六层为全连接层,有2048个神经元,dropout概率为0.5;最后通过softmax函数输出分类结果,有烟或无烟。
DN8的结构为:网络的第一层到第三层为卷积层,卷积核采用的维数为U,卷积核的个数为V,卷积的步长为1,采用ReLU激活函数,对输入的特征图采用全0填充,在每一层进行批归一化;第四层为池化层,采用3维的池化范围和最大池化,对输入的特征图采用全0填充,横向和纵向的步长均为2;第五层和第六层为卷积层,卷积核采用的维数为U,卷积核的个数为V,卷积的步长为1,采用ReLU激活函数,对输入的特征图采用全0填充,在每一层进行批归一化;第七层为池化层,采用2维的池化范围和最大池化,横向和纵向的步长均为2;第八层到第十层为卷积层,卷积核采用的维数为U,卷积核的个数为V,卷积的步长为1,采用ReLU激活函数,对输入的特征图采用全0填充,在每一层进行批归一化;第十一层为池化层,采用2维的池化范围和最大池化,横向和纵向的步长均为2;第十二层和第十三层为全连接层,有2048个神经元,dropout概率为0.5;最后通过softmax函数输出分类结果,有烟或无烟。
DN5的结构为:网络的第一层和第二层为卷积层,卷积核采用的维数为U,卷积核的个数为V,卷积的步长为1,采用ReLU激活函数,对输入的特征图采用全0填充,在每一层进行批归一化;第三层为池化层,采用3维的池化范围和最大池化,对输入的特征图采用全0填充,横向和纵向的步长均为2;第四层为卷积层,卷积核采用的维数为U,卷积核的个数为V,卷积的步长为1,采用ReLU激活函数,对输入的特征图采用全0填充,在每一层进行批归一化;第五层为池化层,采用2维的池化范围和最大池化,横向和纵向的步长均为2;第六层和第七层为卷积层,卷积核采用的维数为U,卷积核的个数为V,卷积的步长为1,采用ReLU激活函数,对输入的特征图采用全0填充,在每一层进行批归一化;第八层为池化层,采用2维的池化范围和最大池化,横向和纵向的步长均为2;第九层和第十层为全连接层,有2048个神经元,dropout概率为0.5;最后通过softmax函数输出分类结果,有烟或无烟。
在以上三种基础的神经网络结构中,通过设置不同的U和V的值就可以得到不同的子神经网络。本专利通过设置U为3、5、7、9、11,V为32、16,将不同的U和V的取值排列组合生成DN11、DN8、DN5这三种网络结构各10个不同的子网络,从而得到共计 30个子神经网络,并使用了9016幅烟雾图像和8363幅无烟雾图像来训练以上所有的神经网络。
2.将生成的30个子神经网络进行集成并剪枝,其具体的步骤为:
(1)首先选出30个子网络中精度最好的网络放入集成分类器中。再从30个网络中通过迭代找出下一个加入到集成分类器能使集成分类器在验证集达到最优精度的第二个子网络,重复以上步骤q次,每一个子网络最多可被重复选择N次,这里我们将N的值设置为2,从而得到含有q个子网络的集成分类器,验证集由8804张有烟雾图像和8511张无烟雾图像组成。
(2)将所有未被选中的子网络建立集合,然后迭带依次将集成分类器中的子网络和未被选中的子网络进行交换,如果集成分类器精度提升,那么就将二者进行交换,反之则不变。
(3)将q值从5-35取值,重复迭带(1)、(2)步30次,找出可以达到最高精度的 q的值为15,并且将这个精度最高的集成分类器作为最终的集成分类器。
这样就得到了集成分类器,经试验我们的集成分类器,在由1240张有烟图像和1648 张无烟图像构成的测试集中,准确率达到了98.71%。
Claims (1)
1.一种基于集成深度卷积神经网络的鲁棒烟雾检测方法,其特征在于,包括以下步骤:
第一步:设计多个深度子卷积神经网络并训练;
第二步:建立集成神经网络的学习器并进行修剪,去除负向子神经网络;
第一步中:
设计并训练多个子深度卷积神经网络,这些网络的输入均为灰度图像,这些子神经网络需要体现结构的多样性,本方法设计了三种基础的神经网络结构:DN11、DN8、DN5,并用它们各生成了10个不同的神经网络,共计得到了30个不同结构的子神经网络;
DN11的结构为:网络的第一层到第四层为卷积层,卷积核采用的维数为U,卷积核的个数为V,卷积的步长为1,采用ReLU激活函数,对输入的特征图采用全0填充,在每一层进行批归一化;第五层为池化层,采用3维的池化范围和最大池化,对输入的特征图采用全0填充,横向和纵向的步长均为2;第六层到第八层为卷积层,卷积核采用的维数为U,卷积核的个数为V,卷积的步长为1,采用ReLU激活函数,对输入的特征图采用全0填充,在每一层进行批归一化;第九层为池化层,采用2维的池化范围和最大池化,横向和纵向的步长均为2;第十层到第十三层为卷积层,卷积核采用的维数为U,卷积核的个数为V,卷积的步长为1,采用ReLU激活函数,对输入的特征图采用全0填充,在每一层进行批归一化;第十四层为池化层,采用2维的池化范围和最大池化,横向和纵向的步长均为2;第十五层和第十六层为全连接层,有2048个神经元,dropout概率为0.5;最后通过softmax函数输出分类结果,有烟或无烟;
DN8的结构为:网络的第一层到第三层为卷积层,卷积核采用的维数为U,卷积核的个数为V,卷积的步长为1,采用ReLU激活函数,对输入的特征图采用全0填充,在每一层进行批归一化;第四层为池化层,采用3维的池化范围和最大池化,对输入的特征图采用全0填充,横向和纵向的步长均为2;第五层和第六层为卷积层,卷积核采用的维数为U,卷积核的个数为V,卷积的步长为1,采用ReLU激活函数,对输入的特征图采用全0填充,在每一层进行批归一化;第七层为池化层,采用2维的池化范围和最大池化,横向和纵向的步长均为2;第八层到第十层为卷积层,卷积核采用的维数为U,卷积核的个数为V,卷积的步长为1,采用ReLU激活函数,对输入的特征图采用全0填充,在每一层进行批归一化;第十一层为池化层,采用2维的池化范围和最大池化,横向和纵向的步长均为2;第十二层和第十三层为全连接层,有2048个神经元,dropout概率为0.5;最后通过softmax函数输出分类结果,有烟或无烟;
DN5的结构为:网络的第一层和第二层为卷积层,卷积核采用的维数为U,卷积核的个数为V,卷积的步长为1,采用ReLU激活函数,对输入的特征图采用全0填充,在每一层进行批归一化;第三层为池化层,采用3维的池化范围和最大池化,对输入的特征图采用全0填充,横向和纵向的步长均为2;第四层为卷积层,卷积核采用的维数为U,卷积核的个数为V,卷积的步长为1,采用ReLU激活函数,对输入的特征图采用全0填充,在每一层进行批归一化;第五层为池化层,采用2维的池化范围和最大池化,横向和纵向的步长均为2;第六层和第七层为卷积层,卷积核采用的维数为U,卷积核的个数为V,卷积的步长为1,采用ReLU激活函数,对输入的特征图采用全0填充,在每一层进行批归一化;第八层为池化层,采用2维的池化范围和最大池化,横向和纵向的步长均为2;第九层和第十层为全连接层,有2048个神经元,dropout概率为0.5;最后通过softmax函数输出分类结果,有烟或无烟;
在以上三种基础的神经网络结构中,设置U为3、5、7、9、11,V为32、16,将不同的U和V的取值排列组合生成DN11、DN8、DN5这三种网络结构各10个不同的子网络,从而得到共计30个子神经网络;
将生成的30个子神经网络进行集成并剪枝,其具体的步骤为:
(1)首先选出30个子网络中精度最好的网络放入集成分类器中;再从30个网络中通过迭代找出下一个加入到集成分类器能使集成分类器在验证集达到最优精度的第二个子网络,重复以上步骤q次,每一个子网络最多可被重复选择N次,这里我们将N的值设置为2,从而得到含有q个子网络的集成分类器;
(2)将所有未被选中的子网络建立集合,然后迭带依次将集成分类器中的子网络和未被选中的子网络进行交换,如果集成分类器精度提升,那么就将二者进行交换,反之则不变;
(3)将q值从5-35取值,重复迭带(1)、(2)步30次,找出可以达到最高精度的q的值,并且将这个精度最高的集成分类器作为最终的集成分类器;
这样就得到了集成分类器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910206672.0A CN110059723B (zh) | 2019-03-19 | 2019-03-19 | 一种基于集成深度卷积神经网络的鲁棒烟雾检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910206672.0A CN110059723B (zh) | 2019-03-19 | 2019-03-19 | 一种基于集成深度卷积神经网络的鲁棒烟雾检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110059723A CN110059723A (zh) | 2019-07-26 |
CN110059723B true CN110059723B (zh) | 2021-01-05 |
Family
ID=67317210
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910206672.0A Active CN110059723B (zh) | 2019-03-19 | 2019-03-19 | 一种基于集成深度卷积神经网络的鲁棒烟雾检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110059723B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN111008612A (zh) * | 2019-12-24 | 2020-04-14 | 标旗(武汉)信息技术有限公司 | 生产次数统计方法、***及存储介质 |
CN112418005B (zh) * | 2020-11-06 | 2024-05-28 | 北京工业大学 | 一种基于反向辐射注意力金字塔网络的烟雾多分类识别方法 |
CN112801187B (zh) * | 2021-01-29 | 2023-01-31 | 广东省科学院智能制造研究所 | 基于注意力机制与集成学习的高光谱数据分析方法和*** |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012041333A1 (en) * | 2010-09-30 | 2012-04-05 | Visiopharm A/S | Automated imaging, detection and grading of objects in cytological samples |
CN106228150A (zh) * | 2016-08-05 | 2016-12-14 | 南京工程学院 | 基于视频图像的烟雾检测方法 |
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 |
JP2018101416A (ja) * | 2016-12-21 | 2018-06-28 | ホーチキ株式会社 | 火災監視システム |
CN109271906A (zh) * | 2018-09-03 | 2019-01-25 | 五邑大学 | 一种基于深度卷积神经网络的烟雾检测方法及其装置 |
CN109376695A (zh) * | 2018-11-26 | 2019-02-22 | 北京工业大学 | 一种基于深度混合神经网络的烟雾检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109086803B (zh) * | 2018-07-11 | 2022-10-14 | 南京邮电大学 | 一种基于深度学习与个性化因子的雾霾能见度检测***及方法 |
-
2019
- 2019-03-19 CN CN201910206672.0A patent/CN110059723B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012041333A1 (en) * | 2010-09-30 | 2012-04-05 | Visiopharm A/S | Automated imaging, detection and grading of objects in cytological samples |
CN106228150A (zh) * | 2016-08-05 | 2016-12-14 | 南京工程学院 | 基于视频图像的烟雾检测方法 |
JP2018101416A (ja) * | 2016-12-21 | 2018-06-28 | ホーチキ株式会社 | 火災監視システム |
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 |
CN109271906A (zh) * | 2018-09-03 | 2019-01-25 | 五邑大学 | 一种基于深度卷积神经网络的烟雾检测方法及其装置 |
CN109376695A (zh) * | 2018-11-26 | 2019-02-22 | 北京工业大学 | 一种基于深度混合神经网络的烟雾检测方法 |
Non-Patent Citations (2)
Title |
---|
Video fire smoke detection using motion and color features;YU Chun-yu等;《Fire Technology》;20101231;全文 * |
基于级联卷积神经网络的视频动态烟雾检测;陈俊周等;《电子科技大学学报》;20161130;第45卷(第6期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110059723A (zh) | 2019-07-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110059723B (zh) | 一种基于集成深度卷积神经网络的鲁棒烟雾检测方法 | |
CN109376695B (zh) | 一种基于深度混合神经网络的烟雾检测方法 | |
CN110909483A (zh) | 一种基于网格化数据的点源大气污染物排放清单校验方法 | |
CN108549792B (zh) | 一种基于潜结构映射算法的固废焚烧过程二噁英排放浓度软测量方法 | |
CN112464544B (zh) | 一种城市固废焚烧过程二噁英排放浓度预测模型构建方法 | |
CN107944173B (zh) | 一种基于选择性集成最小二乘支撑向量机的二噁英软测量*** | |
CN113239991B (zh) | 基于回归生成对抗网络的火焰图像氧浓度预测方法 | |
CN111144609A (zh) | 一种锅炉废气排放预测模型建立方法、预测方法及装置 | |
CN111750283A (zh) | 基于深度学习的强背景噪声环境下的气体管道泄漏识别方法 | |
CN105116730B (zh) | 基于粒子群模糊神经网络的氢燃料发动机点火提前角优化***及其优化方法 | |
CN112967764B (zh) | 多技术耦合的污染物源解析方法、装置 | |
CN110595972A (zh) | Pm2.5浓度值和影响因素的分析方法 | |
CN111462835B (zh) | 一种基于深度森林回归算法的二噁英排放浓度软测量方法 | |
CN105975991A (zh) | 一种改进的极限学习机的火灾种类识别方法 | |
CN114912855B (zh) | 一种废气处理效果评估方法及*** | |
CN110988263B (zh) | 一种基于改进的Stacking模型的车辆尾气浓度估计方法 | |
CN114266461A (zh) | 基于可视化分布gan的mswi过程二噁英排放风险预警方法 | |
CN107944205B (zh) | 一种基于高斯烟羽模型的水域特征模型建立方法 | |
CN112241800B (zh) | 一种焦炉VOCs污染物排放量的计算方法 | |
CN109059870B (zh) | 基于无人机航拍影像的锅炉大气污染物排放监管***和巡检方法 | |
CN101644699B (zh) | 一种新燃料在线识别方法 | |
CN114722635A (zh) | 一种化工园区大气污染物监测传感器布局方法 | |
CN112598168A (zh) | 基于猴群算法和快速学习网的电站锅炉NOx排放量预测方法 | |
Xiao et al. | A two-step feature selection algorithm adapting to intrusion detection | |
CN115167321B (zh) | 一种电厂静电除尘优化控制方法及*** |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |