没有合适的资源?快使用搜索试试~ 我知道了~
一种轻量化网络的火焰烟雾检测算法.docx
1.该资源内容由用户上传,如若侵权请联系客服进行举报
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
版权申诉
0 下载量 44 浏览量
2023-02-23
16:56:06
上传
评论
收藏 782KB DOCX 举报
温馨提示
试读
9页
一种轻量化网络的火焰烟雾检测算法.docx
资源推荐
资源详情
资源评论
在各种灾害中,火灾是最经常、最普遍地威胁公众安全和社会发展的灾害之一。火灾不仅
夺去了人类的生命财产,还破坏了人类赖以生存的生态环境和自然资源,严重地威胁着人类的
生存安全
[1]
。因此在火灾发生早期发现火灾并及时预警,对保护人们的生命财产安全具有非常
重要的意义
[2]
。
早期的火灾检测主要基于各种传感器的探测,感温型、感烟型和感光型探测器作为当前最
成熟的火灾探测技术
[3]
,对被探测区域的透明度、光谱、温度和烟粒浓度等进行采样,以确定
是否发生火灾。然而,由火灾引起的烟雾浓度、温度和其他信息的变化在空气中传播缓慢,且
稳定性不高,必须安装在靠近火源的地方,且受气流环境、探测距离、热障效应等因素影响,
很难及时快速地捕获火灾信号,无法在恶劣的室外场所使用,并且无法满足开阔大型空间场所
的需求,导致传统的火灾探测器不能正常有效地工作。
之后提出了传统的机器视觉方法
[4-6]
,它是基于目标特征来识别检测的,由人工设计与目
标相对应特征的算法,误检率很高,同时准确度也不算高,并且针对一些新的场景和突发状况
无法及时适应。
随着计算机算力的不断提升,深度学习
[7]
得到了迅猛发展。相较于传统的算法,基于深度
学习的目标检测算法在精度和速度上都有了显著提升
[8]
,基于深度学习的目标检测算法分为
one-stage 和 two-stage 这 2 类,其中 two-stage 算法指输入图片后生成建议区域再送入分类器
分类,2 个任务由不同网络完成。这类算法的代表是 Faster R-CNN
[9]
,回天等
[10]
通过将不同火
焰的形状特征进行分类,提出了一种结合 Faster R-CNN 的多类型火焰检测方法,虽然有效提
高了精度,但降低了检测速度,难以满足实时性的要求。one-stage 算法则在输入图片后直接
产生物体的类别概率和位置坐标,因此速度较快,这类算法的代表是一阶段多框检测(single
shot multibox detector,SSD)
[11]
和 YOLO
[12-15]
系列算法。刘丽娟等
[16]
提出了一种基于改进
SSD 的烟雾实时检测模型,在一定程度上提升了精度和检测速度,但 SSD 网络于 2016 年就
被提出,可提升的检测性能极为有限。赵坤提出了一种基于 YOLOv3 与核相关滤波算法
(kernel correlation filter,KCF)的火灾烟雾检测方法
[17]
,通过 KCF 良好的跟踪性能减少了
YOLOv3 算法因环境骤变而产生的误检,但在硬件平台上的检测速度较慢,在实际部署到开发
板上时甚至只有 5 f/s,无法做到实时检测。颜洵等
[18]
提出了一种优化后的 YOLOv4 网络对火焰
和烟雾的目标进行了检测,取得了较高的精度,但参数量较大,检测的帧率也不高。
YOLOv4 是目前的主流目标检测算法,具有较好的检测效果。但是考虑到嵌入式设备的计
算能力和存储量有限,将该算法搭载于摄像头等嵌入式设备时并不能很好地继承其优良性能,
反而会因庞大的计算量和内存占用导致设备无法达到实时检测的效果,且检测精度急剧下降。
因此,设计一款轻量化的算法用于实际火灾烟雾检测更实际可靠。本文在 YOLOv4 算法的基础
上进行改进,提出了一种轻量化的火焰烟雾检测算法,并利用收集到的火焰烟雾图片制作数据
集,并采用数据增强扩充数据集容量来训练该网络模型。实验结果表明,在该火焰烟雾数据集
上,优化后的 YOLOv4 算法不仅保留了原算法的高精度,还获得了更快的检测速度和更低的内
存占用。
资源评论
罗伯特之技术屋
- 粉丝: 3663
- 资源: 1万+
下载权益
C知道特权
VIP文章
课程特权
开通VIP
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功