火災(zāi)往往嚴(yán)重威脅著公眾的生命財(cái)產(chǎn)安全,因此早期火災(zāi)檢測研究具有重要意義和價(jià)值。傳統(tǒng)的火災(zāi)探測器主要以物理傳感器為主,通過檢測煙光氣的變化判斷是否發(fā)生火災(zāi),但普遍存在覆蓋范圍小、使用場景單一的問題。近年來,利用監(jiān)控圖像進(jìn)行火災(zāi)檢測的視覺型探測器逐漸受到重視,同時(shí),隨著深度學(xué)習(xí)圖像算法逐漸成熟,相較于傳統(tǒng)手工特征提取算子,神經(jīng)網(wǎng)絡(luò)能更好的提取圖像中的煙霧、火焰特征,檢測精度和速度都有極大提升,因此本文基于深度學(xué)習(xí)算法對火災(zāi)圖像檢測進(jìn)行了相關(guān)研究。本文提出了煙霧檢測與火焰檢測共同進(jìn)行的火災(zāi)檢測方案。在煙霧檢測算法設(shè)計(jì)中,本文將YOLO V3的原主干網(wǎng)絡(luò)替換為密集連接網(wǎng)絡(luò)Densenet121,構(gòu)成YOLO-Densebackbone網(wǎng)絡(luò),并對自建訓(xùn)練集進(jìn)行在線圖像增強(qiáng)操作。火焰檢測首先采用了基于預(yù)選區(qū)域與分類器的方案,算法通過火焰的運(yùn)動(dòng)特征和顏色特征篩選得到疑似火焰區(qū)域,并通過二次顏色區(qū)域擴(kuò)展算法對空洞處進(jìn)行填充,利用火焰邊界框幀間連續(xù)性特征以及顏色像素面積比進(jìn)一步篩選符合條件的預(yù)選區(qū)域,最后利用PCBnet的局部特征思想進(jìn)行火焰預(yù)選區(qū)域圖像二分類。由于火焰邊界框尺寸的不規(guī)律性,基于錨框的目... 

【文章來源】：杭州電子科技大學(xué)浙江省

【文章頁數(shù)】：76 頁

【學(xué)位級別】：碩士

【部分圖文】：

018年應(yīng)急管理部消防救援局統(tǒng)計(jì)起火原因起數(shù)分布情況

為性能改進(jìn)的重要方式。（3）成本高：對于未布置高清監(jiān)控相機(jī)的場所，需要先安裝監(jiān)控?cái)z像頭；在已經(jīng)擁有攝像頭情況下，如果選擇傳統(tǒng)圖像處理算法，則需要配備性能較好的CPU處理器；如果采用深度神經(jīng)網(wǎng)絡(luò)檢測算法，則需要配備算力更強(qiáng)的GPU處理器作為算法硬件平臺。作為火災(zāi)檢測系統(tǒng)而言，存在多路視頻數(shù)據(jù)待處理，需要采用合適的調(diào)度算法配置計(jì)算的硬件資源，整體火災(zāi)監(jiān)控系統(tǒng)的成本較高。工業(yè)界已經(jīng)開始對機(jī)器視覺型火災(zāi)檢測設(shè)備投入研發(fā)生產(chǎn)。世界安防領(lǐng)域領(lǐng)先的海康威視推出的熱成像半球網(wǎng)絡(luò)攝像機(jī)DS-2TD1217-3/V1，如圖1.3所示，支持智能火點(diǎn)檢測、溫度異常報(bào)警功能，采用1/2.8英寸高性能CMOS，圖像分辨率達(dá)到了1920×1080；大華公司也有火眼視頻圖像火災(zāi)探測設(shè)備VFDS-1U，并推出了利用紅外熱成像熱感應(yīng)技術(shù)和煙火智能檢測算法的大華森林防火解決方案。圖1.3�？低暉岢上癜肭蚓W(wǎng)絡(luò)攝像機(jī)各個(gè)類型的傳統(tǒng)傳感器型火災(zāi)探測器與機(jī)器視覺型火災(zāi)探測器對比表格如表1.1所示，由于基于視覺的火災(zāi)探測器能彌補(bǔ)傳統(tǒng)火災(zāi)探測器一些使用和適應(yīng)場景上的缺陷，同時(shí)計(jì)算機(jī)圖像處理技術(shù)在學(xué)界有許多突破性的進(jìn)展，本文對將對基于深度學(xué)習(xí)火災(zāi)檢測算法進(jìn)行深入的研究。

杭州電子科技大學(xué)碩士學(xué)位論文22圖2.10Densenet特征重用情況熱力圖在應(yīng)用中，容易訓(xùn)練、收斂速度快的網(wǎng)絡(luò)使得檢測系統(tǒng)可以在有限的數(shù)據(jù)集下獲得較好地結(jié)果，也使得訓(xùn)練網(wǎng)絡(luò)所需的硬件要求不再那么高。這些性能上的提升可以盡量減少樣本不足對網(wǎng)絡(luò)帶來的影響，更好地檢測圖像中的煙霧目標(biāo)。2.5基于主干網(wǎng)絡(luò)的算法改進(jìn)YOLOV3的網(wǎng)絡(luò)主干是基于Darknet53搭建的，而Darknet53很大程度上借鑒了ResNet的結(jié)構(gòu)。由于DenseNet在訓(xùn)練難易程度、準(zhǔn)確率方面都優(yōu)于ResNet，故借鑒Densnet搭建了YOLO-Densebackbone網(wǎng)絡(luò)，結(jié)構(gòu)如圖2.11所示。網(wǎng)絡(luò)采用3個(gè)denseblock構(gòu)成主干，并設(shè)置growthrate為32。growthrate表示一個(gè)denseblock中每層的輸出深度，在層數(shù)較深的YOLO-Densebackbone網(wǎng)絡(luò)中不需要太大的growthrate就可以獲得較好的結(jié)果，避免了網(wǎng)絡(luò)特征圖過多。由于Densenet需要對特征圖進(jìn)行通道融合，需要保證每個(gè)denseblock的尺寸統(tǒng)一，故在進(jìn)行卷積計(jì)算時(shí)，每個(gè)denseblock采用邊界零填充的卷積方式。同時(shí)借鑒DenseNet-BC的思想，在每個(gè)3×3卷積前加上一個(gè)1×1的卷積操作，該1×1卷積被稱為瓶頸層（bottlenecklayer），其卷積核的個(gè)數(shù)固定為growthrate的4倍，這個(gè)操作固定了每層特征圖輸出的深度，避免了特征圖在不斷通道合并的過程中深度過深的問題，降維過程中減少計(jì)算量的同時(shí)也融合了各個(gè)通道的特征。為了進(jìn)一步壓縮特征圖個(gè)數(shù)，過渡層（TransitionLayer）的設(shè)置進(jìn)一步減少了每個(gè)denseblock輸出的通道數(shù)，大大減少了計(jì)算量。TransitionLayer的輸出設(shè)置為上一個(gè)denseblock通道數(shù)的一半。denseblock的一層稱為卷積模塊（convolutionblock），該模塊包括BN層、ReLU激活函數(shù)以及3×3或1×1卷積層。Densenet網(wǎng)絡(luò)連接眾多，為了避免過擬合，在每個(gè)卷積模塊中添加了dr

【參考文獻(xiàn)】：
期刊論文
[1]基于局部特征過濾的快速火焰圖像識別方法[J]. 毛文濤,王文朋,蔣夢雪,歐陽軍.  計(jì)算機(jī)應(yīng)用. 2016(10)
[2]粗糙集與區(qū)域生長的煙霧圖像分割算法研究[J]. 張娜,王慧琴,胡燕.  計(jì)算機(jī)科學(xué)與探索. 2017(08)
[3]基于Codebook的視頻火焰識別算法[J]. 邵良杉,郭雅嬋.  計(jì)算機(jī)應(yīng)用. 2015(05)
[4]智能視頻監(jiān)控技術(shù)綜述[J]. 黃凱奇,陳曉棠,康運(yùn)鋒,譚鐵牛.  計(jì)算機(jī)學(xué)報(bào). 2015(06)
[5]HSV顏色空間的飽和度與明度關(guān)系模型[J]. 馬玲,張曉輝.  計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào). 2014(08)
[6]基于顏色特征的火焰檢測新算法[J]. 耿慶田,于繁華,趙宏偉,王闖.  吉林大學(xué)學(xué)報(bào)(工學(xué)版). 2014(06)
[7]基于顏色空間的單幅圖像去霧算法[J]. 劉安娜,葛保嫄.  現(xiàn)代電子技術(shù). 2013(18)
[8]基于邊緣幾何特征的高性能模板匹配算法[J]. 吳曉軍,鄒廣華.  儀器儀表學(xué)報(bào). 2013(07)
[9]一種快速的模板匹配算法[J]. 唐琎,李青.  計(jì)算機(jī)應(yīng)用. 2010(06)

碩士論文
[1]基于顏色特征和運(yùn)動(dòng)特征的火焰檢測方法研究[D]. 王闖.吉林大學(xué) 2013



本文編號：3415319