當(dāng)前基于特征的火災(zāi)檢測方法存在誤報率高、實時性差等問題,而基于深度學(xué)習(xí)的火災(zāi)檢測方法也存在數(shù)據(jù)集少、預(yù)測速度慢、準(zhǔn)確率低等問題。針對這些問題,提出一種基于遷移學(xué)習(xí)的火災(zāi)圖像檢測方法,將源域中訓(xùn)練好的模型,遷移到火災(zāi)檢測領(lǐng)域。首先,從網(wǎng)絡(luò)獲取InceptionV3、ResNet18、ResNet50、DenseNet121這四種預(yù)訓(xùn)練模型,然后將預(yù)處理好的訓(xùn)練集放到預(yù)訓(xùn)練模型中進(jìn)行訓(xùn)練,最后對模型進(jìn)行微調(diào)。實驗結(jié)果表明,DenseNet121相比于其他三個模型具有更好的識別能力,其中準(zhǔn)確率達(dá)到92.54%,漏報率達(dá)到7.36%,且預(yù)測時間減少40%,模型大小只有31.6M。 

【文章來源】：現(xiàn)代計算機(jī). 2020,(28)

【文章頁數(shù)】：6 頁

【部分圖文】：

基于遷移學(xué)習(xí)的檢測方法框架

Goog Le Net提出Inception網(wǎng)絡(luò)結(jié)構(gòu)，其目標(biāo)是搭建稀疏且高計算性能的網(wǎng)絡(luò)結(jié)構(gòu)，Inception網(wǎng)絡(luò)在V1-V4版本的發(fā)展之后漸入佳境，效果越發(fā)強(qiáng)大。Inception的初始結(jié)構(gòu)如圖2所示。該結(jié)構(gòu)將CNN中常用的1×1、3×3、5×5卷積和3×3池化操作組合在一起，不僅增加了網(wǎng)絡(luò)寬度，也增加了網(wǎng)絡(luò)的適應(yīng)性，其中1×1卷積可以用來減少維度和降低運(yùn)算量。Inception V3引入了分解，將7×7卷積轉(zhuǎn)換成7×1和1×7卷積，既加速了計算，又進(jìn)一步增加了網(wǎng)絡(luò)深度和非線性，提高了網(wǎng)絡(luò)的表現(xiàn)能力，它的網(wǎng)絡(luò)結(jié)構(gòu)如下表1所示。

殘差塊結(jié)構(gòu)

【參考文獻(xiàn)】：
期刊論文
[1]基于卷積神經(jīng)網(wǎng)絡(luò)的火焰識別[J]. 段鎖林,劉福,高仁洲,王一凡,潘禮正.  計算機(jī)工程與設(shè)計. 2019(11)
[2]基于Faster R-CNN模型的火焰檢測[J]. 嚴(yán)云洋,朱曉妤,劉以安,高尚兵.  南京師大學(xué)報(自然科學(xué)版). 2018(03)
[3]基于深度遷移學(xué)習(xí)的煙霧識別方法[J]. 王文朋,毛文濤,何建樑,竇智.  計算機(jī)應(yīng)用. 2017(11)
[4]復(fù)雜背景下基于深度卷積神經(jīng)網(wǎng)絡(luò)的森林火災(zāi)識別[J]. 傅天駒,鄭嫦娥,田野,丘啟敏,林斯俊.  計算機(jī)與現(xiàn)代化. 2016(03)
[5]室外視頻前景檢測中的形態(tài)學(xué)改進(jìn)ViBe算法[J]. 孫水發(fā),覃音詩,馬先兵,雷幫軍.  計算機(jī)工程與應(yīng)用. 2013(10)
[6]一種改進(jìn)的幀差法實現(xiàn)火焰目標(biāo)分割[J]. 陳寧,丁飛.  火災(zāi)科學(xué). 2012(04)



本文編號：3606628