基于区域全卷积网络结合残差网络的火焰检测方法
传统的火焰检测方法大多基于火焰的物理信号手动设计火焰特征,根据其使用模式进行识别.这类方法容易被外部环境干扰,且手动设计的火焰特征泛化性不强,当火焰形态或场景变化剧烈时,会降低识别精度.针对这一问题,提出了一种基于区域全卷积网络(R-FCN)结合残差网络(ResNet)的深度学习方法对火焰进行检测.通过特征提取网络自动提取特征,利用R-FCN确定火焰位置,并使用ResNet对该位置的火焰进行二次分类,以进一步降低误报率.该方法实现了端到端自动获取火焰特征并进行相应检测的过程,省去了传统火焰特征提取的过程.本文方法在Bilkent大学的火焰视频数据集上平均识别精度达到98.25%.
图像处理、火焰检测、深度学习、区域全卷积网络、残差网络
55
TP391(计算技术、计算机技术)
国家自然科学基金61771223
2018-08-29(万方平台首次上网日期,不代表论文的发表时间)
共6页
162-167