[go: up one dir, main page]

CN111145222A - 一种结合烟雾运动趋势和纹理特征的火灾检测方法 - Google Patents

一种结合烟雾运动趋势和纹理特征的火灾检测方法 Download PDF

Info

Publication number
CN111145222A
CN111145222A CN201911405413.7A CN201911405413A CN111145222A CN 111145222 A CN111145222 A CN 111145222A CN 201911405413 A CN201911405413 A CN 201911405413A CN 111145222 A CN111145222 A CN 111145222A
Authority
CN
China
Prior art keywords
smoke
fire
video
frame
network
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.)
Pending
Application number
CN201911405413.7A
Other languages
English (en)
Inventor
苏宏业
马龙华
陆哲明
虞斌超
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang Zhongchuang Tiancheng Technology Co ltd
Original Assignee
Zhejiang Zhongchuang Tiancheng Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang Zhongchuang Tiancheng Technology Co ltd filed Critical Zhejiang Zhongchuang Tiancheng Technology Co ltd
Priority to CN201911405413.7A priority Critical patent/CN111145222A/zh
Publication of CN111145222A publication Critical patent/CN111145222A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/254—Analysis of motion involving subtraction of images
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20212—Image combination
    • G06T2207/20224—Image subtraction
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30232—Surveillance

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)
  • Fire-Detection Mechanisms (AREA)

Abstract

本发明公开了一种结合烟雾运动趋势和纹理特征的火灾检测方法，该方法首先采集火灾烟雾视频，构建训练视频集；然后构建由烟雾纹理特征深度网络、全连接网络和Softmax层构成的火灾视频烟雾检测模型，并通过提取HOG特征的方法计算训练视频集中火灾烟雾各方向上的运动剧烈程度以及整体趋势。然后将烟雾纹理特征深度网络输出的特征向量和HOG特征进行拼接，共同输入全连接网络中，输出判断火灾烟雾概率的置信度。将待测视频逐帧输入到火灾视频烟雾检测模型中，通过输出结果的置信度是否达到设定的阈值，来判断当前帧中有无火灾产生的烟雾。本方法能够很好的区分出自然界云雾与火灾烟雾的区别，并准确识别出火灾烟雾，提高了火灾烟雾识别的准确率。

Description

一种结合烟雾运动趋势和纹理特征的火灾检测方法
技术领域
本发明属于机器视觉应用领域，特别涉及一种结合烟雾运动趋势和纹理特征的火灾检测方法。
背景技术
火灾烟雾检测算法的研究一直以来获得了较大关注，随着深度学习技术的快速发展，它也成为了其中的研究热点之一。基于深度学习的火灾烟雾检测技术具备成本小、反应快、实时性强、覆盖面积广、准确率高等优点，有着广泛的应用前景。由于火灾烟雾的环境的复杂性、光照天气多变性、算法模型的复杂度、对硬件的算力要求等，火灾烟雾检测目前还处于初步落地阶段中。有时即便有烟雾存在，受限于摄像机角度、物体遮挡等，检测效果还有很大的提升空间，所以高精度、低复杂度且能抗遮挡的火灾烟雾检测算法还有待开发。
目前的火灾烟雾检测方法只有两种主流方式：一种是基于深度学习的方法但是算法复杂度高，对硬件算力要求高，较难部署，对神经网络的设计要求比较高。另一种是基于传统方法，利用人工设计的特征，如火灾烟雾的运动特征、光学特征、扩散特征等来进行火灾烟雾识别，但是这种方法准确率较低，识别较慢比较容易失效，精度上远远不如前者。
发明内容
本发明的目的在于针对现有技术的不足，提供一种结合烟雾运动趋势和纹理特征的火灾检测方法。结合深度学习和运动特征来进行火灾烟雾检测，实现了高精度的实时的火灾视频烟雾检测。
本发明的目的是通过以下技术方案来实现的：一种结合烟雾运动趋势和纹理特征的火灾检测方法，包括以下步骤：
(1)采集火灾烟雾视频，并抽取火灾烟雾视频中的定长帧数的视频帧作为训练数据，用矩形框标注出视频帧上的火灾烟雾，并将标注的结果形成标注文件，将标注文件及其对应视频帧作为训练视频集；
(2)构建火灾视频烟雾检测模型，该模型由烟雾纹理特征深度网络、全连接网络和Softmax层构成，所述烟雾纹理特征深度网络结构为LeNet除去全连接层的网络，用于逐帧定位视频中的烟雾位置；将步骤(1)中的训练视频集输入到烟雾纹理特征深度网络中，输出为经过神经网络编码的特征向量。
(3)火灾视频烟雾检测模型通过提取HOG特征的方法计算训练视频集中火灾烟雾各方向上的运动剧烈程度以及整体趋势。
所述提取HOG特征具体为：对输入训练视频集的视频帧通过帧差法计算运动图像，并对运动图像进行灰度化，归一化后，逐像素计算梯度，将输入帧分成6*6的Cell，并统计每个Cell的梯度直方图，将每3*3个Cell内的梯度直方图串联并扫描全图，即得到HOG特征，该HOG特征包含火灾烟雾各方向上的运动剧烈程度以及整体趋势；
(4)将烟雾纹理特征深度网络输出的特征向量和HOG特征进行拼接，然后输入到全连接网络判别训练视频集中是否有烟雾，并通过Softmax层输出训练视频集中的火灾烟雾概率的置信度。
(5)将待测视频逐帧输入到火灾视频烟雾检测模型中，通过输出结果的置信度是否达到设定的阈值，来判断当前帧中有无火灾产生的烟雾，并根据检测结果通过扬声器警告。
进一步地，将采集火灾烟雾视频作为正样本，并采集不含有火灾烟雾的自然云雾视频作为负样本，一起构建训练视频集对火灾视频烟雾检测模型进行训练，提升火灾视频烟雾检测模型的抗干扰能力。
进一步地，所述步骤(5)中，逐帧进行的烟雾检测，只有当连续数次检测出烟雾才会触发报警，如果连续的帧数，达不到触发报警帧数的阈值，则认为是噪声。
本发明的有益效果是：本发明将深度学习与传统方法进行结合，搭建了实时火灾烟雾检测模型，利用了深度学习火灾烟雾对于单帧内容与纹理检测的准确性和运动特征检测的有效性，通过后级全连接网络进行混合决策。本发明同时结合了深度学习和运动特征来进行火灾烟雾检测的优点，实现了高精度的实时的视频烟雾检测。
附图说明
图1是火灾烟雾实时检测算法流程图；
图2是火灾烟雾标注示意图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步详细说明。
本发明通过搭建和训练烟雾检测到模型，将深度学习与传统运动检测方法结合实现了高精度的火灾烟雾检测方法，其关键在于提出融合两者特征并进行协同判断的方法。首先，生成真实的混有火灾烟雾和自然云雾的数据集用于模型训练。其次，融合基于轻量级深度神经网络LeNet与提取HOG特征的方法得到的烟雾运动状态，并提出合理的整合方法。接下来，设计后级全连接网络进行对烟雾的整体协同检测，并设计网络评价指标，以反映模型的整体精度和实时性。如图1所示，本发明采用的技术方案主要步骤如下：
(1)采集火灾烟雾视频，并抽取火灾烟雾视频中的定长帧数的视频帧作为正样本，并采集不含有火灾烟雾的自然云雾视频作为负样本，一起构建训练视频集，提升火灾视频烟雾检测模型的抗干扰能力，用矩形框标注出视频帧上的火灾烟雾，并将标注的结果形成标注文件，将标注文件及其对应视频帧作为训练视频集，如图2所示，训练视频集的样本数一般大于1000个；训练视频集中的视频帧数据在后续操作前一般要进行预处理操作，包括裁剪缩放等。
(2)构建火灾视频烟雾检测模型，该模型由烟雾纹理特征深度网络、全连接网络和Softmax层构成，所述烟雾纹理特征深度网络结构为LeNet除去全连接层的网络，用于逐帧定位视频中的烟雾位置；将步骤(1)中的训练视频集输入到烟雾纹理特征深度网络中，输出为经过神经网络编码的特征向量。
(3)火灾视频烟雾检测模型通过提取HOG特征的方法计算训练视频集中火灾烟雾各方向上的运动剧烈程度以及整体趋势。
提取HOG特征过程：对输入训练视频集的视频帧，通过帧差法计算运动图像，并对运动图像进行灰度化，归一化后，逐像素计算梯度，将输入帧分成6*6的Cell，并统计每个Cell的梯度直方图，将每3*3个Cell内的梯度直方图串联并扫描全图，即得到HOG特征，该HOG特征包含火灾烟雾各方向上的运动剧烈程度以及整体趋势；
(4)将烟雾纹理特征深度网络输出的特征向量和HOG特征进行拼接，共同输入全连接网络中，通过全连接网络来进行视频中是否有烟雾的判别并通过Softmax层输出判断火灾烟雾概率的置信度。在训练过程中，将通过输出的置信度输入反向传播算法中，进行模型参数的更新。
(5)将待测视频逐帧输入到火灾视频烟雾检测模型中，通过输出结果的置信度是否达到设定的阈值，来判断当前帧中有无火灾产生的烟雾。设定的置信度阈值在不同的数据集中有所不同，一般大于0.7。并根据检测结果决定是否通过扬声器警告，只有当连续数次检测出烟雾才会触发报警，如果连续的帧数，达不到触发报警帧数的阈值，则认为是噪声。根据模型实验结果的统计精度，连续四次误检的概率为0.4％，因此触发报警帧数的阈值设为4。
以野外自然场景下的火灾视频检测为例，采集野外火灾视频(如：森林火灾等)和对易混淆的无火灾视频(如：云海，云雾等)构建步骤(1)中的训练视频集，经过步骤(2)、(3)、(4)处理后，得到训练好的模型，并通过步骤(5)输出检测结果。
对于步骤(5)中得到的火灾置信度的结果，以置信度是否与标注相同的准确率(Accuracy)和算法每秒可以处理的待测视频帧的帧数(FPS)作为评价算法的标准。
训练阶段采用前半个数据集的数据，测试阶段采用后半个数据集作为测试对象。模型的实验结果的mAP达到0.75，满足火灾烟雾检测的精度要求，速度可以达到30FPS，满足实时的要求。
上述实施例用来解释说明本发明，而不是对本发明进行限制，在本发明的精神和权利要求的保护范围内，对本发明作出的任何修改和改变，都落入本发明的保护范围。

Claims (3)

1.一种结合烟雾运动趋势和纹理特征的火灾检测方法，其特征在于，包括以下步骤：
(1)采集火灾烟雾视频，并抽取火灾烟雾视频中的定长帧数的视频帧作为训练数据，用矩形框标注出视频帧上的火灾烟雾，并将标注的结果形成标注文件，将标注文件及其对应视频帧作为训练视频集；
(2)构建火灾视频烟雾检测模型，该模型由烟雾纹理特征深度网络、全连接网络和Softmax层构成，所述烟雾纹理特征深度网络结构为LeNet除去全连接层的网络，用于逐帧定位视频中的烟雾位置；将步骤(1)中的训练视频集输入到烟雾纹理特征深度网络中，输出为经过神经网络编码的特征向量。
(3)火灾视频烟雾检测模型通过提取HOG特征的方法计算训练视频集中火灾烟雾各方向上的运动剧烈程度以及整体趋势。
所述提取HOG特征具体为：对输入训练视频集的视频帧通过帧差法计算运动图像，并对运动图像进行灰度化，归一化后，逐像素计算梯度，将输入帧分成6*6的Cell，并统计每个Cell的梯度直方图，将每3*3个Cell内的梯度直方图串联并扫描全图，即得到HOG特征，该HOG特征包含火灾烟雾各方向上的运动剧烈程度以及整体趋势；
(4)将烟雾纹理特征深度网络输出的特征向量和HOG特征进行拼接，然后输入到全连接网络判别训练视频集中是否有烟雾，并通过Softmax层输出训练视频集中的火灾烟雾概率的置信度。
(5)将待测视频逐帧输入到火灾视频烟雾检测模型中，通过输出结果的置信度是否达到设定的阈值，来判断当前帧中有无火灾产生的烟雾，并根据检测结果通过扬声器警告。
2.根据权利要求1所述的一种结合烟雾运动趋势和纹理特征的火灾检测方法，其特征在于，将采集火灾烟雾视频作为正样本，并采集不含有火灾烟雾的自然云雾视频作为负样本，一起构建训练视频集对火灾视频烟雾检测模型进行训练，提升火灾视频烟雾检测模型的抗干扰能力。
3.根据权利要求1所述的一种结合烟雾运动趋势和纹理特征的火灾检测方法，其特征在于，所述步骤(5)中，逐帧进行的烟雾检测，只有当连续数次检测出烟雾才会触发报警，如果连续的帧数，达不到触发报警帧数的阈值，则认为是噪声。
CN201911405413.7A 2019-12-30 2019-12-30 一种结合烟雾运动趋势和纹理特征的火灾检测方法 Pending CN111145222A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911405413.7A CN111145222A (zh) 2019-12-30 2019-12-30 一种结合烟雾运动趋势和纹理特征的火灾检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911405413.7A CN111145222A (zh) 2019-12-30 2019-12-30 一种结合烟雾运动趋势和纹理特征的火灾检测方法

Publications (1)

Publication Number Publication Date
CN111145222A true CN111145222A (zh) 2020-05-12

Family

ID=70522327

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911405413.7A Pending CN111145222A (zh) 2019-12-30 2019-12-30 一种结合烟雾运动趋势和纹理特征的火灾检测方法

Country Status (1)

Country Link
CN (1) CN111145222A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112071016A (zh) * 2020-09-14 2020-12-11 广州市几米物联科技有限公司 火灾监控方法、装置、设备及存储介质
CN112766179A (zh) * 2021-01-22 2021-05-07 郑州轻工业大学 一种基于运动特征混合深度网络的火灾烟雾检测方法
CN112949453A (zh) * 2021-02-26 2021-06-11 南京恩博科技有限公司 烟火检测模型的训练方法、烟火检测方法及设备
CN114120171A (zh) * 2021-10-28 2022-03-01 华能盐城大丰新能源发电有限责任公司 基于视频帧的火灾烟雾检测方法、装置、设备及存储介质
CN114283569A (zh) * 2022-01-24 2022-04-05 北京鼎好鑫源科技有限公司 一种大数据特征参量预警装置及方法
CN116563523A (zh) * 2023-05-26 2023-08-08 杭州海康威视系统技术有限公司 烟雾识别方法、装置、设备及存储介质

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103116746A (zh) * 2013-03-08 2013-05-22 中国科学技术大学 一种基于多特征融合技术的视频火焰探测方法
CN105787458A (zh) * 2016-03-11 2016-07-20 重庆邮电大学 基于人工设计特征和深度学习特征自适应融合的红外行为识别方法
CN106203334A (zh) * 2016-07-11 2016-12-07 电子科技大学 一种室内场景火苗检测方法
CN106599907A (zh) * 2016-11-29 2017-04-26 北京航空航天大学 多特征融合的动态场景分类方法与装置
CN107463968A (zh) * 2017-08-25 2017-12-12 太原理工大学 烟雾判断码书的产生方法、产生系统及烟雾的检测方法
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
CN108985192A (zh) * 2018-06-29 2018-12-11 东南大学 一种基于多任务深度卷积神经网络的视频烟雾识别方法
CN109165577A (zh) * 2018-08-07 2019-01-08 东北大学 一种基于视频图像的早期森林火灾检测方法
CN109522965A (zh) * 2018-11-27 2019-03-26 天津工业大学 一种基于迁移学习的双通道卷积神经网络的烟雾图像分类方法
CN109784259A (zh) * 2019-01-08 2019-05-21 江河瑞通（北京）技术有限公司 基于图像识别的水体透明度智能识别方法及塞氏盘组件
CN109859199A (zh) * 2019-02-14 2019-06-07 浙江科技学院 一种sd-oct图像的淡水无核珍珠质量检测的方法
CN110503021A (zh) * 2019-08-19 2019-11-26 温州大学 基于时间压缩轨迹特征识别的火灾烟雾检测方法

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103116746A (zh) * 2013-03-08 2013-05-22 中国科学技术大学 一种基于多特征融合技术的视频火焰探测方法
CN105787458A (zh) * 2016-03-11 2016-07-20 重庆邮电大学 基于人工设计特征和深度学习特征自适应融合的红外行为识别方法
CN106203334A (zh) * 2016-07-11 2016-12-07 电子科技大学 一种室内场景火苗检测方法
CN106599907A (zh) * 2016-11-29 2017-04-26 北京航空航天大学 多特征融合的动态场景分类方法与装置
CN107463968A (zh) * 2017-08-25 2017-12-12 太原理工大学 烟雾判断码书的产生方法、产生系统及烟雾的检测方法
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
CN108985192A (zh) * 2018-06-29 2018-12-11 东南大学 一种基于多任务深度卷积神经网络的视频烟雾识别方法
CN109165577A (zh) * 2018-08-07 2019-01-08 东北大学 一种基于视频图像的早期森林火灾检测方法
CN109522965A (zh) * 2018-11-27 2019-03-26 天津工业大学 一种基于迁移学习的双通道卷积神经网络的烟雾图像分类方法
CN109784259A (zh) * 2019-01-08 2019-05-21 江河瑞通（北京）技术有限公司 基于图像识别的水体透明度智能识别方法及塞氏盘组件
CN109859199A (zh) * 2019-02-14 2019-06-07 浙江科技学院 一种sd-oct图像的淡水无核珍珠质量检测的方法
CN110503021A (zh) * 2019-08-19 2019-11-26 温州大学 基于时间压缩轨迹特征识别的火灾烟雾检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
殷梦霞: "面向复杂场景的烟雾检测研究与实现", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》, no. 6, pages 1 - 74 *
陈俊周 等: "基于级联卷积神经网络的视频动态烟雾检测", 《电子科技大学学报》, vol. 45, no. 6, pages 992 - 996 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112071016A (zh) * 2020-09-14 2020-12-11 广州市几米物联科技有限公司 火灾监控方法、装置、设备及存储介质
CN112766179A (zh) * 2021-01-22 2021-05-07 郑州轻工业大学 一种基于运动特征混合深度网络的火灾烟雾检测方法
CN112949453A (zh) * 2021-02-26 2021-06-11 南京恩博科技有限公司 烟火检测模型的训练方法、烟火检测方法及设备
CN112949453B (zh) * 2021-02-26 2023-12-26 南京恩博科技有限公司 烟火检测模型的训练方法、烟火检测方法及设备
CN114120171A (zh) * 2021-10-28 2022-03-01 华能盐城大丰新能源发电有限责任公司 基于视频帧的火灾烟雾检测方法、装置、设备及存储介质
CN114283569A (zh) * 2022-01-24 2022-04-05 北京鼎好鑫源科技有限公司 一种大数据特征参量预警装置及方法
CN114283569B (zh) * 2022-01-24 2023-09-15 北京鼎好鑫源科技有限公司 一种大数据特征参量预警装置及方法
CN116563523A (zh) * 2023-05-26 2023-08-08 杭州海康威视系统技术有限公司 烟雾识别方法、装置、设备及存储介质

Similar Documents

Publication Publication Date Title
CN113436169B (zh) 一种基于半监督语义分割的工业设备表面裂纹检测方法及系统
CN111145222A (zh) 一种结合烟雾运动趋势和纹理特征的火灾检测方法
Zhang et al. Deep convolutional neural networks for forest fire detection
CN114241511B (zh) 一种弱监督行人检测方法、系统、介质、设备及处理终端
CN115131747A (zh) 基于知识蒸馏的输电通道工程车辆目标检测方法及系统
CN109389185B (zh) 使用三维卷积神经网络的视频烟雾识别方法
CN113469050A (zh) 基于图像细分类的火焰检测方法
CN115690564B (zh) 基于Recursive BIFPN网络的室外火灾烟雾图像检测方法
CN117576632B (zh) 基于多模态ai大模型的电网监控火灾预警系统及方法
CN109165602B (zh) 一种基于视频分析的黑烟车检测方法
Chen et al. Real-time garbage object detection with data augmentation and feature fusion using SUAV low-altitude remote sensing images
CN107330441B (zh) 火焰图像前景提取算法
CN105184229A (zh) 一种动态场景下基于在线学习的实时行人检测方法
CN109376736A (zh) 一种基于深度卷积神经网络的视频小目标检测方法
CN106570885A (zh) 基于亮度和纹理融合阈值的背景建模方法
CN117474883A (zh) 基于残差偏移网络自适应优化的绝缘子状态检测方法
CN114821441B (zh) 联合ads-b信息的基于深度学习的机场场面运动目标识别方法
CN112464893A (zh) 一种复杂环境下的拥挤度分类方法
CN116612413A (zh) 一种基于改进YOLOv5和数据增强的停车场烟火检测方法、装置及存储介质
Liu et al. EMB-YOLO: Dataset, method and benchmark for electric meter box defect detection
CN115661932A (zh) 一种垂钓行为检测方法
CN113379603B (zh) 一种基于深度学习的船舶目标检测方法
Chen et al. Faster RCNN for multi-class foreign objects detection of transmission lines
CN115100546A (zh) 一种基于mobilenet的电力设备小目标缺陷识别方法及系统
CN119559584A (zh) 一种基于改进YOLOv10模型的输电线路异物识别方法及系统

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20200512

RJ01 Rejection of invention patent application after publication