基于迁移学习的火灾图像检测方法研究

发布时间：2022-01-24 13:07

　　当前基于特征的火灾检测方法存在误报率高、实时性差等问题,而基于深度学习的火灾检测方法也存在数据集少、预测速度慢、准确率低等问题。针对这些问题,提出一种基于迁移学习的火灾图像检测方法,将源域中训练好的模型,迁移到火灾检测领域。首先,从网络获取InceptionV3、ResNet18、ResNet50、DenseNet121这四种预训练模型,然后将预处理好的训练集放到预训练模型中进行训练,最后对模型进行微调。实验结果表明,DenseNet121相比于其他三个模型具有更好的识别能力,其中准确率达到92.54%,漏报率达到7.36%,且预测时间减少40%,模型大小只有31.6M。 

【文章来源】：现代计算机. 2020,(28)

【文章页数】：6 页

【部分图文】：

基于迁移学习的检测方法框架

Goog Le Net提出Inception网络结构，其目标是搭建稀疏且高计算性能的网络结构，Inception网络在V1-V4版本的发展之后渐入佳境，效果越发强大。Inception的初始结构如图2所示。该结构将CNN中常用的1×1、3×3、5×5卷积和3×3池化操作组合在一起，不仅增加了网络宽度，也增加了网络的适应性，其中1×1卷积可以用来减少维度和降低运算量。Inception V3引入了分解，将7×7卷积转换成7×1和1×7卷积，既加速了计算，又进一步增加了网络深度和非线性，提高了网络的表现能力，它的网络结构如下表1所示。

残差块结构

【参考文献】：
期刊论文
[1]基于卷积神经网络的火焰识别[J]. 段锁林,刘福,高仁洲,王一凡,潘礼正.  计算机工程与设计. 2019(11)
[2]基于Faster R-CNN模型的火焰检测[J]. 严云洋,朱晓妤,刘以安,高尚兵.  南京师大学报(自然科学版). 2018(03)
[3]基于深度迁移学习的烟雾识别方法[J]. 王文朋,毛文涛,何建樑,窦智.  计算机应用. 2017(11)
[4]复杂背景下基于深度卷积神经网络的森林火灾识别[J]. 傅天驹,郑嫦娥,田野,丘启敏,林斯俊.  计算机与现代化. 2016(03)
[5]室外视频前景检测中的形态学改进ViBe算法[J]. 孙水发,覃音诗,马先兵,雷帮军.  计算机工程与应用. 2013(10)
[6]一种改进的帧差法实现火焰目标分割[J]. 陈宁,丁飞.  火灾科学. 2012(04)



本文编号：3606628