基于深度学习的烟雾图像语义分割研究

发布时间：2025-06-19 04:46

　　火灾是发生频率非常高的自然灾害之一,给社会和人民安全造成了非常严重的损害,研究快速有效的火灾检测方法具有非常重大的现实意义。由于烟雾的可观察性更强,因此,基于烟雾的火灾检测方法是该领域的主要研究内容。烟雾目标语义分割在计算机视觉研究领域和安全监控领域具有广泛的应用背景,能直接嵌入火灾报警系统中辅助完成火灾检测任务,对于后续人员疏散和财物转移具有很好的预警作用,因此,可作为火灾安全管理和应急管理的底层支撑技术。而基于深度学习的烟雾图像语义分割可以通过更加智能的方式及时检测出火灾发生的准确位置,其监控范围更广、报警速度更快,并且能够极大地减少人力投入。但是,烟雾目标具有模糊、半透明、非刚性的特点,因此,如何从烟雾图像中获取有效的关键特征,并利用这些特征对烟雾目标进行语义分割,是目前急需解决的主要问题。本文着眼于烟雾目标语义分割面临的主要难题,结合烟雾目标的特点,研究基于深度卷积神经网络的特征提取和语义分割方法。本文主要工作和贡献可概括如下。(1)提出采用图形学工具构建烟雾图像语义分割数据集。烟雾目标由于其边界非常模糊且飘忽不定,利用人工方式进行全图标注是非常困难且耗时的。因此,针对烟雾目标全...

【文章页数】：126 页

【学位级别】：博士

【部分图文】：

图6.6不同损失函数调制因子图

第6章基于边界增强和注意力机制的烟雾语义分割89图6.6不同损失函数调制因子图（2）多任务自适应联合训练函数整个网络采用端对端的训练方式，通过一个多任务联合训练损失函数进行优化，其具体数学表达式如（6.11）所示。=+α（6.11）SL为语义分割子网络损失函数，采用的是带有权重衰....

本文编号：4050879