基于深度学习的烟火识别和检测问题研究

发布时间：2025-06-27 03:34

　　火灾产生的烟雾和火焰对人类的生存环境造成了极大威胁,基于传感器的检测方法存在不经济、延时和误报等问题,而传统的图像处理方法鲁棒性不强,对火灾的预警极为不利。近些年,深度网络模型在视觉领域取得了突出成就,将深度网络模型应用于烟火的识别和检测也成为了研究热点。但是,由于深度网络模型存在高存储和高功耗的弊端,在资源有限环境中对烟火进行识别和检测会受到很大阻碍。为此,本文采用轻量化和通道剪枝方法对模型进行了有效的压缩和加速,主要研究工作可概括如下:(1)本文使用轻量型的网络结构mobilenetv2来精准且快速的识别烟火图像。该网络使用了大量的1*1卷积结构和深度卷积结构来降低模型参数量和计算量,同时又保持了较高的识别准确率。在烟火数据集的实验结果表明,与大型网络vgg16相比,mobilenetv2网络模型的参数量减少了 84.9%,计算量减少了 98.0%,而识别准确率反而高出了 0.76%。(2)本文提出一种改进的refinedet模型来准确和快速的检测烟火图像。该模型将原始refinedet模型中的基础网络vgg16替换成mobilenetv2,额外层缩减为1个卷积层,同时将TCB结构中...

【文章页数】：78 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第1章 绪论
    1.1 研究背景及意义
    1.2 国内外研究现状
        1.2.1 传感器方法
        1.2.2 图像处理方法
        1.2.3 深度学习方法
    1.3 烟火识别和检测的技术难点
    1.4 本文的主要研究内容
    1.5 本文的组织结构
第2章 关键技术分析
    2.1 CNN
        2.1.1.CNN结构
        2.1.2.CNN的特性
    2.2 目标检测网络
        2.2.1.基于候选区域的目标检测算法
        2.2.2.基于回归的目标检测算法
    2.3 网络剪枝
    2.4 本章小结
第3章 基于深度学习的烟火图像识别与检测
    3.1 烟火识别网络的设计与实现
    3.2 烟火检测网络的设计与实现
        3.2.1.refinedet模型的基础网络和额外层的改进与分析
        3.2.2.refinedet模型的辅助网络改进与分析
    3.3 实验平台和实验数据集
        3.3.1.实验平台
        3.3.2.实验数据集
    3.4 烟火识别实验结果和分析
        3.4.1.数据预处理和模型预训练
        3.4.2.模型性能评估
    3.5 烟火检测实验结果和分析
        3.5.1.数据预处理和模型预训练
        3.5.2.模型评估标准
        3.5.3.模型的性能评估
    3.6 本章小结
第4章 烟火识别和检测网络的通道剪枝
    4.1 通道剪枝
        4.1.1.通道剪枝方法简介
        4.1.2.添加辅助层
        4.1.3.快速迭代阈值收缩剪枝算法
    4.2 烟火识别网络的通道剪枝
        4.2.1.烟火识别网络通道剪枝设计
        4.2.2.烟火识别网络通道剪枝实验结果
    4.3 烟火检测网络的通道剪枝
        4.3.1.烟火检测网络的剪枝预处理
        4.3.2.烟火检测网络的剪枝实验结果评估
    4.4 烟火识别和检测过程的处理流程图
    4.5 本章小结
第5章 总结与展望
    5.1 本文总结
    5.2 下一步工作和展望
参考文献
致谢
在读期间发表的学术论文与取得的其他研究成果



本文编号：4053741