在深度學習中,多數(shù)基于視頻圖像處理的火災檢測技術(shù)在提取特征時存在著精度低、無法實時檢測的缺點。因此,提出了一種基于YOLOv3遷移學習的目標檢測方法。首先,在進行特征提取的卷積層加入了殘差網(wǎng)絡中的快捷鏈路避免梯度消失。其次,采用了多尺度的先驗框檢測目標物體。最后,使用了Sigmoid與交叉熵函數(shù)相結(jié)合的損失函數(shù)來進行多目標預測。實驗結(jié)果表明,該算法的平均精度的均值為0.75,并且可以實時檢測。 

【文章來源】：江蘇海洋大學學報(自然科學版). 2020,29(03)

【文章頁數(shù)】：5 頁

【部分圖文】：

基于CNNs的圖像火災檢測算法流程圖

圖2展示了Inception Resnet v2的第1、第3和第6卷積層中卷積核的樣本，這表明網(wǎng)絡在以后的層中提取更復雜的特征。這里需要一個深度網(wǎng)絡來提取復雜的圖像特征。本文選取Inception Resnet v2[14]和Darknet-53[15]作為具有235和53個卷積層的特征提取網(wǎng)絡。選擇具有良好檢測精度和檢測速度的圖像目標檢測網(wǎng)絡（YOLOv3）來開發(fā)圖像火災檢測算法。該算法的結(jié)構(gòu)如圖3所示。

選擇具有良好檢測精度和檢測速度的圖像目標檢測網(wǎng)絡（YOLOv3）來開發(fā)圖像火災檢測算法。該算法的結(jié)構(gòu)如圖3所示。早期特征圖中的特征不夠復雜，導致較小對象的檢測性能較差。YOLOv3借鑒殘差網(wǎng)絡的思路，提高了檢測對象的精度。單步策略在檢測速度上性能較好。YOLOv3網(wǎng)絡結(jié)構(gòu)使用無最后3層的Darknet-53生成一個小尺度特征圖，其在原始圖像的基礎(chǔ)上下采樣32倍，例如：如果原始圖像的大小為416×416，則特征圖的大小為13×13，使小規(guī)模特征圖用于檢測大目標。YOLOv3通過對小規(guī)模特征圖進行上采樣并與前一層的特征圖連接，生成大比例特征圖。大規(guī)模特征圖用來檢測小物體，具有淺層神經(jīng)網(wǎng)絡的位置信息和深層網(wǎng)絡的復雜特征信息。特征圖的3個尺度分別是原始圖像的8倍、16倍和32倍。


本文編號：3137593