在深度學(xué)習(xí)中,多數(shù)基于視頻圖像處理的火災(zāi)檢測(cè)技術(shù)在提取特征時(shí)存在著精度低、無(wú)法實(shí)時(shí)檢測(cè)的缺點(diǎn)。因此,提出了一種基于YOLOv3遷移學(xué)習(xí)的目標(biāo)檢測(cè)方法。首先,在進(jìn)行特征提取的卷積層加入了殘差網(wǎng)絡(luò)中的快捷鏈路避免梯度消失。其次,采用了多尺度的先驗(yàn)框檢測(cè)目標(biāo)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(lái)進(jìn)行多目標(biāo)預(yù)測(cè)。實(shí)驗(yàn)結(jié)果表明,該算法的平均精度的均值為0.75,并且可以實(shí)時(shí)檢測(cè)。 

【文章來(lái)源】：江蘇海洋大學(xué)學(xué)報(bào)(自然科學(xué)版). 2020,29(03)

【文章頁(yè)數(shù)】：5 頁(yè)

【部分圖文】：

基于CNNs的圖像火災(zāi)檢測(cè)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(luò)在以后的層中提取更復(fù)雜的特征。這里需要一個(gè)深度網(wǎng)絡(luò)來(lái)提取復(fù)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(gè)卷積層的特征提取網(wǎng)絡(luò)。選擇具有良好檢測(cè)精度和檢測(cè)速度的圖像目標(biāo)檢測(cè)網(wǎng)絡(luò)（YOLOv3）來(lái)開(kāi)發(fā)圖像火災(zāi)檢測(cè)算法。該算法的結(jié)構(gòu)如圖3所示。

選擇具有良好檢測(cè)精度和檢測(cè)速度的圖像目標(biāo)檢測(cè)網(wǎng)絡(luò)（YOLOv3）來(lái)開(kāi)發(fā)圖像火災(zāi)檢測(cè)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(fù)雜，導(dǎo)致較小對(duì)象的檢測(cè)性能較差。YOLOv3借鑒殘差網(wǎng)絡(luò)的思路，提高了檢測(cè)對(duì)象的精度。單步策略在檢測(cè)速度上性能較好。YOLOv3網(wǎng)絡(luò)結(jié)構(gòu)使用無(wú)最后3層的Darknet-53生成一個(gè)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(cè)大目標(biāo)。YOLOv3通過(guò)對(duì)小規(guī)模特征圖進(jìn)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(lái)檢測(cè)小物體，具有淺層神經(jīng)網(wǎng)絡(luò)的位置信息和深層網(wǎng)絡(luò)的復(fù)雜特征信息。特征圖的3個(gè)尺度分別是原始圖像的8倍、16倍和32倍。


本文編號(hào)：3137593