針對火焰檢測定位精度與檢測精度不高的問題,提出了基于定位置信度和區(qū)域全卷積網(wǎng)絡(luò)的火焰檢測方法。首先使用擴大的可分離卷積提高感受野,減少模型參數(shù)量,提高檢測速度;其次對預(yù)測候選框進(jìn)行平移和伸縮操作,以提高候選區(qū)域的完整性;然后對非極大值抑制方法采用分類置信度作為排序標(biāo)準(zhǔn),而導(dǎo)致的錯誤抑制問題,引入定位置信度,以提高候選框的定位精度及檢測精度;最后加入新的標(biāo)簽,分別代表特征不明顯的弱火焰與特征明顯的強火焰,對弱火焰樣本加強學(xué)習(xí),使得弱火焰能與亮色背景更好區(qū)分,從而降低樣本漏檢率。實驗結(jié)果表明,本文方法在Bilkent大學(xué)公開火焰數(shù)據(jù)集以及互聯(lián)網(wǎng)搜集的測試數(shù)據(jù)上,檢測的火焰區(qū)域更完整,火焰位置更精確,火焰檢測率更高。 

【文章來源】：激光與光電子學(xué)進(jìn)展. 2020,57(20)北大核心CSCD

【文章頁數(shù)】：10 頁

【部分圖文】：

IOU預(yù)測

本文對R-FCN中的三個網(wǎng)絡(luò)部分，殘差網(wǎng)絡(luò)、區(qū)域建議網(wǎng)絡(luò)和敏感位置卷積池化網(wǎng)絡(luò)進(jìn)行改進(jìn)，并引入定位置信度，提出基于定位置信度和區(qū)域全卷積網(wǎng)絡(luò)（LOF-FCN）的火焰檢測方法，檢測流程如圖10所示。對應(yīng)火焰檢測方法的算法描述如下。

通過對比，添加L-Fire標(biāo)簽后，火焰漏檢率明顯下降，表明本文根據(jù)火焰特征分類建立新的FireData訓(xùn)練集可以有效減少漏檢率；而不添加弱火焰標(biāo)簽，深度學(xué)習(xí)網(wǎng)絡(luò)會把這類占比較小的火焰當(dāng)作負(fù)樣本，從而出現(xiàn)較大漏檢率。在新的FireData訓(xùn)練集上采用LOF-FCN方法訓(xùn)練模型，漏檢率進(jìn)一步下降，表明本文提出的方法可以有效提高火焰檢測精度。5.2 算法性能對比

【參考文獻(xiàn)】：
期刊論文
[1]基于改進(jìn)Faster R-CNN的小尺度行人檢測[J]. 陳澤,葉學(xué)義,錢丁煒,魏陽洋.  計算機工程. 2020(09)
[2]基于YOLOv2的視頻火焰檢測方法[J]. 杜晨錫,嚴(yán)云洋,劉以安,高尚兵.  計算機科學(xué). 2019(06)
[3]基于優(yōu)化可形變區(qū)域全卷積神經(jīng)網(wǎng)絡(luò)的人頭檢測方法[J]. 吉訓(xùn)生,王昊.  激光與光電子學(xué)進(jìn)展. 2019(14)
[4]結(jié)合Faster R-CNN的多類型火焰檢測[J]. 回天,哈力旦·阿布都熱依木,杜晗.  中國圖象圖形學(xué)報. 2019(01)
[5]基于區(qū)域全卷積網(wǎng)絡(luò)結(jié)合殘差網(wǎng)絡(luò)的火焰檢測方法[J]. 洪偉,李朝鋒.  激光與光電子學(xué)進(jìn)展. 2018(04)



本文編號：3543720