共查询到10条相似文献,搜索用时 31 毫秒
1.
针对大空间环境下的早期火灾的探测问题,提出一种基于记忆矩阵的运动目标检测方法,通过火焰质心的跳动直方图计算火焰的跳动频率,利用HSV颜色空间中火焰像素的特征结合火焰的跳动频率作为logistic回归模型的特征向量,构建火焰识别模型,实现视频火灾火焰探测。实验结果表明提出的算法在复杂的视频场景中都有较高的识别精度。 相似文献
2.
3.
4.
《消防技术与产品信息》2017,(5)
针对传统视频火灾探测方法误报率高、适用性弱的缺点,根据火焰在连续帧图像上的质心运动规律,提出了一种新的火灾探测方法。先利用RGB-HSI颜色模型筛选出单帧图像中的疑似火焰区域,再结合区域跟踪算法和质心轨迹统计得出火焰的质心运动规律,从而实现火灾连续探测。实验证明,该方法能够排除常见干扰源的影响,对于室内火灾探测具有一定的实用价值。 相似文献
5.
《消防技术与产品信息》2016,(12)
针对多来源、多格式、多尺度的区域火灾风险评估数据难于有效管理的问题,提出了一种基于GIS的区域火灾风险数据管理技术,即将火灾风险评估数据分为基础地理数据、规划数据、社会经济数据、消防业务数据和其他数据5类,在此基础上,构建了空间数据库、属性数据库和计算数据库3个数据库系统,并对空间数据库和属性数据库进行设计。该技术为火灾风险评估提供了较好的数据支持。 相似文献
6.
针对公路隧道火灾样本量少、深度学习效果不理想的问题,研究一种小样本学习技术,以提高对隧道火灾样本的利用率,并在此基础上利用成熟的机器学习方法,提出一种基于自注意力的隧道视频火灾识别技术。该技术采用自注意力机制结合SVM分类器搭建火焰识别模型,该模型针对各项特征对火焰识别的重要性分配不同的注意力权重,形成注意力矩阵,并将权重矩阵与特征向量的值相加权,通过SVM的Hinge Loss进行线性支持向量机分类,对公路隧道火灾进行识别和预警。在火灾识别训练过程中,通过对火焰疑似区域进行检测,并利用数据增强技术达到样本扩增的目的,随后采用多通道融合的特征提取方式构建特征向量,输入设计的自注意力火焰识别模型中,通过梯度下降优化器进行小批量模型训练,降低迭代次数,最终获得最优特征权重参数,得到最佳识别模型。试验结果表明,该方法在模型训练时收敛较快,在火焰识别时相比未使用小样本学习的传统SVM算法,准确率提高了5%,因此能在小样本环境下有效提高火灾识别的准确度。 相似文献
7.
针对古建筑火灾检测需要快速、准确及实时的需求,建立了一个专门用于古建筑火灾检测的数据集,用于古建筑火灾检测的深度学习研究。利用CBAM注意力机制模块,结合多尺度特征融合,对FireNet网络进行改进,提出适用于古建筑火灾检测的轻量级FireNet-AMF网络,在FireNet数据集和本文构建的古建筑火灾检测数据集上验证了FireNet-AMF网络的火灾检测能力。与改进前的网络相比,FireNet-AMF网络在FireNet数据集上对火灾识别的准确率达到了95.08%,与原网络相比提高了1.17%,在本文构建的古建筑火灾检测数据集上的准确率达到了95.62%,比原网络提高了1.62%。该网络在保证轻量级的同时也保证了在古建筑火灾检测中较高的检测精度。 相似文献
8.
对不同燃烧物产生的烟、温、气体等火灾早期特性和典型非火灾干扰进行了试验研究.构建了相应的数据库。在数据库数据信息分析的基础上.应用数据融合技术的原理和方法.研究火灾早期产物属性的多信息识别以及火灾与典型干扰因素之间的辨识.提出火灾探测的多眉数据融合模型.形成基与火灾产物和过程的多信息智能火灾探测方法。建立火灾探测方法的评估验证体系.通过模拟评估测试.为性能改善和提高提供依据。 相似文献
9.
火灾给人们的生命财产安全带来了严重威胁,做好火灾预防有着重要意义。基于人工智能和嵌入式控制技术,开发了一套基于视觉的嵌入式烟火监控云台,用于公共区域的烟火实时监控与预警。该云台使用NumPy算法库对视频图像进行快速预处理,以提高烟火检测的准确度和处理速度;使用Yolov5检测算法对视频图像中的烟雾和火焰进行分类识别,通过选取大量不同的火焰和烟雾场景制作数据集,得到烟火视频图像的检测模型,可以实现大范围的烟火监控与跟踪。实验表明,该算法可以实现通用场景下的烟火快速识别、检测与预警。 相似文献
10.
针对混凝土结构病害识别类型单一、精度较低的现状,提出了基于残差网络和迁移学习的病害分类识别方法,通过构建多属性病害数据集,利用迁移学习优化残差网络模型,提出混凝土结构健康状态识别的多个任务。首先收集混凝土结构的病害状态图像,依次通过数据清洗、尺寸均一化、数据扩增和多人投票标注,最终得到包含6 680张图像的混凝土结构病害多属性数据集,并依据不同标注属性进行了相应训练集、验证集和测试集的划分; 然后利用迁移学习对预训练的ResNet-34网络前3个部分进行参数冻结,后续2个部分的参数进行重新训练,并在模型末端添加新的参数,基于已构建的数据集进行训练; 最后在提出的构件类别检测、剥落检测、病害检测和病害类别检测任务中,分别获得84.88%、98.56%、97.18%和85.34%的F1分数。结果表明:通过构建多属性标注的混凝土结构病害数据集训练深度学习模型,可较好地实现多场景特征下的病害识别效果; 采用迁移学习技术可从开源数据中获取较好的特征提取效果; 改进的ResNet-34网络可克服网络退化问题,并针对混凝土结构病害识别的多个任务获得较好的效果; 相对于单一的混凝土结构病害识别,进行病害部位、程度、多类别的系统性检测,可为结构状态评估提供详细信息,更贴合工程实际需要。 相似文献