基于记忆矩阵和跳动频率的视频火焰识别方法

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。     

基于多核学习的煤岩图像特征融合与识别方法

本文提出了基于多核学习的煤岩特征融合与识别方法,首先从煤岩图像提取两种特征,然后将每一种特征输入到一组核组合的SVM分类器中进行多核学习,得到该特征的一组核的权重系数,构成每个特征的核矩阵,最后将每个核矩阵组合起来再进行多核权重学习,得到每一组核的权重系数,最后将得出的权重组合成新的核空间,进行多核SVM分类。结果表明,该方法有效地对煤岩的图像特征进行融合,能够提高识别准确率。     

基于图像识别技术的汽油、无水乙醇燃烧火焰识别研究

为了实现基于视频图像对火灾现场存在助燃剂的分类识别,对燃烧火焰的特征进行分析,根据汽油和无水乙醇引燃后各自特有的燃烧现象,结合火焰的视频图像识别算法实现对汽油和无水乙醇燃烧火焰的识别。首先,基于图像的灰度阈值得到其疑似火焰区域,再提取其H、S、I颜色分量和面积变化特征;并提取燃烧图像的小波高频能量特征和LBP直方图特征;最后将特征向量输入SVM分类器进行分类识别。试验表明,SVM对汽油和无水乙醇燃烧火焰的识别分类准确率可达98.5%,可较好地实现对汽油、无水乙醇燃烧火焰的区分。     

基于深度学习技术的公路隧道围岩分级方法

通过深度学习技术提取公路隧道掌子面图片中的围岩分级相关信息。训练以掌子面图片和特征标签为数据集的深度卷积神经网络模型,识别围岩的节理、裂隙、破碎程度、粗糙程度、光滑程度、泥夹石和涌水等分布式特征;结合深度学习技术和岩体裂隙图像智能解译方法统计围岩节理组数和间距来描述结构面完整程度;再利用色彩模型确定岩石种类描述出岩石坚硬程度;最后将围岩分级各判别因子转换为BQ值进行分级,获得围岩分级最终结果。结果表明:深度学习模型适用于识别围岩不同形态特征,利用图像识别技术获取的围岩分级参数能够实现对公路隧道围岩等级的综合判定。该处理结果与传统BQ分级结果相吻合,验证了深度学习围岩分级的可行性和准确性。     

基于BP神经网络的早期火灾图像识别软件

为实现对早期火灾的快速监测,设计了基于BP神经网络的早期火灾图像识别软件。该软件基于MATLAB平台,通过图像处理算法对火焰特征进行提取,并选取其中识别效果较好的特征指标对BP神经网络模型进行训练,从而实现了对火灾图像的快速识别。软件运行结果表明,该软件对火焰图像的识别准确度较高,能够达到识别监测早期火灾、完善火灾报警系统功能的设计目的。     

ANP-BP公路隧道火灾风险评价模型及应用

目前我国公路隧道事业已取得飞速的进展,公路隧道火灾风险问题也愈加受到关注.通过统计国内外公路隧道火灾案例,提取隧道火灾事件产生的起因,并参阅我国《高速公路隧道安全管理办法》构建了较为完整的公路隧道火灾风险评估指标体系.基于网络层次分析法(ANP)与误差反向传播(BP)神经网络组建公路隧道火灾风险评估模型,用以解决运算速度低、评估过程具有较多不确定性等问题,并进行算例分析验证.结果表明,该模型具备较好的适用性,能较为准确地评价公路隧道火灾风险,为公路隧道火灾风险管理提供科学依据和技术建议.     

基于粗糙集补齐算法与神经网络的隧道塌方预测系统

针对隧道工程塌方信息的缺失,基于粗糙集理论中的扩充差异矩阵和RSDIDA补齐算法,创立了隧道塌方案例影响因素丢失信息的修复技术。利用广义回归神经网络理论,构建了隧道塌方量预测的广义回归神经网络模型。将塌方信息修复技术与神经网络模型结合起来,构建起隧道塌方量预测的初始系统。收集到120多个公路隧道塌方案例,对案例有关缺失信息进行修复,构成完整的样本库。初始系统通过样本库训练,进一步发展为成熟的隧道塌方量预测系统。通过工程使用及对比,该系统预测结果体现出较好的准确性和效率,具有工程实用价值。     

高海拔隧道火灾烟气及温度场数值模拟研究

采用FDS建立典型双车道公路隧道,对海拔高度为500、4000 m的公路隧道发生火灾时的烟气蔓延特征及温度分布规律进行数值模拟分析,以得到低压、低温、低氧含量等高海拔环境对公路隧道火灾发展的影响规律.结果表明:相比较平原地区隧道,高海拔地区公路隧道火灾烟气最高温度更低,火焰高度更高,且近火源区的拱顶最高温度升温速度明显...     

基于自适应混合高斯模型的火焰识别方法

为了提高早期火灾的识别准确性和快速性,基于对火焰动态特性、面积变化率等特征的分析,设计火焰识别系统。系统采用RGB模型、HSI模型对火焰图像进行分割预处理,经过二维中值滤波、形态学分析实现对真实火焰的识别,应用自适应混合高斯背景模型差值处理滤除静态火焰的干扰。实验表明,该方法可以高效的识别出动态火焰,滤除静态火焰和伪火焰,在复杂背景下仍具有好的抗干扰能力和识别效率。     

基于红紫外光电传感器的多波段火焰探测方法研究

针对不同火灾发生场景对火焰探测的要求,建立具有火灾特征的火灾探测模型,对多波段红紫外传感器火焰探测机理、多特征数据融合算法和火灾决策判断方法进行研究。选择185～260 nm波段的紫外光电传感器和3.6、4.4、4.8μm波段的红外光电传感器进行火焰探测,采集火焰特征信号数据信息;采用多信号数据融合和特征参数相关性算法,建立多波段火灾特征的火灾探测数学模型,模拟火灾发生场景,训练有关特征参数的最佳配置。研究结果表明,对185～260 nm波段的紫外光和3.6、4.4、4.8μm波段的红外光进行多波段火焰探测,能够满足标准GB 15631-2008《特种火灾探测器》的要求,火焰的识别和决策判断能力提高,试验中无误报和漏报。     

Fire Recognition Based On Multi-Channel Convolutional Neural Network

In recent years, fire recognition methods have received more and more attention in the fields of academy and industry. Current sensor-based recognition methods rely heavily on the external physical signals, which will probably reduce the recognition precision if the external environment changes dramatically. With the rapid development of high-definition camera, the methods based on image feature extraction provide another solution which tries to conduct pattern recognition for the monitoring video. However, these methods couldn’t be widely and successfully applied to fire detection due to two deficiencies: (1) there are too many interference items like lamplight and car highlight in the room or tunnel, which will disturb the recognition performance largely; (2) The features depend on much prior knowledge about flame and smoke, and there lacks a universal and automatic extraction method for various fire scenes. As a breakthrough in pattern recognition, deep learning is capable of exploring the useful information from raw data, and can automatically provide accurate recognition results. Therefore, based on deep learning idea, a novel fire recognition method based on multi-channel convolutional neural network is proposed in this paper to overcome the deficiencies mentioned above. First, three channel colorful images are constructed as the input of convolutional neural network; Second, the hidden layers with multiple-layer convolution and pooling are constructed, and simultaneously, the model parameters are find tuned by using back propagation; Finally, softmax method is used to conduct the classification about fire recognition. To save the training time, we utilize GPU to construct training and test models. From public fire dataset and Internet, we collect 7000 images for training and 4494 images for test, and then run experiments with the comparison of four baseline methods including deep neural network, support vector machine based on scale-invariant feature transform feature, stack auto-encoder and deep belief network. The experimental results show that the proposed method is more capable of restoring the features of input image by means of hidden output figure, and for various flame scenes and types, the proposed method can reach 98% or more classification accuracy, getting improvement of around 2% than the traditional feature-based method. Also, the proposed method always outperforms other Deep Learning methods in terms of ROC curve, recall rate, precision rate and F1-score.     

特长高速公路隧道火灾自动报警系统设计探讨

结合太原西山高速公路隧道的火灾自动报警系统设计,对特长高速公路隧道火灾自动报警系统的设计进行了探讨,重点对双波长火焰探测技术和光栅光纤感温火灾探测技术进行了比较,为合理选择隧道火灾自动报警系统提供了理论指导。     

一种冲击地压多参量前兆信息辨识模型及方法

 针对冲击地压预警困难这一难题,基于地音监测提出一种新的前兆信息辨识模型及方法。在固定大小的时间窗口内对地音监测信号进行时频域特征提取,得到11个表征冲击地压灾害前兆的多维特征向量,以实际地音监测数据为训练样本,基于SVM理论建立冲击地压多参量前兆信息辨识模型;提出一种新的SVM学习方法,用于解决工程实际应用中的大规模不平衡数据集训练问题,提高SVM分类准确率及速度。利用地音实测数据作为学习样本对支持向量机进行训练,建立相应的前兆辨识模型进行辨识,准确率达到93.87%。实验分析表明,这种方法有效可靠,样本辨识速度快,能够满足在线监测要求,具有工程应用前景。     

基于多重迁移学习的Yolo V5 初期火灾探测研究

火灾发生初期是灭火的最佳时期,故对于初期火灾的探测具有十分重要的意义。初期火灾的火焰面积较小,数据样本较少,传统的机器学习目标检测方法难以对其进行有效的训练。针对以上问题,提出图像型初期火灾探测系统,并对基于多重迁移学习训练得到的Yolo V5 初期火灾探测模型进行重点研究。试验结果表明,该模型精确率达到97%,对初期火灾的探测精度高、探测速度快,可以快速准确地探测到初期火灾的发生。     

基于边坡位移监测数据的进化支持向量机预测模型研究

支持向量机方法是基于统计学习理论和结构风险最小化原则的学习方法,在回归预测方面具有良好外推能力,并且适合小样本的统计学习问题。建立支持向量机预测模型,对边坡位移进行预测计算,将预测值和实测值对比分析,验证了支持向量机预测模型较强的外推能力和预测计算的有效性。通过对边坡位移初始时序位移数据进行灰色理论的累加生成和累减生成处理,形成新的时间序列数据,在此基础上,计算出预测值,并与基于初始时间序列的支持向量机预测结果对比分析,基于新生成的时间序列数据进行预测计算结果精度明显提高。基于边坡位移监测数据构建训练样本数据集,研究了训练样本数据集的选取对预测结果的影响。对支持向量机预测模型的关键参数进行敏感度分析,并采用进化算法–微粒群算法对支持向量机模型参数加以优化,提高了预测精度。     

高速公路隧道火灾探测技术比较及应用

本文简要介绍了高速公路隧道火灾报警系统中线性光纤分布式温度探测技术、双波长火焰探测技术、智能视频图像火灾探测技术的原理,分析比较了这三种典型技术的优缺点,并对公路隧道火灾探测技术的发展方向进行了探讨。     

基于粒子群算法优化支持向量机的岩爆预测研究

由于地下工程的复杂性,岩爆的发生受到多种因素的影响,目前尚没有一种可靠的预测方法来对其进行预报,进而有针对性地进行工程灾害的风险控制。笔者提出将应力强度比(σ_θ/σ_c)、脆性系数(σ_c/σ_t)和弹性能量指数(Wet)作为影响岩爆的主要指标,并根据粒子群优化算法的参数选取和收敛速度快的优势及支持向量机的小样本、高维度、非线性的特性,提出了用粒子群优化算法对影响支持向量机分类性能的两个主要参数进行优化,进而获得优化的支持向量机分类器。利用PSO-SVM对在建二广九标茅田界隧道深埋变质砂岩岩爆发生情况进行预测,定量地判断该标段不存在岩爆现象,预测结果与茅田界隧道的实际情况基本相符。     

位移时序预测的APSO-WLSSVM模型及应用研究

引入改进的粒子群算法对小波核函数最小二乘支持向量机进行优化,提出了位移时间序列预测的改进粒子群优化小波最小二乘支持向量机预测模型(APSO-WLSSVM)。该模型具有小波变换的良好时、频域分辨能力和支持向量机的非线性学习能力;同时利用粒子群算法优化小波最小二乘支持向量机的参数,避免了人为选择参数的盲目性,从而提高了模型的预测精度。为证明该模型的优越性,将该模型与传统的高斯核函数支持向量机模型的预测结果作了对比,结果表明该模型较传统方法预测精度有了明显提高。最后将该模型用于锦屏一级水电站左岸边坡和导流洞进行变形预测,预测结果表明该方法科学可靠,在岩土体位移时序预测中具有良好的实际应用价值。