基于箱线图与全卷积网络的动态场景烟雾检测

烟雾具有透光性强、纹理模糊等特征,且易与云、雾等目标混淆,导致基于视频的单阶段烟雾检测网络识别准确率低且受环境干扰明显,难以满足实际现场的使用需求。针对上述问题,提出一种基于箱线图背景建模(Box Plot Background, BPB)与全卷积分类网络(Full Convulsion DNCNN,FCDN)的二阶段烟雾检测算法:一阶段使用箱线图统计方法剔除背景队列中的移动干扰目标,利用背景队列中的最大值与最小值建立能适应动态场景的背景模型,以减少一阶段动态背景误报和背景模型被污染带来的烟雾区域遗漏;二阶段使用卷积层替换全连接层,解决输入图像尺寸和形状的限制问题,提升火灾初期细长形烟雾的检出效率。试验显示,该算法在动态场景下的漏检率与误检率均明显降低,并显著提升了烟雾检测速度。

基于改进SqueezeNet的火焰识别算法

针对现有火焰识别算法在效率上的不足,设计1种轻量高效的深度学习模型。模型基于SqueezeNet进行优化,引入双分支注意力机制以强化对火焰特征的识别能力,提升模型分类性能;同时,加入残差连接,提高网络的训练稳定性和特征表达能力;通过使用批通道归一化技术提高网络的泛化性能;此外,通过将Fire模块中的3×3标准卷积核替换为深度可分离卷积,进一步降低参数数量和计算复杂度,并通过多个公开的火焰图像数据集来评估所提算法的性能。研究结果表明:相较于原始的SqueezeNet算法,改进后的SqueezeNet模型不仅提升检测速度,同时也获得更高的识别准确率和更好的泛化能力。研究结果可为实时火灾监测系统和智能消防设备的开发提供理论基础和技术支持。

超声波相位比较法的风速风向传感器设计

针对自然环境中风速风向的准确识别,利用超声波原理设计了风速风向双参数传感器检测系统。系统中超声波产生以及接收采用频率为213 kHz的超声波换能器,超声波传感器利用超声波相位差法测量风速风向,详细阐述了二维相位差法的测量原理和计算方式,并通过Lissajous曲线验证了该方法的可行性。系统中运用功能相同的数字芯片替换复杂模拟电路提高了传感器的集成度。在风箱中的测试结果表明,信号经鉴相电路处理并通过与ZRQF铂电阻丝式风速传感器进行对比测量后,验证了其处理速度和精度,所设计的超声波风速风向测试系统在气体流向检测以及环境监测等方面具有实际有效的使用价值。