基于改进YOLOv5的轻量化早期舰船火灾烟雾检测算法

为改进当前目标检测技术对舰船环境下早期火灾烟雾小目标的检测精度不足、速度较慢与特征表达能力不充分的现状,对改进YOLOv5的轻量化早期舰船火灾烟雾检测方法进行了研究。首先,对YOLOv5网络结构进行分析;其次,从主干网络MobileNetv3架构轻量化、检测颈Bi-FPN特征融合金字塔改进、优化Alpha-IoU损失函数与改进Soft-NMS四方面改进YOLOv5算法;最后,构建消融与对比实验验证改进性能。改进模型训练时间减少34.1%,mAP较原模型提升了6.6%。其对早期舰船火灾烟雾检测效果优异,对舰船火灾的早期预警具有指导意义。

基于改进YOLOv7的吸烟行为识别算法研究

目的:提出了一种基于改进YOLOv7的吸烟行为识别方法,以提高人工智能对吸烟行为识别X效率和准确率。方法:在YOLOv7算法的基础上,采用GhostNet网络结构替换其主干网络,减少了网络模型参数量和计算量。引入CBAM注意力机制来改善特征提取的效果。加入多尺度特征融合模块和改进损失函数以提高模型在复杂环境中的检测效果。结果:以吸烟数据集进行测试,结果表明,改进后的模型参数量和计算量分别下降了16.6%和37.4%,检测速度提升至103.4帧/s,精度提高了2.8%。结论:提出的轻量化网络模型可满足视频监控实时监测的要求,并可在低功耗的嵌入式设备上完成实时检测。

融合红外与可见光的实验室火焰图像分割识别

为实现实验室火灾识别并解决因火苗小导致相机采集到的图像火焰不显著,以及火焰伴随烟雾遮挡影响分割识别精度的问题,提出一种改进的语义感知的实时热红外和可见光图像融合分割网络。通过融合热红外与可见光图像,提供热辐射信息以增强可见光图像中因烟雾遮挡而降低的光谱信息以及火焰燃烧前期的显著性,完成对实验室烟雾遮挡下火焰以及火焰燃烧前期小火苗的分割。对融合网络中的梯度残差密集块(GRDB)增加中间特征传输块(IFTB)并引入权重块,减少融合时火焰图像的信息损失,在增强火焰图像显著性的同时以最少内容损失为基准还原可见光图像结构信息。在Deeplabv3+语义分割网络中添加基于梯度变换的边缘提取模块(EEM),增强融合图像中明暗变换显著的火焰烟雾图像边缘信息,减少烟雾遮挡对火焰分割的影响,提高火焰分割识别精度。实验结果显示,通过融合可见光与热红外图像使火焰燃烧前期图像的火焰检测分割识别精度得到了提升,改进的火焰分割网络在自采数据集中的平均交并比为91.27%,分割效率为11.96 FPS,表明改进的融合分割网络对实验室火焰烟雾分割识别的效果有明显提升,对于实验室火焰烟雾检测具有现实应用价值。

基于改进YOLOv5的火焰烟雾检测

为更好地实现基于图像的实时火灾预警,结合YOLOv5s提出一种改进的火焰烟雾检测算法。将YOLOv5s颈部原有的路径聚合网络模块替换为双向交叉尺度融合模块,使深层网络可以直接提取浅层特征,增强信息流并提升网络特征融合能力。在YOLOv5s头部添加引入协调注意力的推理层,在不过多增加计算量的前提下加强检测头对网络信息的提取和定位能力,并提高检测精度。采用HSV色域增强、随机旋转、Mosaic等多种数据增强技术调整并扩充训练数据,使用k-means聚类算法获取数据集先验锚框,增强检测模型鲁棒性。实验结果表明,与基于YOLOv5s的火焰烟雾检测算法相比,改进算法的平均精度均值提升了3.2个百分点,检测速度达到243帧/s,并且保持了YOLOv5s的轻量化优势,在遮挡、夜晚、小目标等复杂场景下均具有较好的火焰烟雾检测效果。

基于AHP多特征融合的矿用烟雾传感器设计

针对单一检测原理的矿用烟雾传感器在实际应用中存在误报或漏报的问题,深入分析了矿井烟雾的基本特征,提取特征信息,采用层次分析法(AHP)确定光电检测、气敏检测、电化学检测等矿井烟雾特征检测结果的权重值,结合权重值与烟雾特征记录器的数值,经过逻辑判断实现烟雾多特征数据融合,并输出矿井烟雾检测结果值。实验结果表明,基于AHP的矿井烟雾检测方法能够有效克服环境中的典型干扰,提高了矿井烟雾检测的准确性与稳定性。

封堵条件对倾斜隧道火灾顶棚温度分布的影响

采用小尺寸试验的研究方法,考虑不同封堵条件、火源热释放速率和隧道坡度的影响,研究了高、低端出口封堵对倾斜隧道火灾烟气扩散和隧道顶棚温度分布的影响。结果表明:当隧道低端出口封堵时,烟气层近似与隧道底板平行,顶棚最高温升受隧道坡度的影响较小。当隧道高端出口封堵时,烟气层交界面近似水平,顶棚最高温升随隧道坡度的增大而升高。两种封堵条件下,倾斜隧道火灾顶棚纵向温度分布在隧道开敞侧均呈指数衰减。隧道高端出口封堵时,坡度对顶棚温升衰减规律特性的影响较大。相反,坡度对低端出口封堵隧道顶棚温升衰减规律特性的影响较小。综合考虑封堵条件、热释放速率和隧道坡度的影响,建立了最高烟气温升和顶棚温度纵向衰减的预测模型。

基于自适应样本均衡与信息融合的林火检测数据增强方法

【目的】提出一种基于自适应样本均衡与信息融合的林火检测数据增强(SMA)方法,以解决因林火样本数据难以获取、各类别分布不均衡、场景表达能力不充分等导致林火检测效果不佳的问题。【方法】以河北省张家口市崇礼区采集的无人机林火图像为研究对象:1)对无人机视频进行预处理,构建原始数据集;2)采用类别统计、标注框中心化等方法分析数据存在的问题,如小目标居多、类别分布不均衡和标注框尺寸分散等;3)针对类别分布失衡问题,引入自适应参数,实现样本动态调整;4)为保证信息跨样本融合的有效性,提出新的参数指标IOA作为判定阈值,并给出合理参考值;5)设计12组消融试验,以无人机采集数据为样本,根据控制变量原则,对比原始数据、随机数据增强、马赛克数据增强和SMA方法在SSD、YOLOv3、YOLOv4主流算法中的林火检测结果;6)以MAP(平均查准率)为指标,评估不同数据增强方法在同一算法中的效果。【结果】消融试验结果显示,SMA方法在SSD、YOLOv3、YOLOv4算法中MAP分别为48.16%、82.02%、67.79%,相比原始数据分别提升12.14%、11.50%、36.83%,相比随机数据增强分别提升11.95%、4.86%、16.33%,相比马赛克数据增强分别提升1.06%、18.24%、1.79%。【结论】现有数据增强方法未能充分利用林火数据中蕴涵的信息,SMA方法引入自适应参数可解决样本分布不均衡问题,IOA指标引入能够实现数据跨样本融合。SMA方法在SSD、YOLOv3和YOLOv4算法中MAP相较传统方法均有提升,表现出对林火数据检测的有效性。

烟雾特征融合的火灾识别方法研究

针对基于图像的火灾识别方法易受干扰、误报率高等问题,提出一种基于烟雾特征融合的火灾识别方法。该方法根据火灾烟雾独特的纹理和边缘梯度特征,利用HSV颜色空间进行颜色特征提取,得到疑似烟雾区域;通过等价局部二值模式(ULBP)及方向梯度直方图(HOG)提取烟雾纹理和边缘梯度,得到特征向量,再将特征向量输入线性支持向量机(LinearSVC)进行测试和烟雾识别。研究结果表明,算法抗干扰性强,检测率高,为快速准确的火灾预警提供了算法依据。

基于改进YOLOv5的小目标烟雾检测算法

为解决火灾中的小目标烟雾检测精度不高的问题,提出一种基于改进YOLOv5的小目标烟雾检测算法。首先,将特征融合注意力(FFA)模块引入至主干网络中,使模型专注于小目标烟雾特征信息的提取;其次,通过采用多尺度金字塔解耦头(MPDH)模块替换卷积层模块,以改进YOLOv5算法中预测头层的检测部分,用于提升小目标烟雾的定位精度;最后,在专有数据集上进行试验验证与分析。结果表明:基于改进的YOLOv5小目标烟雾检测算法在目标检测精度上达到85.4%,在准确率、召回率方面,相较于原始算法分别提高了3.2%、6.3%。

改进YOLOV5目标检测模型的实时抽烟检测方法

抽烟目标的实时检测难以在实际场景中应用,主要原因是终端设备成本低,能够承载的模型计算量十分有限,难以同时兼顾精度与速度。为此,本文使用改进的YOLOV5目标检测模型,将其双向特征融合网络(FPN+PAN)替换为加权双向特征金字塔网络(BiFPN),增强网络的特征传递能力。实验结果表明,替换特征网络之后的YOLOV5s-BiFPN目标检测模型精度更高,AP 0.5达到91.7%,且模型的参数量、计算量以及FPS基本不变,满足应用在实际场景中进行实时抽烟检测的条件。

多源信息融合的智能楼宇火灾报警系统设计

针对智能楼宇发生火灾率较高、安全隐患较大的问题,设计了一种多源信息融合的智能楼宇火灾报警系统,以快速精确地实现火灾报警。分析了智能楼宇火灾报警系统的需求,并对其整体结构进行规划与设计。在此基础上,搭建该系统的硬件功能模块,包含单片机及其最小系统单元、温度检测模块、烟雾检测模块、数码管显示模块、声光报警模块和按键模块。并对不同功能模块的软件进行分析设计,以驱动该系统正常工作。再通过软件仿真验证了系统可行性,并对所设计的实物装置进行了温度与烟雾检测试验。试验结果表明,所设计的多源信息融合火灾报警系统具有灵敏度强与准确度高的特性。

不同属性烟雾融合过程可视化建模与实时绘制

为了快速精准绘制真实世界中各种各样的多烟雾融合现象,提出一种基于欧拉法的实时有效的烟雾融合模型。首先,提出域划分算法,从结构层解决了多烟雾自由随机运动的描述问题;其次,利用GPU的并行能力大幅提高了N-S方程求解速度,获得多达7种不同属性烟雾融合过程的实时绘制;再次,实现Ray-casting(光线投射)算法,清晰地表现出烟雾融合的扩散细节;最后,调节温度、速度、扩散系数和浓度等烟雾运动影响因子,灵活控制烟雾融合过程。实验表明,所做工作能够快速真实地模拟不同属性烟雾的融合。

视频火灾识别方法研究综述

火灾发生时,其火焰和烟雾具有特有的静态和动态特征,在分析总结火灾图像特征的基础上,以火焰和烟雾特征为线索,介绍了火灾提取和识别的典型方法,侧重于分析各种特征在火灾识别中的应用及所采用的算法,最后对未来视频火灾识别方法的发展方向做了展望。

欧拉模型中多烟雾自由融合实时仿真算法

为了弥补传统烟雾模拟在一个力场作用下运动态势的单调性,提出一种基于欧拉模型的多烟雾自由融合实时仿真算法.首先根据场景和烟源位置等初始条件提出域划分算法,从结构上解决烟雾自由融合问题;然后以动量守恒与能量守恒定律为依据,采用局部控制与整体调整相结合的方式解决多烟雾融合时边界的不连续问题;并针对多烟雾的密度颜色绘制问题,提出了多种颜色融合策略来表现烟雾的绘制细节;最后利用GPU并行计算方法和D3D技术提高仿真效率,获得多个烟雾自由融合过程的实时绘制效果.实验结果表明,该模型能够快速逼真地表现出烟雾自由融合的过程.

基于多数据融合的复合火灾探测系统设计

以烟雾、温度、CO气体作为火灾特征参量设计复合火灾探测器;利用Labview设计复合火灾探测系统监控客户端,实现对火灾的实时监控;以模糊神经网络算法代替简单的阈值法实现对火灾的判别。为验证系统的性能,进行不同方位火灾响应时间实验、抗干扰实验、分布式火灾探测实验。实验结果表明:火灾探测器平均响应时间为19.8s,探测器与火源的水平距离比垂直距离对火灾响应时间的影响程度大;抗干扰实验中,火灾误报率为0.375%;由三路探测器组成的火灾探测系统能够实现单点和多点火灾探测。

基于小波分析的烟雾多特征融合和空间精度补偿森林火情检测算法

提出一种基于烟雾图像多特征融合和空间精度补偿的森林火情检测算法。该算法首先将基于小波分析和运动分析的烟雾检测结果进行融合,然后利用烟雾的颜色特征和运动特征将融合检测结果累积,实现检测烟雾,并基于图像中的地平线信息进行空间精度补偿下的烟雾区域提取。实验结果表明此算法可提高检测的准确性,降低误检率,对环境较为鲁棒,在森林防火中具有重要的应用价值。

可变风场中多烟雾融合实时绘制算法的改进

多烟雾融合的实时仿真非常具有挑战性与实用性,针对不同烟雾融合时的边界过渡不自然的问题,提出一种改进的多烟雾融合实时绘制算法。首先,为了准确描述可变风场中多烟雾融合过程,通过刻画小尺度可变风场,并将描述风力的时变函数加入N-S方程的外力项,从而实现可变风场中多烟雾的融合;然后,为改善不同烟雾融合时的边界过渡不自然的问题,引入错切变形法对传统的烟雾融合绘制算法进行改进,利用空间数据结构加快空区域的跳跃速度,减少相邻颜色间空区域的间隔,保证相邻颜色之间的平滑过渡;另外,为了丰富多烟雾融合时的形态空间,引入AABB包围盒技术实现多烟雾融合区域的网格划分,增加多烟雾融合空间的表现形态,有效地减少网格模型对多烟雾融合形态空间的限制。设计并实现多组烟雾融合的对比实验,结果表明,本文方法能够使烟雾融合的边界更加平滑自然,有效提升多烟雾融合的速率的同时仍可保证实时性。

基于多特征融合运行期均值法的烟雾检测算法

烟雾检测能够有效预防火灾的发生,以此为出发点,解决了烟雾运动区域出现的"空洞"现象,从而实现了快速、准确地检测视频中烟雾的区域。利用烟雾的非刚体特点,融合颜色、背景模糊以及运动方向的特征对背景更新过程进行建模,然后结合连通域面积消除小干扰区域的影响,提高了基于单一特征的运行期均值法的鲁棒性。实验结果表明,改进的方法能够准确、完整地检测出视频中的烟雾区域,并且处理速度也有所提高。

基于视频多特征融合的列车车厢烟雾检测方法

列车车厢中环境相对复杂且遮挡物较多,为了提高视频烟雾检测的准确性,剔除场景中疑似烟雾的干扰物,降低由于环境中光照变化导致的误检情况,提出了基于运动、颜色及衰减等多特征融合的烟雾检测算法.该算法能有效克服背景复杂、光照变化大,以及阴影问题带来的干扰.算法主要由3部分构成:烟雾运动检测、颜色特征分析提取和多特征融合.该算法通过背景建模方法分割出运动的区域,引入归一化RGB空间烟雾颜色基础模型及衰减模型,以剔除疑似烟雾区域的干扰,同时可以有效地降低光照影响.

基于多特征融合的视频烟雾检测

烟雾检测对火灾早期防范非常重要,传统的火灾探测技术主要利用传感器对火焰和温度进行识别,其每一个传感点只能检测到布控点周围的局部空间,对于开放空间等特殊场合难以发挥作用。为了克服传统火灾检测存在的误报率高等缺点,文中提出一种基于烟雾多特征融合技术的图像型火灾检测方法。该方法首先利用背景减除法获取普通CCD摄像机拍摄的疑似火灾烟雾区域,然后再从时域和频域着手,提取火灾烟雾的轮廓不规则特征、背景模糊度特征和纹理特征作为神经网络的输入信号,同时采用sigmoid函数将输出归一化,最后通过对BP神经网络训练完成火灾烟雾的多特征融合,并对来自网络的火灾视频进行测试。实验结果表明:图像型火灾检测方法能够准确快速地识别火灾烟雾,达到早期预警的目的。