导读:本文包含了烟雾图像论文开题报告文献综述及选题提纲参考文献，主要关键词:ResNet,卷积神经网络,归一化,金字塔池化
烟雾图像论文文献综述
杨剑,刘方涛,张涛,张启尧,任宇杰[1]（2019）在《基于改进型残差网络烟雾图像识别》一文中研究指出当前在深度学习上对烟雾图像和视频识别较少,目前存在的问题是烟雾视频图像第一帧识别率低、覆盖范围小、自适应较差的情况。基于卷积神经网络,改变Res Net(残差网络)结构,实现精确的烟雾区域检测。在实验中经过5 000张不同烟雾图像的数据集学习,实验结果准确地识别了烟雾图片,为大范围的火灾烟雾报警提供了一种有效方案。(本文来源于《科学技术与工程》期刊2019年32期）
李明明[2]（2019）在《基于变分水平集图像分割的视频烟雾检测方法》一文中研究指出为及时判断火灾发生情况,利于灭火工作,研究了火灾早期产生烟雾的情况下,通过固定监视探头捕捉到的影像视频,针对视频中的火情烟雾进行检测,结合计算机视频检测技术的光流法和帧差法获得视频中烟雾运动的区域,基于某一时刻摄像机不动的情况下得到两帧连续的图像并检测视频中的运动区域,提出了一种不需初始化的变分水平集算法。利用该算法对烟雾的视频进行分割,将运动区域从背景中分割出来,对烟雾进行检测分析。从而使通过烟雾判断火情更精确,检测结果更实时,提高了视频指挥灭火工作的效率。(本文来源于《吉林大学学报(信息科学版)》期刊2019年06期）
崔秉成,程乃伟,赵鹏[3]（2019）在《基于matlab的烟雾图像检测方法探究》一文中研究指出由于传统火灾探测器自身的缺陷,其不适用于早期火灾检测。对基于视频的火灾检测技术的研究具有重要意义。"烟为火始"在火灾发生的早期往往伴随有烟雾的产生。烟雾在空间内可以大面积扩散且其具有不易被遮挡的特点,所以可以通过对烟雾的检测可以实现火灾的早期预警。提取视频序列中前景目标并分析识别其中是否具有烟雾目标是本文的主要研究内容。(本文来源于《科学技术创新》期刊2019年28期）
张倩,周平平,王公堂,李天平[4]（2019）在《基于合成图像的Faster R-CNN森林火灾烟雾检测》一文中研究指出本文采用合成图像的Faster R-CNN对森林火灾烟雾进行检测,避免了传统视频烟雾检测方法中复杂的人工特征提取过程.合成烟雾图像是将真实或模拟烟雾插入到森林背景中,解决了训练数据缺乏的问题.将真实合成烟雾和模拟合成烟雾分别训练后的模型放在由真实火焰烟雾图像组成的数据集中测试,测试结果表明,模拟烟雾是更好的选择,模型对薄烟不敏感.通过改进森林火灾烟雾图像的合成过程或者将这个解决方案扩展到视频序列中,可以进一步提高它的性能.(本文来源于《山东师范大学学报(自然科学版)》期刊2019年02期）
袁梅[5]（2019）在《基于视频图像序列的火灾烟雾检测方法研究》一文中研究指出火灾是全世界严重的威胁和灾害,能够及时并准确地预警火灾是一个非常重要的课题。火灾检测主要有两种,分别为基于火焰或烟雾的检测,本文主要研究烟雾检测技术。传统基于传感器的烟雾检测技术具有许多局限性,促使了人们对基于视频监控的烟雾检测算法研究,并提出了众多烟雾检测算法。大部分的烟雾检测算法都取得了较好的检测性能,但仍存在以下两个主要问题:在火灾发生的中后期,算法的检测效果都很好,然而在火灾发生的初始阶段,烟雾稀薄、移动速度缓慢,算法性能差强人意;此外,大多数方法都是基于手工制作的特征或者使用原始图片直接作为神经网络的输入,导致算法的鲁棒性较差,针对不同的烟雾场景不具备普遍适用性。为解决上述两个问题,本文提出了两种基于视频图像的烟雾检测算法。1.为了提升初始火灾的检测性能,本文针对初始火灾阶段,烟雾稀薄且移动缓慢的场景,提出一种新颖的基于局部极值共生模式和能量分析的烟雾检测方法。该方法主要由预处理,特征提取和图像分类叁个阶段组成。在预处理阶段,通过使用算法提取视频帧的运动前景区域,并采用颜色空间作用于运动前景区域识别烟雾像素区域。然后使用局部极值共生模式计算纹理特征和使用烟雾能量分析计算能量特征,将能量特征矢量和纹理特征矢量归一化融合为一个矢量。最后,将融合后的矢量训练支持向量机,识别烟雾。实验结果表明,该方法能及时并有效地检测出火灾初期产生的烟雾,减少了火灾造成的损失。2.为了提升烟雾检测算法的鲁棒性,本文提出了基于卷积神经网络的烟雾检测方法。首先使用图片归一化方式消除光照的影响,利用烟雾颜色检测烟雾候选区域,然后卷积神经网络自动提取烟雾候选区域的特征,进行烟雾识别,最后根据分类结果得到报警信号。针对烟雾产生初期烟雾区域相对较小的问题,利用扩大候选区域的策略提高烟雾检测的及时性。由于训练数据少或不平衡引起的过度拟合,本文使用数据增强技术从原始数据集生成更多训练样本解决该问题。实验结果表明,该方法在多种复杂的场景下都能有效地检测出烟雾,因此具有更高的准确率和更好的鲁棒性。(本文来源于《重庆邮电大学》期刊2019-06-02）
韩超慧[6]（2019）在《基于深度迁移学习的烟雾图像检测》一文中研究指出乡村焚烧秸秆会产生大量烟雾造成雾霾天气甚至引发火灾。传统的火灾检测方法并不适用于监测乡村这种大范围场景。本文针对这一问题提出一种基于深度学习迁移学习的烟雾图像检测方法。烟雾作为火灾早期的明显特征之一,对其检测识别可以有效地对火灾进行预警,减少生命财产的损失。随着计算机计算能力的提升与大数据时代的到来,深度学习受到了广泛关注,其在各个智能领域都表现出了良好的效果。深度学习方法区别于传统框架,它无需人工设计检测算子,它能自动从数据中学习特征并经过训练不断优化,适用范围更广。神经网络的训练需要大量的数据支持,但是在某些情况下数据的收集十分困难,例如收集乡村的烟雾视频和图片。目前网上还没有大型的烟雾视频库,数据量并不能支撑从头开始训练深层神经网络,所以采用迁移学习的办法来解决烟雾小数据集的问题。迁移学习是一种机器学习技术,可以将源域模型运用到目标域中。在深度学习图像处理领域,卷积神经网络通常先检测图像的边缘、形状,然后才是目标的特定特征。实际上神经网络的早期层检测的图片特征相差不大,这样就十分适用于迁移学习技术。所以在计算机视觉领域中迁移学习显得尤为有效。该方法使用TensorFlow框架,引用已在ImageNet大型数据集上训练完毕的Inception-v3网络模型作为源模型,将其在ImageNet数据集中提取到的边缘、色彩、纹理等特征用于构建新的烟雾检测模型。利用乡村场景的监控图像进行验证测试,根据结果对模型进行分析调整。结果显示模型检测准确率相比于传统方法有较大的提升。(本文来源于《武汉纺织大学》期刊2019-06-01）
张思齐[7]（2019）在《基于视频图像的煤矿井下烟雾检测》一文中研究指出煤矿火灾是影响矿井安全生产的重大灾害之一,严重威胁到人类的健康。基于视频图像的自动火灾探测技术已成为当前监测和火灾预警的重要手段,对煤矿工作的安全生产意义重大,但井下环境潮湿多尘,并且人工巡逻产生的光束与火灾早期阶段产生的烟雾特征极度相似,易造成计算机误判。本文针对煤矿井下的复杂环境,研究烟雾检测方法,进而判断矿井火灾。针对井下巷道雾气会使采集到的图像模糊不清,井下光照强度低且不均匀的情况,本文对暗原色去雾增强算法进行了改进,先滤除巷道中的雾气,再使用CLAHEE算法对图像进行亮度增强,恢复巷道原貌,使视频监控中的煤矿图像对比度增加,烟雾轮廓清晰,细节信息更为丰富。对运动目标检测为法进行研究,采用基于混合高斯模型建模的方法提取视频频序列中的运动目标,将烟雾连同其他运动目标一并提取出来。然后对提取的运动区域进行颜色分析,统计煤矿井下烟雾图像的颜色规律,建立井下烟雾颜色的判决条件,进一步排除不具有烟雾颜色特征的运动物体,由此分割出疑烟区域。对烟雾的多种特征进行分析,进一步提高烟雾检测的准确率。本文先使用主运动方向阈值滤除与烟雾运动方向不一致的运动光束,然后使用烟雾的纹理特征,形状不规则特性和平均梯度叁个特征,训练生成SVM烟雾分类器,用于排除伪烟物的干扰。通过对大量烟雾和伪烟雾干扰视频进行检测分析,表明本文的算法能够有效滤除井下图像的雾气,还原巷道面貌,并能够及时、有效地检测出视频图像中的烟雾,且具有一定的抗干扰能力。(本文来源于《西安科技大学》期刊2019-06-01）
魏伟航,马乾力,高治良,赵锦成[8]（2019）在《改进卷积神经网络在图像烟雾检测的应用》一文中研究指出目前基于卷积神经网络的烟雾检测主要通过若干个有序的卷积层的学习识别烟雾。为了提高烟雾检测的精确度,提出了一种改进的卷积神经网络框架。该框架增加了批量归一化层和轻量级的卷积结构,并提取网络中不同卷积层的特征图进行联合训练。改进卷积神经网络的网络结构更小,训练参数更少。在仿真实验中,对训练数据进行了图像扩增,结果证明了改进的卷积神经网络能够有效提高烟雾识别的准确率和识别速度。(本文来源于《智能计算机与应用》期刊2019年03期）
韩超慧,马俊,吴文俊,陈佳[9]（2019）在《基于深度迁移学习的烟雾图像检测》一文中研究指出针对乡村焚烧秸秆的烟雾预警问题,提出一种基于深度迁移学习的烟雾图像检测方法。该方法使用TensorFlow框架,引用已在ImageNet数据集上训练好的Inception-v3网络模型作为源模型,将其在ImageNet数据集中提取到的边缘、色彩、纹理等特征用于构建新的烟雾检测模型。利用真实场景的监控图像进行实验验证,实验结果表明,和传统的烟雾图像检测方法相比,该方法取得了较高的检测准确率,测试准确率达到了90%。(本文来源于《武汉纺织大学学报》期刊2019年02期）
石秉松[10]（2019）在《基于深度神经网络的视频图像烟雾检测系统研究与实现》一文中研究指出视频烟雾检测基于监控视频数据实现,相较于传统传感器检测方法,视频烟雾检测具有覆盖面积广、响应速度快等优点。深度神经网络目前在人脸识别、目标追踪等多方面已有了广泛的应用,利用深度神经网络进行视频烟雾检测是烟雾检测技术研究的重点内容之一。本文通过运动目标检测对视频中包含运动目标的有效帧进行提取,利用语义分割网络从有效帧图像中分割出烟雾区域,再利用视频分割算法实现对视频中烟雾的像素级追踪,最终实现视频烟雾检测系统。本文的主要研究内容如下:(1)研究基于运动目标检测的视频有效帧提取算法。本文利用背景差分法,提取视频中存在运动目标的有效帧,以避免静止帧对烟雾检测产生干扰,提升烟雾检测系统的检测速率。(2)研究基于deeplabV3+的单帧图像烟雾区域分割算法。现有的视频烟雾检测方法仅判断烟雾是否存在或标注出烟雾的大致区域,无法得到烟雾的准确轮廓。本文利用deeplabV3+语义分割网络对有效帧进行分割,能够完成烟雾的识别与定位,并为后续视频分割提供标注信息,提升烟雾检测系统的检测精度。(3)研究基于半监督学习的视频烟雾分割算法。本文在公开数据集上训练基于mobilenetV2轻量级网络的视频目标分割模型,并利用语义分割网络的结果对模型进行微调,使模型能够将烟雾从后续视频帧中分离。通过为每个场景提供定制化分割模型,来提升其对场景的适应能力以及像素级烟雾追踪的准确率。(4)设计实现视频烟雾检测系统。结合废气排放监测的实际应用需求,分析了软件的功能模块构成,采用Html5设计实现图形用户界面,核心算法通过Python实现并通过Http请求调用,最后采用Mysql作为数据库存储结果。本文对算法及系统进行了测试,验证了本视频烟雾检测系统具有较高的准确率以及对场景的适应能力,对于视频烟雾检测的研究具有一定积极意义。(本文来源于《电子科技大学》期刊2019-04-01）
烟雾图像论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
为及时判断火灾发生情况,利于灭火工作,研究了火灾早期产生烟雾的情况下,通过固定监视探头捕捉到的影像视频,针对视频中的火情烟雾进行检测,结合计算机视频检测技术的光流法和帧差法获得视频中烟雾运动的区域,基于某一时刻摄像机不动的情况下得到两帧连续的图像并检测视频中的运动区域,提出了一种不需初始化的变分水平集算法。利用该算法对烟雾的视频进行分割,将运动区域从背景中分割出来,对烟雾进行检测分析。从而使通过烟雾判断火情更精确,检测结果更实时,提高了视频指挥灭火工作的效率。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
烟雾图像论文参考文献
[1].杨剑,刘方涛,张涛,张启尧,任宇杰.基于改进型残差网络烟雾图像识别[J].科学技术与工程.2019
[2].李明明.基于变分水平集图像分割的视频烟雾检测方法[J].吉林大学学报(信息科学版).2019
[3].崔秉成,程乃伟,赵鹏.基于matlab的烟雾图像检测方法探究[J].科学技术创新.2019
[4].张倩,周平平,王公堂,李天平.基于合成图像的FasterR-CNN森林火灾烟雾检测[J].山东师范大学学报(自然科学版).2019
[5].袁梅.基于视频图像序列的火灾烟雾检测方法研究[D].重庆邮电大学.2019
[6].韩超慧.基于深度迁移学习的烟雾图像检测[D].武汉纺织大学.2019
[7].张思齐.基于视频图像的煤矿井下烟雾检测[D].西安科技大学.2019
[8].魏伟航,马乾力,高治良,赵锦成.改进卷积神经网络在图像烟雾检测的应用[J].智能计算机与应用.2019
[9].韩超慧,马俊,吴文俊,陈佳.基于深度迁移学习的烟雾图像检测[J].武汉纺织大学学报.2019
[10].石秉松.基于深度神经网络的视频图像烟雾检测系统研究与实现[D].电子科技大学.2019