导读:本文包含了火灾烟雾论文开题报告文献综述及选题提纲参考文献，主要关键词:火灾,烟雾,时间压缩轨迹,特征识别
火灾烟雾论文文献综述
罗胜,张翔,胡杰,王慕抽,张笑钦[1]（2019）在《时间压缩轨迹特征识别的火灾烟雾检测》一文中研究指出目的检测烟雾可以预警火灾。视频监控烟雾比传统的单点探测器监控范围更广、反应更灵敏,对环境和安装的要求也更低。但是目前的烟雾检测算法,无论是利用烟雾的色彩、纹理等静态特征和飘动、形状变化或者频域变化等动态特征的传统方法,还是采用卷积神经网络、循环神经网络等深度学习的方法,准确率和敏感性都不高。方法本文着眼于烟雾的升腾特性,根据烟雾运动轨迹的右倾直线特性、连续流线型特性、低频特性、烟源固定特性和比例特性,采用切片的方式用卷积神经网络(CNN)抽取时间压缩轨迹的动态特征,用循环神经网络(RNN)抽取长程的时间关联关系,采用分块的方式提高空间分辨能力,能准确、迅速地识别烟雾轨迹并发出火灾预警。结果对比CNN、C3D(3d convolutional networks)、traj+SVM(trajectory by support vector machine)、traj+RNNs(trajectory by recurrent neural network)和本文方法traj+CNN+RNNs(trajectory by convolutional neural networks and recurrent neural network)以验证效果。CNN和C3D先卷积抽取特征,后分类。traj+SVM采用SVM辨识视频时间压缩图像中的烟雾轨迹,traj+RNNs采用RNNs分辨烟雾轨迹,traj+CNN+RNNs结合CNN和RNNs识别轨迹。实验表明,与traj+SVM相比,traj+CNN+RNNs准确率提高了35.2%,真负率提高15.6%。但是深度学习的方法往往计算消耗很大,traj+CNN+RNNs占用内存2.31 GB,网络权重261 MB,前向分析时帧率49帧/s,而traj+SVM帧率为178帧/s。但与CNN、C3D相比,本文方法较轻较快。为了进一步验证方法的有效性,采用一般方法难以识别的数据进一步测试对比这5个方法。实验结果表明,基于轨迹的方法仍然取得较好的效果,traj+CNN+RNNs的准确率、真正率、真负率和帧率还能达到0.853、0.847、0.872和52帧/s,但是CNN、C3D的准确率下降到0.585、0.716。结论从视频的时间压缩轨迹可以辨认出烟雾的轨迹,即便是早期的弱小烟雾也能准确识别,因此traj+CNN+RNNs辨识轨迹的方法有助于预警早期火灾。本文方法能够在较少的资源耗费下大幅度提高烟雾检测的准确性和敏感性。(本文来源于《中国图象图形学报》期刊2019年10期）
李娜,齐爱玲,贾澎涛,龚尚福[2]（2019）在《两种火灾烟雾识别方法的研究》一文中研究指出接触式火灾探测器在大空间和室外场景存在局限性,结合视频监控系统和数字图像处理技术,进行探测和预警成为火灾探测领域里的新研究方向。针对不同场景下烟雾识别算法的选择问题,研究颜色统计特征和小波变换两种方法在烟雾图像识别中的应用,分析算法的具体过程及其适用性。火灾烟雾图像包含丰富的颜色、纹理等特征参数,将烟雾图像转换为二值图像,采用数字图像处理的方法对烟雾的RGB颜色特征进行统计,分析其颜色距离与人类视觉的关系,提取图像中的烟雾点特征,识别是否有火灾烟雾生成以达到预警的目的。小波变换方法利用烟雾背景图像纹理模糊即信号衰弱的特点,对目标前景进行提取。利用连续目标图像计算均值背景,通过与均值背景的对比,捕捉图像信号衰减的连通区域,获取烟雾图像。通过实验,从图像要求、烟雾对象、时间复杂度、适合场所几方面得出颜色统计特征和小波变换方法在火灾烟雾识别中的性能比较。结果对不同场景下烟雾图像识别方法的选择有指导作用。(本文来源于《西安科技大学学报》期刊2019年05期）
陶益[3]（2019）在《基于单片机的火灾烟雾温度报警器的设计与制作》一文中研究指出基于单片机的火灾烟雾温度报警器以STC89C52单片机作为控制核心,通过DS18B20温度传感器检测环境温度,MQ2烟雾传感器检测烟雾浓度,按键电路设定日期时间、温度和烟雾浓度的限定值,并通过LCD1602液晶显示屏实时显示数据。(本文来源于《计算机产品与流通》期刊2019年09期）
卫鑫,武淑红,王耀力[4]（2019）在《基于深度卷积长短期记忆网络的森林火灾烟雾检测模型》一文中研究指出针对采样的每帧烟雾特征具有极大的相似性,以及森林火灾烟雾数据集相对较小且单调等问题,为充分利用烟雾的静态与动态信息来达到预防森林火灾的目的,提出一种深度卷积集成式长短期记忆网络(DC-ILSTM)模型。首先,使用在ImageNet数据集上预训练好的VGG-16网络进行基于同构数据的特征迁移,以有效提取出烟雾特征;其次,基于池化层与长短期记忆网络(LSTM)提出一种集成式长短期记忆网络(ILSTM),并利用ILSTM分段融合烟雾特征;最后,搭建一种可训练的深度神经网络模型用于森林火灾烟雾检测。烟雾检测实验中,与深卷积长递归网络(DCLRN)相比,DC-ILSTM在最佳效率下以10帧的优势检测到烟雾,而且在测试准确率上提高了1.23个百分点。实验结果表明,DC-ILSTM在森林火灾烟雾检测中有很好的适用性。(本文来源于《计算机应用》期刊2019年10期）
黄恒一,杨汶龙,付叁丽,王英辉[5]（2019）在《智能手机火灾烟雾警报器的设计》一文中研究指出随着智能家居的普及,为了更大限度地降低火灾隐患,设计了智能手机火灾烟雾警报器。本系统以STC89C52为主控,DS18B20监测环境温度,MQ-2监测环境烟雾浓度,LED和蜂鸣器实现声光报警。系统通过蓝牙传输模块与手机APP进行温度和烟雾浓度的实时数据传输,具有通过手机APP打开风扇进行降温或排出烟雾的功能。(本文来源于《电脑与电信》期刊2019年08期）
冯卫东[6]（2019）在《非洲火灾烟雾为亚马孙雨林“施肥”》一文中研究指出科技日报纽约7月30日电（冯卫东）美国研究人员发现，非洲火灾产生的烟雾可能是亚马孙热带雨林中作为肥料的关键营养素——磷的最重要来源。在大气颗粒中发现的营养物气溶胶，通过风运输并沉积到海洋和陆地上，在那里它们刺激海洋浮游植物和陆地植物的生产力(本文来源于《科技日报》期刊2019-08-01）
赵丽宏,付雪,肖博宇,张延文[7]（2019）在《基于卷积神经网络的森林火灾烟雾探测算法研究》一文中研究指出为解决森林火灾烟雾检测过程中受外界干扰且由于烟雾存在多种静、动态特性导致识别难度高的问题,提出一种基于卷积神经网络的火灾烟雾视频探测算法提取可疑区域特征并进行模式分类,进而检测出火灾烟雾。实验结果表明:该算法在各种视频场景下均具有良好的烟雾识别性能,并能与灭火装置通信对初期林火进行扑灭,为森林火灾探测扑救装备的智能化、高效化提供了新思路。(本文来源于《中国新技术新产品》期刊2019年12期）
张倩,周平平,王公堂,李天平[8]（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）
贾阳,喻润洋,樊良辉[9]（2019）在《基于U-Net深度神经网络的早期火灾烟雾自动分割方法》一文中研究指出在火灾事件监测中,为了减少数据处理量、加快探测速度,需要先分割出疑似烟雾区域。传统的烟雾分割算法大多需要设置阈值进行处理,算法的环境适应能力还需进一步提升。在研究中,使用U-Net结构的深度神经网络进行早期火灾烟雾的自动分割,通过半自动算法人工辅助分割出烟雾区域的图像样本,基于深度神经网络对分割烟雾区域进行学习,得到原始视频帧到分割结果的映射模型,并据此模型进行烟雾区域分割。在测试集上的分割实验结果表明该方法与传统方法相比,不需要设置阈值,自动化程度更高,分割速度极快,在疑似烟雾区域分割任务中性能较好。(本文来源于《火灾科学》期刊2019年02期）
袁梅[10]（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）
火灾烟雾论文开题报告
（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：
接触式火灾探测器在大空间和室外场景存在局限性,结合视频监控系统和数字图像处理技术,进行探测和预警成为火灾探测领域里的新研究方向。针对不同场景下烟雾识别算法的选择问题,研究颜色统计特征和小波变换两种方法在烟雾图像识别中的应用,分析算法的具体过程及其适用性。火灾烟雾图像包含丰富的颜色、纹理等特征参数,将烟雾图像转换为二值图像,采用数字图像处理的方法对烟雾的RGB颜色特征进行统计,分析其颜色距离与人类视觉的关系,提取图像中的烟雾点特征,识别是否有火灾烟雾生成以达到预警的目的。小波变换方法利用烟雾背景图像纹理模糊即信号衰弱的特点,对目标前景进行提取。利用连续目标图像计算均值背景,通过与均值背景的对比,捕捉图像信号衰减的连通区域,获取烟雾图像。通过实验,从图像要求、烟雾对象、时间复杂度、适合场所几方面得出颜色统计特征和小波变换方法在火灾烟雾识别中的性能比较。结果对不同场景下烟雾图像识别方法的选择有指导作用。
（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。
火灾烟雾论文参考文献
[1].罗胜,张翔,胡杰,王慕抽,张笑钦.时间压缩轨迹特征识别的火灾烟雾检测[J].中国图象图形学报.2019
[2].李娜,齐爱玲,贾澎涛,龚尚福.两种火灾烟雾识别方法的研究[J].西安科技大学学报.2019
[3].陶益.基于单片机的火灾烟雾温度报警器的设计与制作[J].计算机产品与流通.2019
[4].卫鑫,武淑红,王耀力.基于深度卷积长短期记忆网络的森林火灾烟雾检测模型[J].计算机应用.2019
[5].黄恒一,杨汶龙,付叁丽,王英辉.智能手机火灾烟雾警报器的设计[J].电脑与电信.2019
[6].冯卫东.非洲火灾烟雾为亚马孙雨林“施肥”[N].科技日报.2019
[7].赵丽宏,付雪,肖博宇,张延文.基于卷积神经网络的森林火灾烟雾探测算法研究[J].中国新技术新产品.2019
[8].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
[9].贾阳,喻润洋,樊良辉.基于U-Net深度神经网络的早期火灾烟雾自动分割方法[J].火灾科学.2019
[10].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