将颜色和轮分析与深度学习相结合,实现强大的火灾和烟雾检测

科学领域:

• 计算机视觉 计算机视觉
• 人工智能的人工智能
• 机器学习 机器学习

背景情况:

• 有效的火灾和烟雾检测对于城市,工业和户外环境中的公共安全至关重要.
• 现有的检测方法往往在动态条件和不同的照明条件下扎,导致潜在的不准确性.
• 需要强大且适应性强的检测系统,能够识别火灾和烟雾.

研究的目的:

• 开发和评估一个独特的连接卷积神经网络 (CNN) 模型,用于可靠的火灾和烟雾检测.
• 通过混合预处理技术,提高检测准确度并减少假阳性/假阴性.
• 通过使用具有挑战性的基准数据集,与传统和最先进的方法对模型的性能进行评估.

主要方法:

• 开发了一个连接卷积神经网络 (CNN) 架构,将深度学习与混合预处理集成在一起.
• 预处理方法包括基于轮的算法和颜色特征分析,以增强感兴趣的区域 (ROI).
• 该模型在D-Fire数据集上进行了训练和验证,该数据集具有不同的环境条件和照明水平.

主要成果:

• 拟议的CNN模型在检测火灾和烟雾方面实现了高精度 (0.989) 和回忆 (0.983).
• 实验结果表明,与传统方法和基于YOLO的先进方法相比,其性能优越.
• 混合架构有效地减少了假阳性和假阴性,提高了检测的整体可靠性.

结论:

• 开发的连接CNN模型为火灾和烟雾检测提供了高度准确和有弹性的解决方案.
• 其用于检测烟雾和火灾的双重能力提高了各种现实世界的安全应用的适应性.
• 这项研究为火灾和烟雾检测系统建立了新的基准,为未来的进步铺平了道路.