10.3969/j.issn.1000-386x.2019.02.046
基于改进的DenseNet深度网络火灾图像识别算法
现有油田火灾预警系统较多地采用烟感、红外等被动传感器进行烟火检测,其检测范围小,抗干扰能力弱,无法实时准确地进行火灾预警.如何从油田安防设备获取的海量图像数据中检测到烟火信息,提高抢险救灾的预测响应时间,在国内外都是一个具有挑战性的研究课题.提出一种改进的DenseNet深度神经网络架构,解决复杂图像中火灾区域的检测.为了增强特征传播的精度,降低存储数据量,采取结构化稀疏操作.将网络卷积核分为多个组,在训练过程中逐渐减小每个组内不重要的参数连接.针对油田安防领域构建的数据集存在不平衡性,增强火灾检测系统最终分类预测的准确性,引入Focal损失函数对分类层进行火灾识别.大量的定性定量实验表明,该改进网络在检测率与误检率方面均优于现有的其他深度模型.
火焰检测、深度学习、DenseNet、结构化、网络裁剪、损失函数
36
TP751.1(遥感技术)
2019-05-21（万方平台首次上网日期，不代表论文的发表时间）
共6页
258-263
