为解决传统传感器在检测火灾的过程中受到环境、安装距离等因素影响导致适应性差的缺点,本文基于视觉传感器,通过视觉目标检测技术对火灾进行检测,从而实现火灾的预警。首先,为了提高轻量级的目标检测网络(You Only Look Once v4 Tiny,Y...为解决传统传感器在检测火灾的过程中受到环境、安装距离等因素影响导致适应性差的缺点,本文基于视觉传感器,通过视觉目标检测技术对火灾进行检测,从而实现火灾的预警。首先,为了提高轻量级的目标检测网络(You Only Look Once v4 Tiny,YOLOv4-Tiny)在检测火灾目标时的准确率,本文基于森林火灾的数据集,运用二分K-Means聚类算法重新生成锚定框(Anchor Box)。然后,在传统YOLOv4-Tiny网络的基础上通过增加大尺度预测结果的方式,降低漏检率。最后,本文结合预训练权重重新训练火灾检测网络,并在英伟达板卡上进行部署实验。实验结果表明,本文的火灾检测网络在测试数据集上的准确率为97.81%,漏检率为4.83%,与原始YOLOv4-Tiny相比,准确率提高了3.13%,漏检率降低了6.44%,检测速度达到了16帧/s,综合性能良好,满足火灾检测的需求。展开更多
文摘为解决传统传感器在检测火灾的过程中受到环境、安装距离等因素影响导致适应性差的缺点,本文基于视觉传感器,通过视觉目标检测技术对火灾进行检测,从而实现火灾的预警。首先,为了提高轻量级的目标检测网络(You Only Look Once v4 Tiny,YOLOv4-Tiny)在检测火灾目标时的准确率,本文基于森林火灾的数据集,运用二分K-Means聚类算法重新生成锚定框(Anchor Box)。然后,在传统YOLOv4-Tiny网络的基础上通过增加大尺度预测结果的方式,降低漏检率。最后,本文结合预训练权重重新训练火灾检测网络,并在英伟达板卡上进行部署实验。实验结果表明,本文的火灾检测网络在测试数据集上的准确率为97.81%,漏检率为4.83%,与原始YOLOv4-Tiny相比,准确率提高了3.13%,漏检率降低了6.44%,检测速度达到了16帧/s,综合性能良好,满足火灾检测的需求。
