典型文献
基于改进YOLOv3的火灾识别关键技术研究
文献摘要：
物流行业的大型仓库等具有空间大、环境复杂等特点,火灾发生具有不确定性且影响因素较多,导致传统的火灾检测方法难以实现对火灾的实时检测和报警.鉴于此,本文引入AI技术,采用边缘计算从而确保检测的实时性.系统利用烟雾、温度传感器以及摄像头采集视频图像信号,通过YOLOv3模型实现火灾的检测和识别,并且是对该模型进行优化、改进和训练后将其直接部署在NVIDIA GPU上而实现的火灾检测.将火灾识别的结果传至网关,利用网关将数据上传至上位机和移动端.上位机完成火灾报警、火灾定位及最优路径规划;用户和管理员通过移动端或者上位机查询系统状态.最后搭建了训练模型的软硬件平台,完成网络训练并对火焰进行检测.结果表明,该火焰检测模型识别精度高、实时性好,对火灾检测和报警具有较大的实际意义.
文献关键词：
YOLOv3;卷积神经网络;火焰检测和报警;GPU;AI技术;多尺度特征图
中图分类号：
作者姓名：
杨萍;房可佳;谢元莎
作者机构：
陕西科技大学 电子信息与人工智能学院,陕西 西安 710021
文献出处：
引用格式：
[1]杨萍;房可佳;谢元莎-.基于改进YOLOv3的火灾识别关键技术研究)[J].物联网技术,2022(03):21-23
A类：
利用网关,火焰检测和报警
B类：
YOLOv3,别关,关键技术研究,物流行业,仓库,有空,环境复杂,火灾检测,难以实现,实时检测,边缘计算,烟雾,温度传感器,摄像头,视频图像,模型实现,检测和识别,NVIDIA,GPU,数据上传,上位机,移动端,火灾报警,火灾定位,最优路径规划,管理员,查询系统,训练模型,软硬件平台,网络训练,检测模型,模型识别,识别精度,警具,实际意义,多尺度特征图
AB值：
0.38
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
