典型文献
基于视觉的火灾检测研究
文献摘要：
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.
文献关键词：
火灾检测;YOLOv4-Tiny;二分K-Means;锚定框;多尺度预测
中图分类号：
作者姓名：
缪伟志;陆兆纳;王俊龙;王焱
作者机构：
南通理工学院 汽车工程学院,江苏 南通226002
文献出处：
引用格式：
[1]缪伟志;陆兆纳;王俊龙;王焱-.基于视觉的火灾检测研究)[J].森林工程,2022(01):86-92,100
A类：
B类：
火灾检测,安装距,响导,视觉传感器,视觉目标检测,轻量级,目标检测网络,You,Only,Look,Once,Tiny,YOLOv4,森林火灾,Means,聚类算法,锚定框,Anchor,Box,大尺度,漏检率,预训练,重重,新训,伟达,板卡,行部,测试数据,检测速度,足火,多尺度预测
AB值：
0.394705
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。
