[發(fā)明專利]一種基于深度學(xué)習(xí)的煙霧檢測(cè)方法在審
| 申請(qǐng)?zhí)枺?/td> | 202110542645.8 | 申請(qǐng)日: | 2021-05-18 |
| 公開(公告)號(hào): | CN113537226A | 公開(公告)日: | 2021-10-22 |
| 發(fā)明(設(shè)計(jì))人: | 孟慶松;趙德偉 | 申請(qǐng)(專利權(quán))人: | 哈爾濱理工大學(xué) |
| 主分類號(hào): | G06K9/34 | 分類號(hào): | G06K9/34;G06K9/62;G06K9/00;G06N3/04;G06N3/08 |
| 代理公司: | 暫無信息 | 代理人: | 暫無信息 |
| 地址: | 150000 黑龍*** | 國(guó)省代碼: | 黑龍江;23 |
| 權(quán)利要求書: | 查看更多 | 說明書: | 查看更多 |
| 摘要: | |||
| 搜索關(guān)鍵詞: | 一種 基于 深度 學(xué)習(xí) 煙霧 檢測(cè) 方法 | ||
1.一種基于深度學(xué)習(xí)的煙霧檢測(cè)方法,其特征在于:它的檢測(cè)方法如下:
步驟一、改進(jìn)的混合高斯與YOLOv3融合煙霧檢測(cè)算法:
分為兩部分;第一部分利用改進(jìn)的混合高斯算法對(duì)視頻每幀進(jìn)行像素匹配,得到相應(yīng)的靜態(tài)背景和動(dòng)態(tài)前景,然后按照一定規(guī)律對(duì)動(dòng)態(tài)前景進(jìn)行提取,得到粗篩選后的煙霧前景;第二部分主要采用YOLOv3目標(biāo)檢測(cè)算法,提取煙霧特征并進(jìn)行二次細(xì)篩選;利用YOLOv3提取煙霧特征時(shí),把預(yù)處理后的煙霧數(shù)據(jù)集作為模型的輸入,在模型中進(jìn)行反復(fù)訓(xùn)練和調(diào)整參數(shù),最后生成表征煙霧特征的權(quán)重,并在粗篩選得到的煙霧前景中進(jìn)行調(diào)用,對(duì)煙霧區(qū)域進(jìn)行二次細(xì)篩選,最終框定出視頻煙霧的具體位置和范圍,從而有效的對(duì)煙霧進(jìn)行檢測(cè);
(1.1)、改進(jìn)混合高斯煙霧前景提取:
(1.1.1)、視頻當(dāng)前幀的像素點(diǎn)與高斯分布進(jìn)行匹配,若滿足式(1-2),則像素點(diǎn)與高斯分布匹配,若不滿足,則說明不匹配;
|Xi,t-μi|<2.5σi (1-2)
(1.1.2)、若匹配成功,則用此像素點(diǎn)來更新高斯背景模型,更新的公式為式(1-3)、式(1-4)和式(1-5):
ωi,t=(1-α)ωi-1+α(Mi,t) (1-3)
μi,t=(1-θ)μi,t-1+θXt (1-4)
σ2i,t=(1-θ)σ2i,t-1+θ(Xt-μi,t-1)T(Xt-μi,t-1) (1-5)
式中,α為學(xué)習(xí)率;Mi,t用來控制多個(gè)高斯分布的權(quán)值變化;當(dāng)匹配成功時(shí),Mi,t=1;匹配失敗時(shí),Mi,t=0;α和θ可以反映高斯適應(yīng)不同場(chǎng)景的能力;
(1.1.3)、若與任一個(gè)高斯分布都不匹配,則增加一個(gè)高斯分布或者更新高斯分布來取代優(yōu)先級(jí)最小的分布;
K個(gè)高斯分布按照優(yōu)先級(jí)從高到低排列為式(1-6):
(1.1.4)、高斯模型更新參數(shù)后,按照優(yōu)先級(jí)對(duì)像素點(diǎn)的K個(gè)高斯分布進(jìn)行排列,并取前B個(gè)高斯分布作為背景像素的理想描述:
式中,ωk表示一個(gè)像素中第K個(gè)高斯函數(shù)的權(quán)值;T一般取0.5到1之間,這里取經(jīng)驗(yàn)值0.85,繼續(xù)對(duì)Xi,t與上述B個(gè)高斯分布做匹配測(cè)驗(yàn),與前B個(gè)高斯分布任一個(gè)相匹配則為前景,反之則為背景;
(1.2)、YOLOv3模型與訓(xùn)練:
通過在一個(gè)神經(jīng)網(wǎng)絡(luò)模型中進(jìn)行預(yù)測(cè)目標(biāo)區(qū)域和目標(biāo)類別;YOLOv3采用了新的ResNet思想的darknet-53網(wǎng)絡(luò)結(jié)構(gòu),在網(wǎng)絡(luò)中加入殘差模塊,并采用3個(gè)不同尺度的特征圖來進(jìn)行對(duì)象檢測(cè),能夠檢測(cè)到更加細(xì)粒度的特征;
步驟二、基于改進(jìn)YOLOv3的煙霧檢測(cè)算法:
將通道注意力機(jī)制嵌套在YOLOv3網(wǎng)絡(luò)結(jié)構(gòu)中殘差卷積塊Residual Block的最后一層,在煙霧目標(biāo)檢測(cè)中,當(dāng)兩個(gè)或者兩個(gè)以上目標(biāo)框接近時(shí),分?jǐn)?shù)更低的框就會(huì)因?yàn)榕c之重疊面積過大而被刪掉,NMS的閾值需要手動(dòng)確定,設(shè)置小了會(huì)漏檢,設(shè)置大會(huì)誤檢,將非極大值抑制改為Soft-NMS。
2.根據(jù)權(quán)利要求1所述的一種基于深度學(xué)習(xí)的煙霧檢測(cè)方法,其特征在于:所述Soft-NMS為在煙霧檢測(cè)中,首先產(chǎn)生一些煙霧候選區(qū)域,其次通過分類網(wǎng)絡(luò)得到類別得分,與此同時(shí)通過回歸網(wǎng)絡(luò)得到更加精確的位置參數(shù),最后通過非極大值抑制得出最后的檢測(cè)結(jié)果。
該專利技術(shù)資料僅供研究查看技術(shù)是否侵權(quán)等信息,商用須獲得專利權(quán)人授權(quán)。該專利全部權(quán)利屬于哈爾濱理工大學(xué),未經(jīng)哈爾濱理工大學(xué)許可,擅自商用是侵權(quán)行為。如果您想購(gòu)買此專利、獲得商業(yè)授權(quán)和技術(shù)合作,請(qǐng)聯(lián)系【客服】
本文鏈接:http://www.szxzyx.cn/pat/books/202110542645.8/1.html,轉(zhuǎn)載請(qǐng)聲明來源鉆瓜專利網(wǎng)。
- 同類專利
- 專利分類
G06K 數(shù)據(jù)識(shí)別;數(shù)據(jù)表示;記錄載體;記錄載體的處理
G06K9-00 用于閱讀或識(shí)別印刷或書寫字符或者用于識(shí)別圖形,例如,指紋的方法或裝置
G06K9-03 .錯(cuò)誤的檢測(cè)或校正,例如,用重復(fù)掃描圖形的方法
G06K9-18 .應(yīng)用具有附加代碼標(biāo)記或含有代碼標(biāo)記的打印字符的,例如,由不同形狀的各個(gè)筆畫組成的,而且每個(gè)筆畫表示不同的代碼值的字符
G06K9-20 .圖像捕獲
G06K9-36 .圖像預(yù)處理,即無須判定關(guān)于圖像的同一性而進(jìn)行的圖像信息處理
G06K9-60 .圖像捕獲和多種預(yù)處理作用的組合
- 根據(jù)用戶學(xué)習(xí)效果動(dòng)態(tài)變化下載學(xué)習(xí)數(shù)據(jù)的系統(tǒng)及方法
- 用于智能個(gè)人化學(xué)習(xí)服務(wù)的方法
- 漸進(jìn)式學(xué)習(xí)管理方法及漸進(jìn)式學(xué)習(xí)系統(tǒng)
- 輔助學(xué)習(xí)的方法及裝置
- 基于人工智能的課程推薦方法、裝置、設(shè)備及存儲(chǔ)介質(zhì)
- 基于強(qiáng)化學(xué)習(xí)的自適應(yīng)移動(dòng)學(xué)習(xí)路徑生成方法
- 一種線上視頻學(xué)習(xí)系統(tǒng)
- 一種基于校園大數(shù)據(jù)的自適應(yīng)學(xué)習(xí)方法、裝置及設(shè)備
- 一種學(xué)習(xí)方案推薦方法、裝置、設(shè)備和存儲(chǔ)介質(zhì)
- 游戲?qū)W習(xí)效果評(píng)測(cè)方法及系統(tǒng)





