基于UO-Net模型的火焰检测方法

作     者：陈浩霖 高尚兵 相林 严云洋 黄子赫 蔡创新 CHEN Haolin;GAO Shangbing;XIANG Lin;YAN Yunyang;HUANG Zihe;CAI Chuangxin

作者机构：淮阴工学院计算机与软件工程学院江苏淮安223001 淮阴工学院江苏省物联网移动互联技术工程实验室江苏淮安223001 江苏海洋大学计算机工程学院江苏连云港222005 

出 版 物：《江苏海洋大学学报（自然科学版）》 (Journal of Jiangsu Ocean University:Natural Science Edition)

年 卷 期：2020年第29卷第4期

页      面：8-15页

学科分类：1305[艺术学-设计学（可授艺术学、工学学位）] 13[艺术学] 08[工学] 081104[工学-模式识别与智能系统] 0804[工学-仪器科学与技术] 081101[工学-控制理论与控制工程] 0811[工学-控制科学与工程] 

基　　金：国家重点研发计划项目(2018YFB1004904) 江苏高校“青蓝工程”项目 江苏省高校自然科学研究重大项目(18KJA520001) 江苏省“333工程”资助项目(BRA2016454) 淮安市科技局计划项目(HAB201803) 

主　　题：YOLOv3模型 深度神经网络 多卷积核组合结构 特征提取 图像分割 注意力图 火焰检测 

摘      要：一般基于深度学习的火焰检测方法识别效率不够理想,主要原因是特征提取网络中参数较多。对此,提出了一种基于UO-Net模型的火焰检测方法。UO-Net模型是在YOLOv3模型基础上建立的一种端到端的深度神经网络模型。该方法采用多卷积核组合结构,减少特征提取网络层的通道数。同时,提出了一种图像分割网络来加快模型的训练速度,并利用图像分割网络的注意力图来指导检测模型对火焰进行检测,从而提高火焰检测模型的性能。在Bilkent大学公开的火焰数据库VisiFire和真实场景数据集上对UO-Net模型进行了测试,最终识别准确率和帧率分别达到96.6%和42 f/s。实验结果表明,该方法能够从轻量级网络中提取火焰特征,检测速度和检测精度均优于现有的其他方法。