融合YOLOv5-ResNet级联网络的烟火检测方法

火灾产生的烟雾和火焰对人类生命财产及安全会造成严重威胁。针对现有烟火检测算法在实际工业应用中无法满足高检测率、低误报率以及高实时性的检测需求,提出了一种融合YOLOv5-ResNet级联网络的烟火检测算法。首先,为了提高YOLOv5检测网络对烟火目标的检测性能,尤其针对小目标烟火,通过增加注意力机制模块、小目标尺度检测层、Focal Loss损失函数的方式改进YOLOv5目标检测网络;然后,为了降低误检情况的发生,将检测到的烟火目标进行阈值筛选,筛选后的烟火目标增加部分背景信息后送入ResNet34分类网络,剔除非烟火目标;最后,通过综合分析连续多帧检测结果和烟雾面积变化情况,进一步降低误检的发生。结果表明：融合YOLOv5-ResNet级联网络的烟火检测算法,在29个烟火视频的查全率为99.38%,漏检率为0.62%;在45个非烟火视频的误检率约为0.001 6%,在所有测试视频的平均检测速度为51.67帧/s, YOLOv5-ResNet级联网络算法检测精度较高,检测速度较快,误检率低,可满足实际的大规模复杂工业场景下检测任务,综合性能优于现有的其他火灾检测算法。     

虚拟仪器技术在神经网络火灾识别模型中的应用研究

为降低火灾自动报警系统的误报、漏报率,基于BP神经网络算法,用LabVIEW虚拟仪器开发了一套智能火灾识别模型。在火灾探测区域内合理布置若干感温探测器,在火灾识别模型中,将探测到的温度场参数作为BP神经网络的输入,火灾发生与否作为输出,并对影响BP神经网络的各项参数和该模型的运行结果进行测试研究。仿真试验结果表明:选取42组训练样本,当网络训练到4 000次左右时,最大相对误差值达到目标值0.1,其中大部分相对误差值达到0.05以下,网络的实际输出值非常逼近样本的理想输出值;实际火灾试验表明:该火灾识别模型能够探测火灾的发生。     

FMF的火焰显著性检测

为准确定位火源点,实现火灾预警,提出一种基于人眼视觉注意机制的实时监测火灾预警方法。首先,根据图像对抗理论,提取视频序列中每一帧图像的亮度和颜色特征;其次,运用像素级显著性检测算法,构建描述特征信息的多尺度空间高斯金字塔;然后,运用跨尺度特征相加方法,融合中心-邻域对比度金字塔,得到静态显著性图;最后,结合动态帧差法,将多特征融合(FMF)算法得到的显著性图作动态帧差,寻找视频帧中属于火焰的区域,在公开的数据集上就4种评价指标与6种代表性算法作对比。结果表明:FMF算法通过显著性分析方法描述多尺度空间特征信息,其鲁棒性更强;与6种算法相比,FMF算法在准确率和漏检率上有较明显的优势,且能准确识别与定位火焰,防范火灾的发生。     

基于贝叶斯网络的建筑火灾动态风险评估方法研究

为提高建筑火灾风险评估的准确性,建立1种智能化的动态风险评估方法。针对具体建筑的风险评估,以物联网技术为基础,构建智能消防监测系统,在建筑日常使用过程中通过动态风险评估,实现火灾风险要素的实时监测、数据传输,充分发挥大数据、云计算的支撑作用,将贝叶斯网络方法引入火灾风险定量评估过程,构建火灾动态风险评估模型;结合具体的应用实例,分析不确定因素对风险评估结果的影响。研究结果表明:基于贝叶斯网络的动态风险评估方法能较准确地反映建筑火灾风险的可能性,达到实时监测、动态评估的效果。     

基于YOLOv5s的外脚手架隐患智能动态检测

针对脚手架工程隐患人工巡检效率低、实时排查难的问题,提出一种基于深度学习的隐患实时检测方法。利用添加噪声、随机裁剪等数据增强方式扩充数据集,提高模型在复杂环境下的鲁棒性;基于YOLOv5s目标检测算法建立脚手架工程隐患图像识别模型并进行训练测试,与YOLOv4、Faster R-CNN进行对比,验证模型的有效性。结果表明,在脚手架工程隐患检测任务上,YOLOv5s模型的均值平均精度达到92.23%,较YOLOv4提升8.11百分点;检测速度达到97.01帧/s,较Faster R-CNN提升5倍。轻量的YOLOv5s网络模型适合部署于嵌入式智能监控中,实时采集现场数据并进行隐患分类识别,有效缩短隐患发现时间,研究结果可为脚手架工程监控预警平台提供研究基础。     

基于CNN的化工园区火灾火焰图像识别研究

为及时发现化工园区火灾事故,降低事故损失,利用卷积神经网络(CNN)建立化工园区火灾实时检测系统。基于CNN-YOLOv5算法训练化工园区火灾数据集和普通火灾数据集,分析对比2个数据集的损失值、召回率、精度和类别平均精度。其中,化工园区火灾数据集的损失值和召回率略低,但精度和类别平均精度高于普通火灾数据集,证明通过CNN检测化工园区火灾的可行性。结果表明：基于火灾检测结果,借助PyQt5程序框架设计化工园区火焰图像识别软件系统,可实现对化工园区火灾火焰图像和视频的识别应用,扩大该方法适用范围。基于CNN的YOLOv5目标检测算法可以实时检测化工园区火灾,其检测方法具有便携性、检测结果具有可靠性,可提高化工园区的安全管理水平。     

钻井作业典型违章行为视频监控智能分析技术研究

针对钻井现场视频监控人工值守工作量大、存在遗漏、海量视频数据缺乏实时报警等问题,在识别筛选严重事故后果及高概率违章事件的基础上,利用卷积神经网络算法研发视频智能分析技术,开发了钻井视频智能分析与报警系统,研制了配套的便携式视频监控终端及视频分析服务器,对现场直接作业、溢流监测坐岗等过程进行实时行为检测。现场应用表明,该系统可有效识别抽烟、人员离岗等现场典型违章行为,提升了钻井安全管理智能化水平。     

语义分割的传送带跑偏视频检测算法

为避免在选煤厂进行作业分类时,因矿道传送带跑偏而造成严重的生产事故问题,提出一种融合高斯边缘投影的语义分割视频检测算法,来作为实时监测传送带跑偏的解决方案。首先,通过高斯滤波预处理算法,减少视频图像噪点对神经网络的影响;然后,构建融合高斯投影的径向基神经网络结构,增强图像的边缘信息,并将高斯投影融合至网络中以实现语义分割;最后,在保证识别检测效果的同时尽可能降低网络的计算消耗。结果表明：通过验证分析选煤厂矿道工作视频的试验场景,该算法能够准确识别检测传送带位置,进而实现传送带跑偏警告;同时算法在实现有效功能的同时,较典型的语义分割深度学习模型计算资源消耗更少,计算效率更高。     

基于改进YOLOv5s算法的隧道初期火灾检测模型

为提升公路隧道初期火灾的检出率与检测精度,考虑初期烟火特征量小且不易侦测的特点,提出一种基于改进YOLOv5s算法的公路隧道初期火灾检测模型。首先,在YOLOv5s特征检测层并入变压器预测头,在原有3个特征检测头的基础上新增第4个160×160尺度的特征检测头,以增强多尺度识别能力;同时,引入加权双向特征金字塔网络(BiFPN)结构,用于融合高低层火焰和烟雾的语义信息;然后,采用完全交并比(CIoU)替换距离交并比(DIoU),并在置信度损失中采用Focal Loss改进YOLOv5s的损失函数,从而提升新模型整体的训练效果和检测精确度;最后,在真实隧道内开展初期火灾模拟试验,获取50 000幅训练集样本,并结合2022年3月1日江苏镇江观音山隧道真实火灾视频数据,对比分析YOLOv5s-Opt和YOLOv5s算法模型。结果表明：YOLOv5s-Opt对初期火灾的平均检测精度达到90.38%,比YOLOv5s提高2.06%;对于同一段火灾实测视频,YOLOv5s-Opt的检出率比YOLOv5s高出3.63%。YOLOv5s-Opt算法模型更擅长初期火灾小目标的检测和识别,在检测精度和检...     

基于面部特征识别的管制员疲劳监测方法研究

为进一步控制疲劳诱发的空管人为差错,提出一套基于面部特征识别的空中交通管制员疲劳实时监测方法。应用眼动仪和视频记录系统开展36 h睡眠剥夺试验,确定PERCLOS值、平均闭眼时长、哈欠频率3个疲劳判定指标的判定阈值,并给出综合疲劳程度的融合算法。应用机器视觉的理论和方法,开发功能完整的管制员疲劳状态实时监测告警原型系统。结果表明,通过对面部特征的识别和状态融合能够实现对管制员疲劳状态的实时监测。建议在此基础上进一步开发可实用的疲劳监测系统。     

基于扩展分形特征的图像型火灾检测

针对火灾检测中存在的不稳定及误判率高的问题,提出一种基于扩展分形特征的图像型火灾检测算法。首先在图像的HSI颜色空间进行火焰疑似区域的分割,然后采用文中提出的扩展分形特征计算方法计算图像扩展分形特征,利用该特征对目标事物对比度和大小尺寸敏感的特性,对火焰区域进行再次分割,得到最后的火焰区域。实验结果表明,该算法运行效率较高、误报率较低,适用于多种场合的火灾检测。     

用于早期火灾分类的非线性决策树支持向量机

对早期火灾信息进行研究,提出了一种基于非线性决策树的支持向量机多类分类模型。该模型利用非线性映射将样本投影到高维特征空间,比较每类样本在高维空间的分布情况,进行聚类构造出一个二叉决策树,使容易区分的类别从根节点逐层分类出来,有效克服了错分积累和避免不可分情况;同时,各个节点采用二值最小二乘小波支持向量机,以获得较高的泛化能力。该文将该模型用于早期火灾分类,并与BP神经网络、K近邻法和决策树方法进行比较,实验结果表明,该模型对早期火灾的识别率更高。     

基于Soft Fuzzy ARTMAP算法的地铁隧洞光纤光栅传感火灾识别研究*

为解决传统火灾报警系统在应对地铁火灾报警时存在的即时性差、灵敏度及智能化水平低等问题,基于Fuzzy ARTMAP网络,结合Yu范数相似度准则与软竞争学习机制,提出1种软竞争学习Fuzzy ARTMAP算法,弥补传统Fuzzy ARTMAP网络胜者为王规则导致的区域重叠而产生误判的不足;结合地铁光纤光栅传感网络数据,将该算法应用于地铁火灾识别。结果表明:与传统的Fuzzy ARTMAP相比,该算法可快速有效地识别地铁火灾趋势,为地铁火灾识别系统研究提供理论支持。     

一种基于LVQ神经网络与图像处理的火焰识别算法

针对传统火灾探测技术存在的不稳定、误判率高等缺点,通过分析室内火灾图像与常见干扰光源图像的特点,提出一种基于人工神经网络的火焰图像检测技术。对火焰图像的基本特性进行分析,利用火焰图像序列的面积重叠率和中心相对移动率以及颜色等信息,结合实现学习向量量化(LVQ)神经网络融合技术,对视频序列图像中火焰的自动检测。仿真试验结果表明,基于LVQ神经网络的信息融合算法的网络收敛速度较快,有较高的火灾火焰识别准确率。     

公共场所人群加速度异常检测系统

针对目前基于速度检测公共场所密集人群异常行为存在的检测准确率低、使用范围局限的问题,从人群的加速度角度对可能导致公共安全事故的人群异常行为进行研究,提出了一种基于加速度检测人群异常行为的算法,并基于该算法实现了针对人群逃散、人群聚集、人群拥挤和人群逆行4种异常行为检测的系统。首先,利用金字塔Lucas-Kanade光流法进行特征点跟踪;然后,在获取到特征点的速度矩阵基础上进一步计算其加速度矩阵,反映速度的整体变化;最后,从加速度大小和方向两方面检测人群异常行为。结果表明,所提算法检测用时较少,相比基于速度检测的对比算法,检测的正确率提高到80%,误报率降低为5%。     

基于红外热成像的隧道火焰检测技术研究

精准的火焰检测是有效避免火灾发生的关键,针对传统的火灾探测算法在公路隧道等大空间环境中存在及时性与准确性相互制约的问题,通过研究隧道火焰初期在图像中呈现的静态和动态特征,提出了一种基于红外热成像的公路隧道火灾初期火焰检测方法。利用温度阈值获取疑似火焰区域,根据红外图像在引导滤波器作用下降噪,同时利用区域增长法分割疑似火焰区域;从疑似区域中提取的特征值构成特征向量,进行数据归一化提高SVM收敛速度;利用人工蜂群算法优化参数。结果表明：ABC-SVM能够实现公路隧道火灾初期的火焰识别,检测正确率相较于RBF方法提升了2.26%,运行时间缩短了2.29 ms;检测正确率相较于SVM方法提升了0.87%,运行时间缩短了2.22 ms。本方法可以对初期隧道火灾进行快速、有效检测,并有良好的环境适用性。     

火灾自动探测的复合特定趋势算法

本文提出了二输入信号的复合特定趋势检测算法，它能够根据信号的稳定值识别复合信号位于稳定值上方的正向变化和稳定值下方的负向变化趋势，在趋势判断函数中引入判别门限，有效地克服了随机噪声干扰；在火灾信号确认中使用了“趋势持续”方法，通过标准试验火和不同环境下非火灾信号的模拟测试表明，该算法探测火灾信号及时、可靠且具有极低的误报警率。     

火灾烟雾探测技术的发展与探讨

简述了火灾烟雾探测的基本原理，针对火灾烟雾中固态产物的物理特征，从探测器设计和相应算法两个层面综述了国内外火灾烟雾探测技术的进展，展望了火灾烟雾探测技术的发展趋势。     

高速网络环境下的入侵检测

实现高速网络中实时入侵检测与预警已经成为目前网络安全所面临的问题。笔者首先分析了当前入侵检测系统中模式匹配算法 ,对模式匹配算法作了改进 ;接着对Rete算法进行了分析 ,并针对Rete算法的不足 ,在Rete网算法的基础上引入了FRete网算法 ,在此基础上建立了一种基于FRete匹配算法的推理机 ,对可疑事实进行推理 ;然后在此基础上设计了一种基于高速网络环境的入侵检测系统 ;最后建立了对入侵检测系统进行性能测试的仿真实验环境。通过上述的改进 ,提高了入侵检测系统的运行速度和效率 ,能较好地适应高速网络环境下的入侵检测。