结合感受野模块与并联RPN网络的火焰检测

	结合感受野模块与并联RPN网络的火焰检测
	鲍文霞 2; 孙强 2; 梁栋 2; 胡根生 2; 杨先军 1
刊名	中国图象图形学报
	2023
卷号	28
关键词	flame detection deep learning receptive field(RF) parallel region proposal network(PRPN) negative sample fine-tuning 火焰检测深度学习感受野(RF) 并联区域建议网络(PRPN) 负样本微调
ISSN号	1006-8961
英文摘要	目的准确快速的火焰检测技术在早期火灾预警中具有重要的实际应用价值。为了降低伪火类物体引起的误警率以及早期小火焰的漏检率,本文设计了一种结合感受野(receptive field,RF)模块与并联区域建议网络(parallel region proposal network,PRPN)的卷积神经网络(receptive field and parallel region proposal convolutional neural network,R-PRPNet)用于火焰检测。方法R-PRPNet主要由特征提取模块、并联区域建议网络和分类器3部分组成。特征提取模块在MobileNet卷积层的基础上,通过嵌入感受野RF模块扩大感受野捕获更丰富的上下文信息,从而提取更具鉴别性的火焰特征,降低伪火类物体引起的误警率;并联区域建议网络与特征提取模块后端的多尺度采样层连接,使用3 ×3和5 ×5的全卷积进一步拓宽多尺度锚点的感受野宽度,提升PRPN对不同尺度火焰的检测能力,解决火灾发生初期的小火焰漏检问题;分类器由softmax和smooth L1分别实现分类与回归。在R-PRPNet训练过程中,将伪火类物体作为负样本进行负样本微调,以更好区分伪火类物体。结果在包括室内、建筑物、森林和夜晚等场景火焰数据以及包括灯光、晚霞、火烧云和阳光等伪火类数据的自建数据集上对所提方法进行测试,在火焰检测任务中,准确度为98.07%,误警率为4.2%,漏检率为1.4%。消融实验结果表明,R-PRPNet较基线网络在漏检率和误警率上分别降低了4.9和21.72%。与传统火焰检测方法相比,R-PRPNet在各项指标上均优于边缘梯度信息和聚类等方法。性能较几种目标检测算法有所提升,其中相较于YOLOX-L,误警率和漏检率分别降低了22.2和5.2%。此外,本文在不同场景火焰下进行测试,都有较稳定的表现。结论本文方法有效降低了火焰检测中的误警率和漏检率,并可以满足火焰检测的实时性和准确性需求。
语种	中文
内容类型	期刊论文
源URL	[http://ir.hfcas.ac.cn:8080/handle/334002/133040]
专题	中国科学院合肥物质科学研究院
作者单位	1.中国科学院合肥物质科学研究院 2.安徽大学
推荐引用方式 GB/T 7714	鲍文霞,孙强,梁栋,等. 结合感受野模块与并联RPN网络的火焰检测[J]. 中国图象图形学报,2023,28.
APA	鲍文霞,孙强,梁栋,胡根生,&杨先军.(2023).结合感受野模块与并联RPN网络的火焰检测.中国图象图形学报,28.
MLA	鲍文霞,et al."结合感受野模块与并联RPN网络的火焰检测".中国图象图形学报 28(2023).