Copyright ©2013-2017 中国学术论文查重检测系统入口 All Rights Reserved. 网站备案号：辽ICP备17018872号-4.
传统火焰检测通常是根据先验知识设计特征提取算法,人工提取火焰动态或静态特征,然后进行火焰识别。
对于烟雾检测准确率，Faster R-CNN 接近1。 对于火焰检测，检测准确率对于小火是0.99。 对于暗火是0.974。 在此，仅展示静态图片，正如ssd的作者所说他只能在7FPS上运行，对于实时火焰检测来说实在太慢。 我们重点研究YOLO和SSD，后者有更高的FPS而且可以满足实时火焰检测的需要。 For YOLO, we test how different layers structure influence the accuracy rate.
针对视频，若是加上火 博主最近在做一个基于OpenCV的 火焰检测 的项目，不仅可以 检测 图片中的 火焰 ，还可以 检测 视频中的 火焰 ，最后在视频 检测 的基础上推广到摄像头实时 检测 。 在做这个项目的时候，博主参考了很多相关的文献，用了很多种不同的 火焰 判据，并将其进行不同组合，从而达到我们想要的 检测 效果。
基于卷积神经网络的火焰检测相对于传统方式而言，对火焰有着更高的精确率与召回率。 可以大大的降低系统的误报率。 这也是我现在所研究的一个重点方向。 对于深度学习的重点可能会在改善现有的网络结构，改进loss…可能一个新的想法就可以让你创造一个新传奇。