火災產生的煙霧和火焰對人類的生存環境造成了極大威脅,基于傳感器的檢測方法存在不經濟、延時和誤報等問題,而傳統的圖像處理方法魯棒性不強,對火災的預警極為不利。近些年,深度網絡模型在視覺領域取得了突出成就,將深度網絡模型應用于煙火的識別和檢測也成為了研究熱點。但是,由于深度網絡模型存在高存儲和高功耗的弊端,在資源有限環境中對煙火進行識別和檢測會受到很大阻礙。為此,本文采用輕量化和通道剪枝方法對模型進行了有效的壓縮和加速,主要研究工作可概括如下:(1)本文使用輕量型的網絡結構mobilenetv2來精準且快速的識別煙火圖像。該網絡使用了大量的1*1卷積結構和深度卷積結構來降低模型參數量和計算量,同時又保持了較高的識別準確率。在煙火數據集的實驗結果表明,與大型網絡vgg16相比,mobilenetv2網絡模型的參數量減少了 84.9%,計算量減少了 98.0%,而識別準確率反而高出了 0.76%。(2)本文提出一種改進的refinedet模型來準確和快速的檢測煙火圖像。該模型將原始refinedet模型中的基礎網絡vgg16替換成mobilenetv2,額外層縮減為1個卷積層,同時將TCB結構中...

【文章頁數】：78 頁

【學位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
第1章 緒論
    1.1 研究背景及意義
    1.2 國內外研究現狀
        1.2.1 傳感器方法
        1.2.2 圖像處理方法
        1.2.3 深度學習方法
    1.3 煙火識別和檢測的技術難點
    1.4 本文的主要研究內容
    1.5 本文的組織結構
第2章 關鍵技術分析
    2.1 CNN
        2.1.1.CNN結構
        2.1.2.CNN的特性
    2.2 目標檢測網絡
        2.2.1.基于候選區域的目標檢測算法
        2.2.2.基于回歸的目標檢測算法
    2.3 網絡剪枝
    2.4 本章小結
第3章 基于深度學習的煙火圖像識別與檢測
    3.1 煙火識別網絡的設計與實現
    3.2 煙火檢測網絡的設計與實現
        3.2.1.refinedet模型的基礎網絡和額外層的改進與分析
        3.2.2.refinedet模型的輔助網絡改進與分析
    3.3 實驗平臺和實驗數據集
        3.3.1.實驗平臺
        3.3.2.實驗數據集
    3.4 煙火識別實驗結果和分析
        3.4.1.數據預處理和模型預訓練
        3.4.2.模型性能評估
    3.5 煙火檢測實驗結果和分析
        3.5.1.數據預處理和模型預訓練
        3.5.2.模型評估標準
        3.5.3.模型的性能評估
    3.6 本章小結
第4章 煙火識別和檢測網絡的通道剪枝
    4.1 通道剪枝
        4.1.1.通道剪枝方法簡介
        4.1.2.添加輔助層
        4.1.3.快速迭代閾值收縮剪枝算法
    4.2 煙火識別網絡的通道剪枝
        4.2.1.煙火識別網絡通道剪枝設計
        4.2.2.煙火識別網絡通道剪枝實驗結果
    4.3 煙火檢測網絡的通道剪枝
        4.3.1.煙火檢測網絡的剪枝預處理
        4.3.2.煙火檢測網絡的剪枝實驗結果評估
    4.4 煙火識別和檢測過程的處理流程圖
    4.5 本章小結
第5章 總結與展望
    5.1 本文總結
    5.2 下一步工作和展望
參考文獻
致謝
在讀期間發表的學術論文與取得的其他研究成果



本文編號：4053741