文献类型：期刊文章

作　　者：杜晨锡[1,2] 严云洋[1,2] 刘以安[1] 高尚兵[2]

DU Chen-xi;YAN Yun-yang;LIU Yi-an;GAO Shang-bing(School of Internet of Things Engineering,Jiangnan University,Wuxi,Jiangsu 214122,China;Faculty of Computer & Software Engineering,Huaiyin Institute of Technology,Huaian,Jiangsu 223003,China)

机构地区：[1]江南大学物联网工程学院,江苏无锡214122 [2]淮阴工学院计算机与软件工程学院,江苏淮安223003

出　　处：《计算机科学》

基　　金：国家自然科学基金项目(61402192),;江苏省“六大人才高峰”项目(2013DZXX-023);江苏省“青蓝工程”;江苏省高等学校自然科学研究重大项目(18KJA520001);淮安市“533英才工程”资助

年　　份：2019

卷　　号：46

期　　号：6

起止页码：301-304

语　　种：中文

收录情况：BDHX、BDHX2017、CSA、CSCD、CSCD_E2019_2020、IC、JST、RCCSE、UPD、ZGKJHX、核心刊

摘　　要：一般火焰检测方法由于对复杂场景的应变能力较差,因此检测率较低。文中提出了一种基于改进的YOLOv2网络的深度学习火焰检测方法,来自动提取火焰特征;同时,针对特征提取过程中信息丢失的问题,采用聚类选取候选框,以多尺度特征融合的方法融合高层与浅层特征信息,进一步提高了模型的检测率。在Bilkent大学火焰视频数据集上的实验结果表明,该方法的平均正检率达到了98.8%,检测速率达到40帧/s,具有较强的鲁棒性和实时性。

关 键 词：火焰检测 YOLOv2  聚类 多级特征  特征融合  

分 类 号：TP391]