文献类型：期刊文章

作　　者：夏雪[1] 袁非牛[1,2] 章琳[1,3] 杨龙箴[1] 史劲亭[4]

Xia Xue;Yuan Feiniu;Zhang Lin;Yang Longzhen;Shi Jinting(School of Information Technology,Jiangxi University of Finance and Economics,Nanchang 330032,China;College of Information,Mechanical and Electrical Engineering,Shanghai Normal University,Shanghai 201418,China;School of Mathematics and Computer Science,Jiangxi Science and Technology Normal University,Nanchang 330038,China;Vocational School of Teachers(Technology),Jiangxi Agricultural University,Nanchang 330045,Jiangxi,China)

机构地区：[1]江西财经大学信息管理学院,南昌330032 [2]上海师范大学信息与机电工程学院,上海201418 [3]江西科技师范大学数学与计算机科学学院,南昌330038 [4]江西农业大学职业师范(技术)学院,南昌330045

出　　处：《中国图象图形学报》

基　　金：国家自然科学基金项目(61862029);江西省教育厅科技项目(GJJ170317);江西省研究生创新专项资金项目(YC2018-B063)~~

年　　份：2019

卷　　号：24

期　　号：10

起止页码：1627-1647

语　　种：中文

收录情况：BDHX、BDHX2017、CSCD、CSCD2019_2020、IC、JST、RCCSE、ZGKJHX、核心刊

摘　　要：在烟雾检测系统中,采用机器学习的视觉技术暂未广泛替代传感器的主要原因在于其误报与漏报较高。计算力度的提高、存储设备的发展,使得传统视觉技术中存在的问题逐渐得到改善或解决,但也迎来了新的挑战。为反映用于森林火灾预警的烟雾识别、检测等技术的最新研究进展,本文重点对2017—2019年国内外公开发表的相关文献进行梳理和分析。从监控角度出发,基于对此领域的长期研究与广泛文献调研,将利用烟雾的森林火灾预警任务分为烟雾识别、检测、分割这3类不同的粒度,分别介绍实现这些任务的传统方法及深度方法。依照当前研究热度,主要关注视频烟雾检测与分割这两个细粒度任务。其中烟雾区域的粗提取与二次提取方法是检测与分割的关键,因此将探索这些方法如何提取、利用烟雾的动态与静态特征。此外,由于深度学习框架主要实现端对端的任务,无法分离出关键步骤,故对基于深度学习的烟雾监控任务进行单独梳理,不关注单步细节,主要体现文献思路。最后,对实现烟雾识别、检测、分割任务具体方法中的优缺点、烟雾监控任务中常用的指标、研究常用的数据库进行总结,并对发展前景进行展望。为基于烟雾的森林火灾预警技术提供更多的发展方向。

关 键 词：烟雾识别  烟雾检测  烟雾分割  深度学习  综述  

分 类 号：TP301.6]