论文部分内容阅读
一旦船舶发生火灾将直接威胁着船上人员的生命、船舶以及运载货物的安全,甚至可能造成无法估量的环境破坏。所以,很有必要研究一款可行、高效的船舶火灾检测系统来保障船舶作业人员的生命财产安全。由于船舶的特殊环境,基于传感器的传统火灾探测系统很容易产生漏报、误报的现象。近年来,一些研究人员将计算机图像处理技术和深度学习技术与火灾探测相结合,即基于视频的火灾检测算法,极大地推动了火灾检测系统的发展。基于视频的火灾探测系统具有监控范围大、智能化程度高、不易受周围环境的影响和易于事后录像查询等优点,但是在火灾检测准确率方面还存在很大的改进空间。本文将基于视频的火灾检测算法引入到船舶舱室火灾检测系统中,提出了一种基于视频的船舶火灾烟雾检测算法,在很大程度上提高了火灾烟雾检测的准确率。本文提出的基于视频的烟雾检测算法是一个级联的模型。在此模型中,首先进行烟雾候选区域的选取。选取候选区域的第一步是运动检测,目前在用的大多数监控摄像头都是基于云台的可旋转摄像头,传统静态背景下的运动识别已不再适用。本文分析了三种常见的静态背景下运动物体检测的方法及其优缺点,引入动态背景下运动物体检测的方法;第二步经过对大量烟雾图片进行分析后得出了烟雾颜色检测的规律,使用上述颜色检测模型对提取的运动前景物体的像素点进行颜色分析,进一步过滤掉非烟雾颜色的物体;第三步使用暗通道先验理论对烟雾图像进行检测。将所有符合以上三个检测步骤的物体进行聚类,形成烟雾候选区域。本文采用深度学习算法进行烟雾最终识别,运用8层卷积神经网络(Convolutional Neural Networks,CNN)和DenseNet-121模型分别对烟雾数据集进行训练。将训练完成的烟雾检测模型和候选烟雾选取级联在一起,对收集得到的9段视频,包括6段烟雾视频和3段无烟视频进行检测。分别采用准确率、检测率和误检率三个指标对检测结果进行评价,将得到的三个指标与其他较为经典的基于视频的烟雾检测算法评价结果进行比较。结果表明,本文提出的烟雾检测算法提高了火灾探测的准确性,减少了假警报,可以应用在火灾的早期发现中,以最大限度地减少火灾的危害。