首页|基于改进DCNN的烟火隐患检测方法

基于改进DCNN的烟火隐患检测方法

扫码查看
原文链接
  • 国家科技期刊平台
  • NETL
  • NSTL
  • 万方数据
  • 维普
针对山火烟雾这类柔性目标图像存在的形状不固定所导致的识别精度低、泛化性差等问题,提出了一个基于YOLO的改进深度卷积神经网络(DCNN)识别方法.该方法通过数据增强算法优化训练网络;利用GIoU_Loss损失函数替换L2 Loss函数,大幅降低损失值;运用空间金字塔池化,将多尺度特征进行融合,增加网络的感受野,提高检测精度.实验结果表明,改进方法相对于原YOLO算法查全率提升了1.3％,查准率提高了2.1％.
Firework Risk Detection Method Based on Improved DCNN

赵维科、焦良葆、孟琳、浦东

展开 >

南京工程学院人工智能产业技术研究院 南京 211167

YOLO算法 数据增强 GIoU_Loss损失函数 空间金字塔池化 烟火隐患检测

国家自然科学基金青年基金

61903183

2021

10.3969/j.issn.1672-9722.2021.11.012

计算机与数字工程
中国船舶重工集团公司第七0九研究所

计算机与数字工程

CSTPCD
影响因子：0.355
ISSN：1672-9722
年,卷(期)：2021.49(11)
  • 1
  • 13