一、基于多神经网络分类器组合的火焰图像分割（论文文献综述）
张威[1]（2021）在《基于超像素图像分割的林火烟雾检测算法研究》文中提出森林在国民经济中占有重要地位,森林作为生态系统中的重要一环,由于其自身特性容易发生火灾,火灾不仅会严重影响其自身生态循环,也会造成污染等一些较严重的环境问题。目前常用的林火烟雾检测方法存在烟雾发现不及时、误报率高等问题,针对上述问题,本文基于超像素图像分割理论对林火烟雾检测算法进行研究具有实际意义。根据森林火灾烟雾视频的特点,为了准确、快速地识别林火烟雾图像,本文对图像分割与合并、烟雾图像特征提取以及基于支持向量机分类器的设计等相关问题进行深入研究。本文针对林火烟雾的监测,提出了一种基于单帧视频序列图像的烟雾检测方法,该方法首先对图像进行简单的线性迭代聚类（SLIC）超像素分割,算法简洁高效,在后续处理中,可降低计算量,提高算法鲁棒性。为了解决过分割问题,本文采用改进的BC-GLCM超像素合并算法对过分割图像进行区域合并,解决了以往区域合并方法过于复杂,且误报率高的问题。并对天际线分割算法进行改进,以消除云层对烟雾检测的干扰。同时对烟雾的高频能量、边缘不规则等静态特征与重心移动、运动方向等动态特征进行研究。研究结果表明单一特征很难准确识别烟雾图像,需要多个特征组合才能有效识别。因此,本文设计了基于支持向量机的烟雾识别分类器对超像素块进行分类。对影响分类器识别精度的因素,包括特征数据归一化、不同核函数、不同参数和不同特征组合进行分析与对比,根据对比结果对分类器进行优化,从而获得识别效果最优的烟雾分类器。将超像素图像分割、天际线检测、烟雾图像特征提取和烟雾分类器进行组合,构成林火烟雾检测优化算法,对该算法进行性能测试,实验结果表明,优化检测算法与常用的烟雾检测法相比误报率低,易于编程实现。森林火灾烟雾图像检测准确率达到96.5%,漏报率为2.8%,误报率为0.7%,满足设计要求。
陈培豪[2]（2021）在《基于多传感器融合的火灾识别系统研究与设计》文中指出火灾是最常见的灾害之一。一旦发生火灾,就会造成大量的人员伤亡以及重大的经济损失。因此,在火灾初期进行准确且快速的火灾识别具有重大的现实意义。随着计算机技术的不断发展,基于视频的火灾识别技术得到了广泛的关注。但目前基于视频的火灾识别方法仍存在误报率高等问题。针对以上情况,本文提出一种基于多传感器融合的火灾识别算法,并设计搭建了相应的系统平台对该方法的有效性与应用性进行了验证。本文首先分析了可见光与红外图像的特征差异。在此基础上,研究常用的视频火灾识别技术,包括各种图像预处理方法、前景提取算法、机器学习和深度学习算法。其次,针对单一视频探测能力不足的情况,本文提出一种基于多传感器融合的火灾识别算法。基于红外视频,采用基于Otsu阈值分割的前景提取算法分割疑似火灾区域;再从动态和静态两个角度研究了火灾图像视频的主要特征,包括圆形度、矩形度、偏心率、面积变化率和Hu矩等;最后采用了一种基于多特征融合的SVM火灾识别方法。基于可见光视频,提出一种混合动态检测和颜色检测结合的新方法。该方法可以准确提取图像中的疑似火灾区域,实现疑似目标定位;最后,针对火灾数据集较小的问题,提出一种基于改进MobileNetV3的深度迁移学习方法,提升网络模型对于火灾特征的识别能力,并利用该网络模型进行火灾识别。在此基础上,通过集成红外图像和可见光图像的信息实现多传感器融合的火灾识别算法。实验结果表明,与基于单一传感器的火灾识别技术相比,本文提出的基于多传感器融合的火灾识别算法具有更高的准确率和更低的误报率。最后,基于所提出的多传感器融合火灾识别算法,设计并物理实现了一套火灾识别系统。通过嵌入式系统传输视频图像到PC端进行火灾识别处理,判断是否发生了火灾,并可在PC端进行实时图像显示。另外,嵌入式系统可实时检测温度和烟雾浓度信号,为人工介入判断提供可靠的辅助信息。实际案例测试表明,该系统人机交互友好,易于实施,检测准确度和可靠性高。未来可以通过将核心算法部署在云端,实现对更大规模系统的火灾实时监控与报警。
孙晓芳[3]（2020）在《基于边缘计算的森林火灾视频识别技术的研究》文中提出2020年《全球森林资源评估》科学报告指出,我国森林覆盖率大约为22.96%,年均净增加量位于全世界第一。然而我国林地分布区域化明显,主要林区为南方集体林区、东北林区、北方林区和西南林区,森林生态环境较为脆弱,容易发生重、特大森林火灾。因此,利用现有的高效技术和方法实现对森林火灾的监测和预警,加强对森林火灾监测系统的研究具有极为重要的意义。本文对传统林火烟雾视频识别算法进行优化,综合运用图像处理、人工智能,模式识别以及云计算技术等方法,建立了基于边缘计算的火灾数据监测预警云平台系统,提高了林火视频监测的时效性和有效性。（1）视频数据预处理是林火烟雾视频关键帧提取前的首要环节,本文提出了一种基于SURF和SIFT特征的视频镜头边界检测算法。该算法镜头边界检测准确率为93%（切变镜头）和76%（渐变镜头）,召回率为95%（切变镜头）和90%（渐变镜头）,F1Score为93.9%（切变镜头）和82.4%（渐变镜头）。实验结果表明该算法综合性能优于像素帧差法等同类型算法,针对视频特征具有更好的查全率和查准率。（2）针对基于传统聚类方法提取视频关键帧需要人工调整聚类中心和聚类数量的缺陷,本文提出了基于改进K-Means的林火烟雾视频关键帧提取算法。该算法基于传统K-Means算法并引入层次聚类与K近邻算法的思想,关键帧的识别准确率为94%,召回率为87%,F1Score为90.3%。实验结果表明该算法在保证准确率和减小冗余度的同时能够完整地表达视频内容。（3）云、雾与烟的视频接近度非常高,为减少林火监测的误报率,本文依据林火监测对象的特点和林火监测的流程,使用HOG特征与支持向量机结合构建了森林火灾烟雾识别模型,即HOGSVM模型,林火烟雾识别准确率达到87.7%。该算法方便网络模型处理,能够满足边缘计算终端设备要求,减少计算量、提高训练识别效果。（4）提出了基于改进Faster R-CNN的林火烟雾视频图像目标识别模型,该模型利用CNN网络之间的特征提取的优势,提取烟雾特征。为保证构建的模型符合边缘计算终端设备的需求,使用Soft-NMS算法来改进Faster R-CNN模型,建立Impro FRCNN模型,以保证计算的快速和准确,林火烟雾目标识别的准确率达到93.1%。（5）通过分析林火监测数据的特点和设备连接模块的功能需求,设计基于Edge X Foundry的边缘计算智能网关软件系统总体设计方案;设计了基于CoAP设备通讯协议规范的设备连接模块的软件架构;设计了基于Consul服务发现框架的注册配置服务;设计访问设备的统一接口的命令控制服务组件,经由Impro FRCNN深度挖掘数据,实现对设备、数据的统一管理;设计实现了边缘智能网关设备;实现了边缘平台训练模型并下发模块,增强了系统的兼容性。综上,本文针对森林火灾视频识别技术利用边缘计算技术对传统云中心的架构进行了改进,提出基于Edge XFoundry框架的边缘计算平台总体方案,并根据方案结合嵌入式技术和识别算法,构建了终端-边缘-云结构的林火识别边缘计算系统,创新性的将林火识别算法和边缘计算相结合,充分解决了传统云在终端设备密集增长带来的故障率高、时效性差的问题,为我国森林防火的自动化、信息化提供了一种新的手段。
伍学惠[4]（2020）在《基于视频图像的森林烟火检测方法研究》文中研究说明森林防火是保障生命财产安全的重要课题,而烟火产生的早期阶段是火灾预警的重要阶段,对烟的检测能更早的发现火灾警情并进行预防,因此,本课题重点研究白天可见光环境下森林火灾发生初期的森林烟火检测。近年来,基于视频图像森林烟火检测的研究受到越来越多专家学者的关注。与室内烟火检测不同,森林具有距离远,光照条件多变,受天气干扰大等复杂场景因素,在实际检测中需要克服这些复杂环境。本文围绕基于视频图像的森林烟火检测中所涉及的关键问题展开研究。目前,林火检测系统可采用前端识别方式或后端（中心）识别方式。前端识别方式识别模块置于前端,其优势是可保证视频质量,不受网络带宽影响,但前端设备模块不具备高性能运行条件,因此,难以运行深度学习算法;后端识别方式分析识别模块在中心视频分析服务器,可利用中心服务器处理能力强的优势,进行高性能视频分析识别。因此,针对目前前端与后端运行条件,本文分别从传统方法和深度学习方法两个方面进行算法设计与实现。论文主要研究内容如下:（1）提出了基于运动与亮度显着性的运动区域提取方法。烟火运动会产生发散,造成不连续的区域,且由于背景、折射等因素,局部区域之间显着性存在差异,因此,需要针对各连续运动区域分别进行局部显着性特征值的计算。其次,针对各连续运动区域中的动态与静态显着性特征提取,一方面,由于烟火通常运动缓慢,连续区域中近邻的像素点在连续帧中运动显着性相对较弱,称为弱动态显着性区域,另一方面,其亮度特征较颜色、纹理、轮廓等更具有显着性。为此,本文针对森林烟火检测任务中的显着性区域提取,提出了基于运动与亮度显着性的运动区域提取方法。首先提出了基于全局运动显着性的连续运动区域提取,然后在各连续运动区域中,结合空间信息并利用高斯模型,保留弱动态显着性区域特征,另一方面,在Lab颜色空间中构建亮度显着性特征计算模型,最后将运动与亮度特征相结合,计算组稀疏参数,并基于组稀疏ROSL算法得到显着性区域。实验表明,该方法减少了森林环境中非显着性运动区域的干扰,对显着性区域的提取更加精确,从而降低了后续对烟火识别的误报率,提高了烟火检测的效率。（2）提出了基于全卷积神经网络的显着性运动区域提取方法。针对基于深度学习的视频图像显着性运动区域提取,目前主要采用两种策略,一种是采用卷积神经网络并结合多种上下文的深度学习框架学习深度特征,这种方法过分提取图像超像素深层特征信息,忽略了块内的一部分语义信息,导致提取不出足够的像素位置信息;另一种策略是在多帧密集光流上进行模型训练,这种方法计算成本高,无法满足运动区域提取的实时性要求,而且经过调整的模型只针对特定的对象类。考虑全卷积神经网络能够直接生成图像像素级映射,其广泛用于图像分割,本文将全卷积神经网络语义分割的功能与显着性区域提取目标相结合。首先提出了基于全卷积神经网络的显着性区域提取模型,构建网络训练目标损失函数,直接得到静态图像像素级显着性映射,另一方面,结合动静态显着性检测方法,将端到端静态显着性映射延伸到对动态显着性的预测,提出了基于全卷积神经网络连续帧的动态显着性模型,同时将静态显着性图谱作为输入,可以快速准确地修正视频动态显着性区域。最终实验表明,针对森林烟火检测复杂环境,本文方法能够快速有效地得到显着性运动区域。（3）提出了基于稀疏特征提取的森林烟火识别方法。传统目标识别算法直接对目标区域进行特征提取,忽略了烟火半透明、多变的厚度和发散等特性,烟火成分常与背景信息融合形成干扰信息,因此,本文首先构建了基于弹性网络（elastic-net）与辨别性约束条件的烟火区域分离模型,将局部区域的成分看成背景与前景的线性组合进行分离,并将稀疏系数向量作为烟火和非烟特征进行分类与识别,提高了烟火和非烟系数特征的辨别力;针对分类器设计,考虑Ada Boost能够通过提升级联弱分类器分类性能从而达到增强分类器的效果,然而传统Ada Boost对基分类器的提升性能不够鲁棒,且无法增强性能“较强”的基分类器。为了解决Ada Boost自适应参数选择和权重更新的问题,本文提出了一种鲁棒Ada Boost（RAB）方法,将径向基函数支持向量机（RBFSVM）作为基分类器并加以改进。实验表明,将烟火与背景等其他成分分离,同时提取稀疏特征,能够为后续烟火特征提取与识别提供针纯净烟火的可靠信息,采用改进的RAB-RBFSVM提高了分类器的鲁棒性与识别的准确率。（4）提出了基于P3D-DenseNet的森林烟火识别方法。针对基于深度学习的森林烟火识别,早期提出的三维卷积神经网络（C3D）可以同时从时间维度和空间维度上捕捉运动行为和静态形态特征,然而C3D网络存在计算复杂,占用内存大等问题,本文参考伪3D网络（Pseudo-3D,P3D）,将学习图像三维信息的卷积操作改用二维空间卷积和一维时间卷积来模拟3D卷积,既能够很好地用于视频特征表达,又大大减少了计算量。然而P3D网络是将这种设计整合到一个深度残差学习框架中,而这种模块级联随着网络的深入,存在模型退化与梯度消失的问题,另一方面,P3D网络连接采用残差网络（Res Net）结构,无法充分利用各层网络特征,因此,为了优化P3D网络,本文引入DenseNet重构P3D模块,实现了各层网络的特征复用,并将不同P3D模块融合形成P3D-Dense Block,保持结构块的多样性,在解决计算复杂度问题的同时,缓解网络训练的梯度消失和模型退化等问题,提高了基于连续帧视频图像的森林烟火识别的效率与准确率。
徐高[5]（2020）在《火灾烟雾图像识别中的深度域适应与显着性检测方法研究》文中研究表明伴随着我国经济的蓬勃发展与城市建筑结构的日益复杂,物资仓储、大型商场、石油化工厂区等易燃易爆场所逐渐增多,各类火灾事件频繁发生,严重威胁人民群众的生产、生活及生命财产安全。火灾烟雾为较早的特征产物,因此目前火灾探测报警技术多以烟雾的探测为主。常见的感烟火灾探测器受限于其接触式的探测原理,容易受非火灾颗粒的干扰,且不能适用于室内大空间和室外开放空间的火灾报警。而视频烟雾探测技术凭借其非接触、响应快、抗干扰性强、应用空间不受限、火警信息直观全面等优势,近些年在体育馆、会议厅、商业楼层等大型室内空间以及工业厂区、森林等室外空间的火灾报警和监控中得以应用。我国已经建成世界上最大的视频监控网,视频监控作为现代安防系统中的重要组成部分,在平安城市政策推动以及人工智能与物联网技术加持下,已经在各领域得以广泛应用,为视频火灾探测技术的发展和应用提供了必要条件和支撑。而目前的视频火灾烟雾探测技术,存在探测报警的准确率偏低与漏报率偏高等问题,影响了该技术的推广应用,所以依托于现有的视频监控系统和视频探测技术,新型有效的视频烟雾探测技术亟需发展。本文研究合成烟雾图像、域适应分类与检测、显着性检测在图像烟雾识别上的应用问题,通过深度学习技术挖掘火灾烟雾的深度特征,发展新的图像烟雾识别方法,为视频烟雾探测技术的发展提供一些新的思路与技术支撑。本文主要进行下列几个方面内容的研究:（1）研究和发展基于深度域适应的烟雾图像分类模型。采用不同域适应结构混合合成与真实烟雾特征空间,提取烟雾域不变的特征,训练得到泛化性更高的烟雾图像分类模型。采用计算机图形技术来生成丰富多样的合成烟雾图像,然后用来训练烟雾图像分类模型。首先实验验证了合成烟雾图像对模型训练的有效性,而合成烟雾图像与真实烟雾图像之间的形貌差异会降低模型在真实测试图像上的性能,为此,使用域适应方法来构建烟雾图像分类网络,使用合成烟雾图像集作为源数据集,真实烟雾图像集作为目标数据集,同时训练烟雾图像分类模型。网络执行烟雾与非烟雾的类别分类任务,以及合成与真实的属性分类任务,通过梯度反转层使得训练过程中属性分类的损失逐渐增大,即混淆合成与真实的属性类别,而为了进一步对齐两者的特征分布,采用相关性对齐的方法使得合成烟雾与真实烟雾的特征分布均匀混合。实验通过特征空间可视化来验证结构设计对模型性能的影响,对比不同的网络模型性能的差异,并研究训练集中合成与真实烟雾图像样本的数量比例以及烟雾与非烟雾图像样本的数量比例对模型训练的影响。（2）研究和发展基于深度域适应的烟雾图像检测模型。结合准确率与运行速度考虑,采用具有相似结构的快速检测模型SSD与MSCNN分别作为烟雾图像检测的基础模型。同样地,本文采用合成图像和域适应方法来提升模型的泛化性,依托于两种模型采用卷积层分支作为检测分支的结构特点,本文在网络结构上增加卷积层分支作为域分支,检测分支与域分支分别执行检测任务与域鉴别任务。在模型训练过程中,在执行检测任务的同时,通过整体网络结构中的权重更新控制,采用对抗训练策略执行域鉴别和域混淆,从而保证模型的检测性能与域不变性。实验验证了训练所得烟雾图像检测模型在真实烟雾测试集上的性能,分析各种训练方式所得模型的误检误差与漏检误差,以及训练过程中域适应采样策略对不同模型训练的影响。实验在各种模型的不同尺度特征层上设置域分支,通过同样的方法来训练模型,结果发现只有部分特征层上设置域分支进行的域适应训练会导致整个域适应训练的不稳定,从而导致模型性能不佳。而在各个特征层检测分支的位置设置域分支,可以保证在各个尺度特征层上对整个模型进行域适应训练,训练所得模型表现更好。（3）发展基于显着性检测的烟雾图像分割与识别方法。首先采用基于目标区域提取的方法提取目标级的烟雾显着性图,以及基于超像素分割的显着性网络提取区域级的烟雾显着性图,比较不同方法所获取的烟雾显着性图的差别。然后基于循环卷积层结构构建像素级的显着性检测网络,将目标级烟雾显着性图与区域级烟雾显着性图分别融合到像素级的烟雾显着性图中,利用融合后的特征进行显着性推理,得到最终的烟雾显着性图。实验比较发现像素级与目标级的烟雾显着性图融合结果要优于像素级与区域级的烟雾显着性图融合结果。然后将网络中的特征图与显着性图相结合,通过显着性检测网络预测图像中是否存在烟雾,执行烟雾识别任务,以此构建基于显着性检测的烟雾分割与识别的多任务框架。实验比较了不同结构设计对模型烟雾识别性能的影响,发现由最高层的特征层Conv43与显着性图SmRCL1的结合可以最好地整合全局与局部信息,提取出高显着性区域的特征进行烟雾识别。
张书瑜[6]（2020）在《基于深度学习和多尺度多特征融合的高分辨率遥感地表覆盖分类研究》文中提出遥感图像地表覆盖分类是遥感图像领域的一个重要研究方向,其科学意义在于如何进一步提高遥感图像地表覆盖分类的精度,应用意义在于土地利用规划、城市管理和环境监测等方面。随着高空间分辨率卫星传感器的发展,高分辨率遥感图像越来越广泛,其清晰的地物细节和复杂的空间结构特征进一步增加了地表覆盖分类的难度。因此,发展新的地表覆盖分类方法,提升特征提取和地物识别的能力,具有重要的实际意义。针对以深度学习为核心的现有遥感图像分类方法中存在的效应分析不够全面、融合深度不够深入和贡献度分析缺乏等问题,本文结合超像素分割和深度学习模型,设计较为全面的空间尺度组合方案,提出深度网络融合的多尺度分类方法,以及注意力机制下的多尺度多特征分类方法,综合分析多尺度多特征的融合效应和贡献度差异,提高地表覆盖分类精度,形成基于深度学习和多尺度多特征融合的高分辨率遥感地表覆盖分类方法体系。以浙江省不同地区的高分二号遥感图像地表覆盖分类为例,进行了核心方法的测试、应用与验证。本文的研究内容概况如下:（1）围绕超像素分割与深度学习模型如何有效应用于遥感图像分类的基础性问题,提出了超像素单尺度地表覆盖分类方法。研究了基于假彩色合成和图像增强的超像素分割方法,分别基于原始图像和变换图像设计了超像素单尺度卷积网络,探究其尺度效应的变化规律,通过实验分析进行了充分论证。（2）针对如何综合探究多尺度效应和实现深度的多尺度特征融合分类的关键性问题,提出了深度网络融合的多尺度地表覆盖分类方法。综合研究了不同多尺度组合方案的分类互补效应,设计了基于一维卷积网络和循环网络的多尺度特征深度融合分类网络,在实验分析中取得了优于特征串联合并方式的多尺度分类精度。（3）针对如何实现注意力差异化的多类型特征融合分类的关键性问题,提出了注意力机制下的多尺度多特征地表覆盖分类方法。研究不同多特征组合方案的分类互补效应,设计基于注意力机制和一维卷积网络/循环网络的多尺度多特征深度融合分类网络,在实验分析中取得了优于其他对比方法的分类精度和分类边界。（4）围绕基于多尺度多特征融合如何提高遥感图像迁移学习分类精度的关键性问题,提出了多尺度多特征的迁移学习地表覆盖分类方法。研究不同的多尺度多特征组合方案在迁移学习中的分类效应,设计基于模型参数的多尺度多特征深度迁移分类网络,在实验分析中多尺度多特征融合的迁移学习取得了较优的效果。本文研究有望解决多尺度多特征信息在遥感图像分类中的深度融合问题,进而提升地表覆盖分类的准确性和一致性,促进遥感图像分类的研究与发展,推动高分遥感在地理国情等行业领域的深入应用。
李帷韬[7]（2012）在《水泥回转窑烧成状态识别与熟料质量指标软测量的研究》文中研究表明水泥熟料的煅烧是水泥生产过程中最为重要的一道工序,它直接影响水泥的产量和质量。水泥熟料煅烧所使用的热工设备被称为回转窑,它的主要功能是将生料浆烧结成合格的熟料,其运转情况直接决定水泥熟料的质量。回转窑长达百米且处于不断旋转中,其结构的特殊性和工艺的复杂性使得回转窑烧结过程机理复杂,包括物料的物理化学反应,燃料燃烧,气体、物料、内衬间传热,气体、物料运动等多个耦合过程。由于回转窑烧结过程存在着熟料质量指标游离氧化钙（f-CaO）含量难以在线测量,与f-CaO含量密切相关的关键工艺参数烧成状态难以准确识别等难题,导致现有的回转窑烧结过程仍处于“人工看火”开环操作阶段,即看火操作人员通过观察窑内烧成带状况,辅以过程变量,识别当前烧成状态,继而调节控制变量使得与f-CaO含量密切相关的被控变量位于适宜的范围之内,以实现生料的充分燃烧获得合格的熟料。然而,人工烧成状态的识别结果受到操作人员的经验、责任心和关注度等主观因素的制约,易造成熟料质量指标不稳定、窑内衬使用寿命短、窑运转率低、产能低、能耗高、人工劳动强度大等问题。烧成带火焰图像中蕴含丰富的烧成带温度场信息和熟料烧结状况信息,连同过程数据信息是目前看火操作人员识别烧成状态的主要依据。适宜的烧成状态意味着合格的熟料,因此,熟料质量指标与烧成状态之间有着紧密的关联性。然而,受窑内煤粉烟尘的影响,烧成带火焰图像中感兴趣区域之间存在强烈耦合,边界模糊不清,加之过程数据包含大量复杂噪声,之前基于图像分割技术或基于过程变量的烧成状态识别技术和熟料质量指标软测量的方法精度不高。因而,融合烧成带火焰图像和过程数据信息,研究基于图像处理和机器学习理论的回转窑烧成状态识别和熟料质量指标软测量的新方法和新技术,具有重要意义。这项研究将机器学习技术应用于工程实践,真正实现“机器看火”取代“人工看火”,为实现水泥回转窑烧结过程的监控和熟料质量指标的闭环控制奠定基础。本文以水泥回转窑为研究对象,以提高烧成状态识别和熟料质量指标软测量精度为目标,重点研究了烧成带火焰图像和过程数据的处理与分析技术,开展了基于图像处理和机器学习的烧成状态识别和熟料质量指标软测量的研究,取得了以下成果：①针对之前基于图像分割技术识别烧成状态的缺陷,首先提出了一种压缩Gabor滤波器组设计方法对具有不同纹理特性的火焰图像感兴趣区域进行滤波预处理,增强其可区分性以有利于烧成状态的识别；然后提出了不采用图像分割技术直接对火焰图像进行特征提取和选取的方法,基于多变量图像分析（MIA）提取感兴趣区域的色彩特征,基于改进的主成份分析（PCA）提取感兴趣区域的全局形态特征,基于比例不变特征变换算子（SIFT）结合视觉字典本（BoVW）和改进的潜在语义分析（LSA）提取感兴趣区域的局部形态特征；将所提取的三种火焰图像特征分别送入概率神经网络（PNN）、BP神经网络（BPNN）、支持向量机（SVM）和超级学习机（ELM）四种模式分类器进行烧成状态的识别,以探究不同模式分类器对于特征空间的划分能力；最后给出了一种基于模糊积分的烧成状态融合方法,对三类火焰图像特征的烧成状态识别结果进行决策级融合,避免特征级融合可能带来的“维数灾”现象。实验结果表明,本文提出的压缩Gabor滤波器组设计方法可以有效的增强感兴趣区域之间的可区分程度；基于独立特征设计的模式分类器,三类火焰图像特征的最佳烧成状态识别结果分别为85.55%、88.57%及92.12%；当选取PNN时,三类火焰图像特征决策级融合的最佳烧成状态识别结果为95.37%,优于基于单一火焰图像特征、图像分割技术和其它融合方法的烧成状态识别结果。②针对识别烧成状态时过程数据作为火焰图像的重要补充信息,首先提出了一种改进的基于中值数的滤波器,消除过程数据的噪声干扰；然后提出了一种基于KPLS的最优压缩过程数据特征向量子集的提取方法,消除过程数据可能存在的共线性和非线性特性问题；将所提取的过程数据特征向量分别送入PNN、BPNN、SVM和ELM四种模式分类器进行烧成状态的识别；最后给出了一种基于模糊积分的烧成状态融合方法,对火焰图像烧成状态识别结果和过程数据烧成状态识别结果进行决策级融合。实验结果表明,所提出的改进的中值数滤波器较传统中值滤波器可以去除过程数据中由于突变性扰动或尖脉冲干扰导致的过失数据,并可以去除随机噪声；基于设计的最佳模式分类器,过程数据特征向量的最佳烧成状态识别结果为92.56%；火焰图像和过程数据决策级融合的最佳烧成状态识别结果在选取PNN时为96.67%,明显优于单独采用火焰图像和过程数据的烧成状态识别结果,真正实现了“机器看火”取代“人工看火”,为进一步实现回转窑烧结过程的监控提供了技术支持。③针对熟料质量指标f-CaO含量不能在线测量的难题,提出了一种基于火焰图像和过程数据的熟料质量指标f-CaO含量软测量方法,首先对火焰图像和过程数据进行滤波预处理,然后提取火焰图像感兴趣区域的色彩特征、全局形态特征和局部形态特征,结合滤波后的过程数据组成f-CaO含量软测量模型的输入向量,以f-CaO含量的化验值作为导师信号,利用KPLS提取潜在变量作为特征向量,送入ELM回归器和支持向量回归器（SVR）分别建立f-CaO含量的软测量模型。实验结果表明,当选取ELM回归器时,本文方法f-CaO含量软测量的RMES=0.0638,拟合优度为0.9987,优于基于SVR回归器方法的结果、基于PLS特征提取方法的结果和直接对特征进行软测量方法的结果,为实现回转窑烧结过程熟料质量指标的闭环控制奠定了坚实的基础。本文针对复杂工业过程建模问题,运用图像处理和机器学习技术,深入地研究了水泥回转窑烧成状态的识别方法和熟料质量指标的软测量方法。实验结果表明,基于不同特征的模式分类器融合技术具有较好的识别和预测结果；过程数据信息可以改进基于图像特征的模式分类器结果。本文的研究为实现回转窑烧结过程的智能化监控,进而有效地提高水泥的产量和质量奠定了基础。
李树涛,王耀南,毛建旭[8]（2000）在《基于多神经网络分类器组合的火焰图像分割》文中研究指明单一神经网络分类器的性能很大程度上取决于网络参数的选择 ,设计一个性能最优的神经网络分类器是非常困难的。针对这一问题 ,本文提出了基于多个 BP神经网络分类器组合的回转窑火焰图像分割方法。选取多组不同的训练样本对多个具有不同初始条件的 BP网络进行训练 ,网络收敛后 ,用于火焰图像的分割 ,会产生多种分割结果 ,采用平均值法、投票表决法、最大统计概率法和神经网络 4种方法对其进行组合 ,得到了最终的分割结果。实验结果表明 ,本文提出的方法具有分割效果好和可靠性高等优点 ,满足了实际使用的要求。
何增祥[9]（2020）在《基于视频监控的光伏电站火灾检测系统》文中研究指明随着光伏产业的蓬勃发展,光伏电站的运维显得愈加重要。由于组件损坏、热斑等因素,光伏电站火灾时有发生,基于视频监控的光伏电站火灾检测系统的研究势在必行。本文以火灾视频图像为研究对象,研究了几种不同的火灾检测方法,来降低火灾检测的漏检率和误检率。论文先讨论了本课题的研究背景及意义,分别从传统图像分割、传统机器学习和深度学习三个方面对火灾检测方法进行综述,分析了已有方法的局限性。然后,针对这些局限性以及光伏电站场景,提出三种不同的火灾检测方法。最后,设计并实现了火灾检测的硬件系统和软件系统,并将几种火灾检测算法集成到软件系统里。针对视频图像预处理,首先对传统的图像修复算法Criminisi进行改进,提高了修复的准确性与完整性;然后针对视频图像出现的噪声,分别讨论了均值滤波、中值滤波和高斯滤波三种滤波方法,表明了中值滤波对椒盐噪声的有效性;最后为了提高视频图像的分辨率并改善清晰度,提出了基于融合插值和空间域的图像增强算法。针对基于传统图像分割的光伏电站火灾检测方法,首先对运动前景进行分割,主要使用Vi Be算法,并对Vi Be算法进行两个方面的改进:去除动态阴影和补全运动区域的缺失。然后分别根据烟雾的颜色特征和扩散特征、火焰的颜色特征和闪烁特征,对烟雾和火焰进一步分割,从而实现对火灾的检测。最后,通过像素统计的方法,对火焰的面积进行估测,来衡量火灾的严重性。针对基于动静态特征融合的光伏电站火灾检测方法,首先提取烟雾的静态特征,包括颜色特征、HOG特征和静态纹理特征。在传统LBP算子的基础上,提出结合拉普拉斯变换的LBP算子,降低了静态纹理特征向量的维度。然后,考虑烟雾的动态特性,提出了基于空间向量的三维LBP算子,与二维LBP算子相比,充分利用了运动烟雾的时间轴信息。针对多种特征维度较高,利用局部线性嵌入（LLE）算法实现特征降维,并对这几个特征进行融合,最后使用SVM进行分类。针对基于深度学习的光伏电站烟雾和火焰联合检测方法,首先收集并制作了运用于光伏电站场景的火灾检测的数据集,分为烟雾、火焰和背景三个类别。然后,使用深度学习的方法抑制光伏电站场景中存在的复杂干扰问题,比如雾霾影响。最后,对原始的Faster RCNN结构进行改进,以适用于烟雾和火焰联合检测,并提高检测率。
郑羽纶[10]（2020）在《基于图像处理的多特征融合苹果分级方法研究》文中研究指明我国是苹果生产大国,但不是贸易强国。苹果出口量仅占总产量的3%,其主要原因是苹果采后品质检测及分级水平较低。现阶段苹果大多依靠人工进行分级,工作效率较低,并且在自动分级中主要依据苹果单一特征进行分级,分级精度不高。因此,本文以红富士苹果为研究对象,提出了基于图像处理的多特征和多分类器下的苹果分级,完成缺陷果的识别和完好果的分级,提高了分级效率和精度。本文首先获取苹果图像,并进行RGB和HSI模型介绍,提取这两种模型下的苹果分量图。经过对比发现,在R分量图下利用Otsu法进行图像分割时效果最好。通过开操作平滑目标边缘,利用Canny算子检测目标轮廓,同时完成果梗和缺陷区域彩色图像的提取,为特征检测奠定基础。其次,对于缺陷区域和果梗区域,提取其纹理和几何特征。对于完好果的特征提取而言,通过计算苹果图像的最小最大半径比和圆形度来描述苹果形状;利用颜色定量分析和红色着色率来获得苹果颜色特征;并根据GB/T 10651-2008《鲜苹果》中最大横截面直径作为果径,提出了一种苹果大小检测的方法,即先计算每个苹果表面的最小最大半径比,将比值最大的那一面作为果径面,然后将果径面的最小外接圆直径作为苹果大小并进行实验对比,结果表明该方法符合实际分选要求。最后,进行苹果分级工作。通过逻辑判断法和支持向量机模型来判别苹果是否为缺陷果。在对完好果的分级中,本文分别进行了单一特征下的分级;多特征组合下利用K-最近邻、BP神经网络和支持向量机算法的分级;为了提高分级准确率,又提出多分类器融合的分级方法,即将准确率高且差异性大的单分类器进行融合,并将各单分类器结果通过加权投票法进行结合,最终分级准确率高达90.2%。本文研究结果为苹果自动分选提供参考。
二、基于多神经网络分类器组合的火焰图像分割（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、基于多神经网络分类器组合的火焰图像分割（论文提纲范文）
（1）基于超像素图像分割的林火烟雾检测算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 本课题主要研究内容 |
| 第2章 图像分割基础理论研究 |
| 2.1 边缘检测法图像分割 |
| 2.2 基于区域特性的图像分割 |
| 2.3 特征空间聚类法图像分割 |
| 2.4 超像素法图像分割 |
| 2.4.1 超像素生成算法的图像分割原理 |
| 2.4.2 SLIC超像素生成算法 |
| 2.5 分割法比较 |
| 2.6 本章小结 |
| 第3章 林火烟雾检测算法研究 |
| 3.1 林火烟雾检测算法设计 |
| 3.2 常用超像素合并算法分析 |
| 3.2.1 区域邻接图 |
| 3.2.2 最近邻接图 |
| 3.3 基于BC-GLCM的优化合并算法设计 |
| 3.3.1 BC-GLCM区域合并算法 |
| 3.3.2 仿真结果分析 |
| 3.4 优化算法与常用算法比较 |
| 3.5 天际线分割算法 |
| 3.5.1 天际线分割算法优化 |
| 3.5.2 地平线检测过程分析 |
| 3.6 烟雾特征分析与提取 |
| 3.6.1 烟雾静态特征提取 |
| 3.6.2 烟雾动态特征提取 |
| 3.7 本章小结 |
| 第4章 基于支持向量机的烟雾分类器设计 |
| 4.1 分类器概述 |
| 4.2 支持向量机基本原理 |
| 4.2.1 线性可分支持向量机 |
| 4.2.2 线性不可分支持向量机 |
| 4.3 支持向量机模型的建立 |
| 4.3.1 核函数及参数选择 |
| 4.3.2 特征数据归一化 |
| 4.4 基于支持向量机的烟雾分类器优化设计 |
| 4.4.1 归一化方式的优化 |
| 4.4.2 核函数优化 |
| 4.4.3 不同特征组合的结果对比 |
| 4.4.4 SVM与BP神经网络分类效果比较 |
| 4.5 本章小结 |
| 第5章 林火烟雾检测算法仿真及结果分析 |
| 5.1 功能模块设计 |
| 5.2 烟雾自动监测仿真实验及结果分析 |
| 5.3 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间所发表学术论文 |
| 致谢 |
（2）基于多传感器融合的火灾识别系统研究与设计（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 火灾探测技术研究现状 |
| 1.2.1 传统火灾探测技术 |
| 1.2.2 视频火灾识别技术 |
| 1.3 论文研究内容及章节安排 |
| 第2章 火灾识别技术基础 |
| 2.1 火灾图像分析 |
| 2.1.1 红外辐射基础理论 |
| 2.1.2 红外成像原理 |
| 2.1.3 可见光和红外图像特征分析 |
| 2.2 图像预处理 |
| 2.2.1 灰度化 |
| 2.2.2 均值滤波 |
| 2.2.3 高斯滤波 |
| 2.2.4 中值滤波 |
| 2.2.5 图像滤波算法对比 |
| 2.3 前景提取算法 |
| 2.3.1 阈值分割 |
| 2.3.2 运动检测 |
| 2.4 机器学习和深度学习基础理论 |
| 2.4.1 支持向量机理论 |
| 2.4.2 卷积神经网络 |
| 2.4.3 CNN常用模型 |
| 2.5 本章小结 |
| 第3章 多传感器融合火灾识别算法 |
| 3.1 多传感器融合火灾识别算法框架 |
| 3.2 红外视频火灾识别 |
| 3.2.1 SVM火灾识别算法流程 |
| 3.2.2 红外图像前景提取 |
| 3.2.3 火灾图像特征提取 |
| 3.2.4 基于SVM的火灾识别 |
| 3.3 可见光视频火灾识别 |
| 3.3.1 深度学习火灾识别算法框架 |
| 3.3.2 可见光图像前景提取 |
| 3.3.3 MobileNetV3 |
| 3.3.4 迁移学习 |
| 3.3.5 基于改进MobileNetV3的迁移学习方法 |
| 3.4 融合火灾识别算法 |
| 3.5 本章小结 |
| 第4章 仿真实验结果与分析 |
| 4.1 实验环境与数据集说明 |
| 4.1.1 实验环境 |
| 4.1.2 数据集说明 |
| 4.2 实验性能度量 |
| 4.3 模型训练 |
| 4.3.1 SVM火灾识别算法 |
| 4.3.2 深度迁移学习火灾识别算法 |
| 4.4 算法比较 |
| 4.5 本章小结 |
| 第5章 多传感器融合火灾识别系统实现 |
| 5.1 多传感器融合火灾识别系统架构 |
| 5.2 系统硬件设计 |
| 5.2.1 核心板电路 |
| 5.2.2 摄像头选型 |
| 5.2.3 温度检测电路 |
| 5.2.4 烟雾检测电路 |
| 5.2.5 报警电路 |
| 5.2.6 网络传输模块 |
| 5.3 系统软件设计 |
| 5.3.1 软件平台搭建 |
| 5.3.2 软件设计 |
| 5.4 测试结果及其分析 |
| 5.5 本章小结 |
| 第6章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士期间取得的成果 |
（3）基于边缘计算的森林火灾视频识别技术的研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 森林火灾视频识别技术研究现状 |
| 1.2.2 边缘计算研究现状 |
| 1.3 主要研究内容和方法 |
| 1.4 本文结构安排 |
| 2 视频识别相关技术 |
| 2.1 视频检索技术 |
| 2.2 视频数据特点及结构 |
| 2.2.1 视频数据特点 |
| 2.2.2 视频数据结构 |
| 2.3 视频检索原理及关键技术 |
| 2.3.1 视频检索原理 |
| 2.3.2 视频检索关键技术 |
| 2.4 本章小结 |
| 3 基于SURF和SIFT特征的林火烟雾镜头边界检侧 |
| 3.1 特征融合的方法 |
| 3.1.1 局部特征 |
| 3.1.2 特征融合 |
| 3.2 林火烟雾镜头边界变换的检测方法 |
| 3.3 林火烟雾镜头边界检测 |
| 3.4 结果评价指标 |
| 3.5 实验结果与分析 |
| 3.6 本章小结 |
| 4 基于K-Means的林火烟雾视频关键帧提取 |
| 4.1 关键帧提取原理 |
| 4.2 基于聚类的林火烟雾视频关键帧提取算法 |
| 4.2.1 聚类特征的提取 |
| 4.2.2 K-Means聚类 |
| 4.2.3 基于改进K-Means的关键帧提取算法 |
| 4.2.4 林火烟雾视频关键帧提取算法流程 |
| 4.3 实验结果与分析 |
| 4.4 本章小结 |
| 5 基于HOG_SVM模型的林火烟雾视频识别 |
| 5.1 HOG特征 |
| 5.2 SVM原理 |
| 5.3 视频图像预处理 |
| 5.3.1 数据预处理 |
| 5.3.2 数据增强 |
| 5.4 基于HOG_SVM林火烟雾识别模型的构建 |
| 5.5 实验结果与分析 |
| 5.5.1 实验环境 |
| 5.5.2 HOG特征可视化 |
| 5.5.3 基于HOG_SVM模型识别效果 |
| 5.6 本章小结 |
| 6 基于Faster R-CNN的林火烟雾视频识别 |
| 6.1 深度学习技术 |
| 6.1.1 深度学习特点 |
| 6.1.2 深度学习在视频检索中的应用 |
| 6.2 Faster R-CNN相关理论 |
| 6.2.1 卷积神经网络基本理论 |
| 6.2.2 Faster R-CNN模型原理 |
| 6.2.3 模型常用函数 |
| 6.3 基于Faster R-CNN林火烟雾识别模型的构建 |
| 6.3.1 Faster R-CNN识别模型 |
| 6.3.2 Faster R-CNN模型训练 |
| 6.3.3 改进的Faster R-CNN模型 |
| 6.4 实验结果与分析 |
| 6.4.1 实验数据集与环境 |
| 6.4.2 模型表现分析 |
| 6.4.3 与传统模型的比较 |
| 6.5 本章小结 |
| 7 森林火灾监侧边缘计算架构设计 |
| 7.1 典型边缘计算平台 |
| 7.1.1 移动边缘计算 |
| 7.1.2 雾计算 |
| 7.1.3 Edge X Foundry |
| 7.1.4 朵云计算平台 |
| 7.2 边缘计算平台的选择 |
| 7.3 森林火灾监测边缘设备描述 |
| 7.4 森林火灾监测Edge X Foundry框架设计 |
| 7.4.1 设备服务层设计 |
| 7.4.2 核心服务层设计 |
| 7.4.3 支持服务层设计 |
| 7.4.4 输出服务层设计 |
| 7.5 森林火灾监测边缘计算网关设计与实现 |
| 7.6 本章小结 |
| 结论 |
| 参考文献 |
| 攻读学位期间发表的学术论文 |
| 致谢 |
| 附件 |
（4）基于视频图像的森林烟火检测方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 显着性运动区域提取 |
| 1.2.2 基于视频图像的森林烟火识别 |
| 1.3 论文主要研究工作 |
| 1.3.1 研究内容 |
| 1.3.2 论文的组织结构 |
| 第二章 基于运动与亮度显着性的运动区域提取 |
| 2.1 概述 |
| 2.2 显着性运动区域提取问题分析与整体结构设计 |
| 2.3 全局运动显着性区域提取 |
| 2.3.1 候选运动区域提取 |
| 2.3.2 全局显着性区域提取 |
| 2.4 基于运动与亮度显着性的运动区域提取 |
| 2.4.1 运动显着性特征值 |
| 2.4.2 亮度显着性特征值 |
| 2.4.3 基于组稀疏ROSL算法的显着性运动区域提取 |
| 2.5 实验结果与分析 |
| 2.5.1 定性评价 |
| 2.5.2 定量比较 |
| 2.6 本章小结 |
| 第三章 基于全卷积神经网络的显着性运动区域提取 |
| 3.1 概述 |
| 3.2 基于全卷积神经网络的显着性区域提取模型 |
| 3.3 动态显着性区域提取网络结构设计 |
| 3.4 实验结果与分析 |
| 3.4.1 数据集 |
| 3.4.2 网络训练与测试性能比较 |
| 3.4.3 显着性算法提取运动区域效果对比 |
| 3.5 本章小结 |
| 第四章 基于稀疏特征提取的森林烟火识别 |
| 4.1 概述 |
| 4.2 基于稀疏表示的烟火区域分离与特征提取 |
| 4.2.1 烟火区域分离模型 |
| 4.2.2 基于elastic-net的稀疏系数提取 |
| 4.2.3 有辨别性的稀疏系数提取 |
| 4.2.4 求解线性混合系数 |
| 4.3 基于鲁棒自适应增强RBFSVM的烟火图像识别 |
| 4.3.1 森林烟火识别整体结构与分类器设计 |
| 4.3.2 AdaBoost分类器结构分析 |
| 4.3.3 鲁棒AdaBoost分类器设计 |
| 4.3.4 基分类器的多样性处理与样本预处理 |
| 4.4 实验结果与分析 |
| 4.4.1 数据集 |
| 4.4.2 参数选择 |
| 4.4.3 烟火区域分离 |
| 4.4.4 烟火识别 |
| 4.5 本章小结 |
| 第五章 基于P3D-DENSENET的森林烟火识别 |
| 5.1 概述 |
| 5.2 3D卷积神经网络结构分析与性能对比 |
| 5.2.1 3D卷积神经网络结构分析 |
| 5.2.2 3D卷积神经网络性能对比 |
| 5.3 基于P3D紧密网络的烟火图像识别 |
| 5.3.1 Pseudo-3D残差网络结构分析 |
| 5.3.2 Pseudo-3D紧密网络结构设计 |
| 5.4 实验结果与分析 |
| 5.4.1 数据集 |
| 5.4.2 P3D-DenseNet与 P3D的性能对比 |
| 5.4.3 P3D-DenseNet算法与多种深度学习算法的性能对比 |
| 5.4.4 基于P3D-DenseNet算法的森林烟火识别效果 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读博士学位期间论文及科研情况 |
（5）火灾烟雾图像识别中的深度域适应与显着性检测方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 缩略语注释表 |
| 第1章 绪论 |
| 1.1 火灾与火灾探测技术 |
| 1.1.1 感烟火灾探测器 |
| 1.1.2 其他火灾探测器 |
| 1.1.3 视频火灾探测技术 |
| 1.2 视频烟雾探测技术研究现状 |
| 1.2.1 传统的视频烟雾探测技术 |
| 1.2.2 基于深度学习的视频烟雾探测技术 |
| 1.2.3 存在的问题 |
| 1.3 研究目标、内容与结构安排 |
| 1.3.1 研究目标 |
| 1.3.2 研究内容 |
| 1.3.3 本文结构安排 |
| 第2章 图像识别相关技术 |
| 2.1 深度学习与合成图像应用 |
| 2.1.1 深度学习 |
| 2.1.2 合成图像应用 |
| 2.2 目标检测 |
| 2.2.1 目标检测方法概述 |
| 2.2.2 目标检测模型 |
| 2.3 域适应 |
| 2.3.1 基于域适应的分类 |
| 2.3.2 基于域适应的目标检测 |
| 2.4 显着性检测 |
| 2.4.1 显着性检测方法概述 |
| 2.4.2 显着性检测模型 |
| 2.5 本章小结 |
| 第3章 基于深度域适应的烟雾图像分类 |
| 3.1 大规模数据集建立 |
| 3.1.1 真实烟雾图像采集 |
| 3.1.2 合成烟雾图像生成 |
| 3.2 域适应分类方法 |
| 3.2.1 基础分类网络 |
| 3.2.2 基于域适应的烟雾图像分类 |
| 3.3 烟雾图像分类实验与分析 |
| 3.3.1 图像分类结果 |
| 3.3.2 可视化分析 |
| 3.3.3 训练过程分析 |
| 3.4 本章小结 |
| 第4章 基于深度域适应的烟雾图像检测 |
| 4.1 快速检测网络 |
| 4.1.1 Single Shot Multi-Box Detector |
| 4.1.2 Multi-Scale CNN |
| 4.2 域适应检测方法 |
| 4.2.1 基于域适应的SSD |
| 4.2.2 基于域适应的MSCNN |
| 4.3 烟雾图像检测实验 |
| 4.3.1 评价标准 |
| 4.3.2 不同方法比较 |
| 4.3.3 误差分析 |
| 4.3.4 域适应采样方法比较 |
| 4.3.5 特征层多尺度域适应 |
| 4.4 本章小结 |
| 第5章 基于显着性检测的烟雾分割与识别 |
| 5.1 显着性检测网络 |
| 5.1.1 目标级显着性检测 |
| 5.1.2 区域级显着性检测 |
| 5.1.3 像素级显着性检测 |
| 5.2 烟雾显着性检测方法 |
| 5.2.1 多信息融合的烟雾显着性检测 |
| 5.2.2 烟雾识别分支 |
| 5.3 烟雾图像分割实验与分析 |
| 5.3.1 数据集 |
| 5.3.2 实验结果分析 |
| 5.3.3 模型性能与图像特征相关性分析 |
| 5.4 本章小结 |
| 第6章 总结与展望 |
| 6.1 研究工作总结 |
| 6.2 本文创新点 |
| 6.3 研究展望 |
| 参考文献 |
| 致谢 |
| 在读期间发表的学术论文与取得的其他研究成果 |
（6）基于深度学习和多尺度多特征融合的高分辨率遥感地表覆盖分类研究（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 术语缩写表 |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 遥感图像分割研究 |
| 1.2.2 遥感图像特征提取与分类研究 |
| 1.2.3 遥感图像迁移学习研究 |
| 1.2.4 存在问题与不足 |
| 1.3 研究目的与内容 |
| 1.3.1 研究目的 |
| 1.3.2 研究内容 |
| 1.3.3 技术路线 |
| 1.4 研究区域与实验数据 |
| 1.4.1 研究区域 |
| 1.4.2 实验数据 |
| 1.5 论文组织与章节安排 |
| 2 超像素单尺度地表覆盖分类 |
| 2.1 遥感图像ETPS超像素分割 |
| 2.1.1 ETPS分割算法概述 |
| 2.1.2 基于假彩色合成和图像增强的ETPS分割 |
| 2.1.3 遥感图像ETPS分割结果 |
| 2.2 光谱图像的超像素单尺度分类 |
| 2.2.1 Xception卷积网络概述 |
| 2.2.2 基于ETPS的 RSImage-Xception网络设计 |
| 2.3 变换图像的超像素单尺度分类 |
| 2.3.1 Contourlet图像变换概述 |
| 2.3.2 基于ETPS的 RSContourlet-Xception网络设计 |
| 2.4 实验结果分析 |
| 2.4.1 地表覆盖分类评价指标 |
| 2.4.2 实验环境配置 |
| 2.4.3 实验数据与参数设置 |
| 2.4.4 地表覆盖分类实验结果 |
| 2.5 本章小结 |
| 3 深度网络融合的多尺度地表覆盖分类 |
| 3.1 遥感多尺度分析及组合方案 |
| 3.1.1 遥感多尺度分析概述 |
| 3.1.2 多尺度组合方案设计 |
| 3.2 1-DCNN深度融合的多尺度分类 |
| 3.2.1 1-DCNN多尺度分类网络设计 |
| 3.2.2 1-DCNN多尺度分类网络优化训练 |
| 3.3 RNN深度融合的多尺度分类 |
| 3.3.1 RNN循环网络概述 |
| 3.3.2 RNN多尺度分类网络设计 |
| 3.3.3 RNN多尺度分类网络优化训练 |
| 3.4 实验结果分析 |
| 3.4.1 实验数据与参数设置 |
| 3.4.2 地表覆盖分类实验结果 |
| 3.5 本章小结 |
| 4 注意力机制下的多尺度多特征地表覆盖分类 |
| 4.1 注意力机制下的多尺度融合分类 |
| 4.1.1 注意力机制概述 |
| 4.1.2 注意力机制下的多尺度分类网络设计 |
| 4.2 光谱-变换的多尺度多特征融合分类 |
| 4.2.1 Image-Contourlet多特征分类网络设计 |
| 4.2.2 Image-Contourlet多特征分类网络优化训练 |
| 4.3 光谱-变换-对象的多尺度多特征融合分类 |
| 4.3.1 Image-Contourlet-Object多特征分类网络设计 |
| 4.3.2 Image-Contourlet-Object多特征分类网络优化训练 |
| 4.4 实验结果分析 |
| 4.4.1 实验数据与参数设置 |
| 4.4.2 地表覆盖分类实验结果 |
| 4.5 本章小结 |
| 5 多尺度多特征的迁移学习地表覆盖分类 |
| 5.1 遥感图像迁移学习概述 |
| 5.2 基于模型参数的单尺度迁移学习分类 |
| 5.2.1 分阶段微调训练方式 |
| 5.2.2 模型微调的单尺度迁移学习设计 |
| 5.3 基于模型参数的多尺度多特征迁移学习分类 |
| 5.3.1 模型微调的多尺度迁移学习设计 |
| 5.3.2 模型微调的多尺度多特征迁移学习设计 |
| 5.4 实验结果分析 |
| 5.4.1 实验数据与参数设置 |
| 5.4.2 地表覆盖分类实验结果 |
| 5.5 本章小结 |
| 6 结论及展望 |
| 6.1 研究总结 |
| 6.2 研究特色与创新 |
| 6.3 研究展望 |
| 参考文献 |
| 作者简历 |
（7）水泥回转窑烧成状态识别与熟料质量指标软测量的研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 工业过程中图像处理技术研究状况 |
| 1.3 回转窑烧成状态识别研究现状及存在的问题 |
| 1.4 回转窑熟料质量指标检测研究现状及存在的问题 |
| 1.5 本文主要工作 |
| 第二章 水泥回转窑烧成状态识别及熟料质量指标f-CaO含量测量问题描述 |
| 2.1 水泥回转窑烧结过程工艺描述 |
| 2.2 水泥回转窑烧成状态特性分析及其识别现状描述 |
| 2.3 水泥回转窑熟料质量指标F-CAO含量测量现状描述 |
| 2.4 影响水泥回转窑熟料产品质量指标F-CAO含量的因素分析 |
| 2.5 水泥回转窑烧成状态识别及熟料F-CAO含量软测量的难点 |
| 2.6 本章小结 |
| 第三章 预备知识 |
| 3.1 信息预处理 |
| 3.2 图像分割方法 |
| 3.2.1 大津算法(Otsu) |
| 3.2.2 模糊C均值聚类(Fuzzy C-Means,FCM) |
| 3.2.3 基于Gabor小波去模糊化的聚类算法(Fuzzy C-Means and Gabor Wavelet,FCMG) |
| 3.2.4 改进的快速行进法(Fast Marching Method,DFM) |
| 3.2.5 归一化割(Normalized Cut,Ncut) |
| 3.2.6 多阶自适应阈值(Multistage Adaptive Thresholding,MAT) |
| 3.3 特征提取方法 |
| 3.3.1 多变量图像分析(Multivariate Image Analysis,MIA) |
| 3.3.2 主成分分析法(Pricipal Component Analysis,PCA) |
| 3.3.3 尺度不变特征转换算法(Scale Invariance Feature Transform,SIFT) |
| 3.3.4 偏最小二乘(partial least squares,PLS) |
| 3.3.5 神经网络偏最小二乘(Neural network partial least squares,NNPLS) |
| 3.3.6 核偏最小二乘(Kernel partial least squares,KPLS) |
| 3.4 多特征融合方法 |
| 3.5 模式分类器设计方法 |
| 3.5.1 概率神经网络(Probabilistic neural networks,PNN) |
| 3.5.2 BP神经网络(Back Propagation neural network,BPNN) |
| 3.5.3 支持向量机(Support vector machine,SVM) |
| 3.5.4 超级学习机(Extreme learning machine,ELM) |
| 3.6 回归器设计方法 |
| 3.7 本章小结 |
| 第四章 基于火焰图像多特征的烧成状态识别方法 |
| 4.1 相关工作 |
| 4.2 基于火焰图像多特征的烧成状态识别策略 |
| 4.3 基于压缩GABOR滤波器组的火焰图像预处理算法 |
| 4.4 基于火焰图像感兴趣区域色彩特征的烧成状态识别算法 |
| 4.5 基于火焰图像感兴趣区域全局形态特征的烧成状态识别算法 |
| 4.6 基于火焰图像感兴趣区域局部形态特征的烧成状态识别算法 |
| 4.7 基于FUZZY INTEGRAL的火焰图像多特征融合烧成状态识别算法 |
| 4.8 仿真实验 |
| 4.8.1 数据描述 |
| 4.8.2 实验结果与分析 |
| 4.8.2.1 基于改进的Gabor滤波器组的火焰图像预处理实验结果 |
| 4.8.2.2 基于MIA的色彩特征烧成状态识别实验结果 |
| 4.8.2.3 基于PCA的全局形态特征烧成状态识别实验结果 |
| 4.8.2.4 基于SIFT+BoVW+LSA的局部形态特征烧成状态识别实验结果 |
| 4.8.2.5 基于Fuzzy Integral的火焰图像多特征融合烧成状态识别实验结果 |
| 4.8.2.6 比较实验结果 |
| 4.9 本章小结 |
| 第五章 基于过程变量与火焰图像融合的烧成状态识别方法 |
| 5.1 基于过程变量与火焰图像特征融合的烧成状态识别策略 |
| 5.2 基于过程变量与火焰图像融合的烧成状态识别算法 |
| 5.2.1 基于改进中值滤波器的过程变量数据滤波预处理 |
| 5.2.2 基于KPLS的过程变量烧成状态识别模型 |
| 5.2.3 基于过程变量与火焰图像的Fuzzy Integral融合的烧成状态识别模型 |
| 5.3 仿真实验 |
| 5.3.1 数据描述 |
| 5.3.2 实验结果与分析 |
| 5.3.2.1 滤波预处理 |
| 5.3.2.2 基于KPLS的过程数据烧成状态识别实验结果 |
| 5.3.2.3 基于过程变量和火焰图像的Fuzzy Integral融合的烧成状态识别实验结果 |
| 5.4 本章小结 |
| 第六章 基于火焰图像与过程数据的熟料质量指标f-CaO含量软测量方法 |
| 6.1 基于火焰图像和过程变量的熟料质量指标F-CAO含量软测量策略 |
| 6.2 基于火焰图像和过程数据的产品质量指标F-CAO含量软测量算法 |
| 6.2.1 数据预处理 |
| 6.2.2 火焰图像特征提取 |
| 6.2.3 软测量模型设计 |
| 6.3 仿真实验 |
| 6.3.1 数据描述 |
| 6.3.2 实验结果与分析 |
| 6.3.2.1 数据预处理实验结果 |
| 6.3.2.2 火焰图像特征提取实验结果 |
| 6.3.2.3 软测量模型设计实验结果 |
| 6.4 本章小结 |
| 结束语 |
| 参考文献 |
| 致谢 |
| 博士期间完成的论文、参加的科研项目 |
| 作者简介 |
（8）基于多神经网络分类器组合的火焰图像分割（论文提纲范文）
| 引 言 |
| 1 BP网络 |
| 2 分类器组合 |
| 2.1 平均值组合法 |
| 2.2 投票表决法 |
| 2.3 最大统计概率法 |
| 2.4 神经网络法 |
| 3 实验结果 |
| 4 结 论 |
（9）基于视频监控的光伏电站火灾检测系统（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.1.1 课题研究背景 |
| 1.1.2 课题研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 基于传统图像分割的火灾检测方法 |
| 1.2.2 基于传统机器学习的火灾检测方法 |
| 1.2.3 基于深度学习的火灾检测方法 |
| 1.2.4 基于视频监控的光伏电站火灾检测的问题 |
| 1.3 论文研究内容及意义 |
| 1.4 论文的组织结构 |
| 第二章 视频图像预处理 |
| 2.1 图像修复 |
| 2.1.1 基于Criminisi算法的图像修复 |
| 2.1.2 基于融合Canny算子的改进Criminisi算法的图像修复 |
| 2.1.3 实验结果与分析 |
| 2.2 图像滤波 |
| 2.2.1 图像滤波算法 |
| 2.2.2 实验结果与分析 |
| 2.3 图像增强 |
| 2.3.1 基于插值算法的图像增强算法 |
| 2.3.2 基于插值和空间域的图像增强 |
| 2.3.3 实验结果与分析 |
| 2.4 本章小结 |
| 第三章 基于传统图像分割的光伏电站火灾检测改进 |
| 3.1 运动前景检测 |
| 3.1.1 运动前景检测算法 |
| 3.1.2 ViBe算法的改进 |
| 3.2 几种特征的描述 |
| 3.2.1 颜色特征 |
| 3.2.2 烟雾的扩散特征 |
| 3.2.3 火焰的闪烁特征 |
| 3.3 火灾严重性评估 |
| 3.3.1 摄像机标定 |
| 3.3.2 火灾区域面积估算原理 |
| 3.4 实验结果与分析 |
| 3.4.1 火灾区域检测 |
| 3.4.2 火灾区域面积估算 |
| 3.5 本章小结 |
| 第四章 基于动静态特征融合的光伏电站火灾检测 |
| 4.1 静态特征 |
| 4.1.1 颜色直方图 |
| 4.1.2 方向梯度直方图 |
| 4.1.3 静态纹理特征 |
| 4.2 动态特征 |
| 4.2.1 动态纹理特征 |
| 4.3 特征降维与融合 |
| 4.3.1 特征降维 |
| 4.3.2 特征融合 |
| 4.4 分类器选择 |
| 4.5 实验结果与分析 |
| 4.5.1 基于静态特征的烟雾检测实验分析 |
| 4.5.2 基于动静态特征融合的烟雾检测实验分析 |
| 4.6 本章小结 |
| 第五章 基于深度学习的光伏电站烟雾和火焰联合检测 |
| 5.1 数据集采集与标注 |
| 5.2 光伏电站场景中复杂干扰的消除与抑制 |
| 5.3 火灾检测深度神经网络选择与设计 |
| 5.3.1 相关理论 |
| 5.3.2 Faster RCNN原理 |
| 5.3.3 改进的Faster RCNN |
| 5.4 实验结果与分析 |
| 5.5 本章小结 |
| 第六章 光伏电站火灾检测系统设计 |
| 6.1 硬件系统架构 |
| 6.2 软件系统架构 |
| 6.3 系统开发环境选择 |
| 6.3.1 PyCharm开发平台 |
| 6.3.2 Anaconda环境 |
| 6.3.3 Py QT框架 |
| 6.3.4 Opencv库 |
| 6.3.5 Tensor Flow框架 |
| 6.3.6 数据库选择 |
| 6.4 用户管理模块设计 |
| 6.5 火灾检测模块设计 |
| 6.5.1 视频图像预处理模块 |
| 6.5.2 烟雾检测模块 |
| 6.5.3 火焰检测模块 |
| 6.5.4 烟雾和火焰联合检测模块 |
| 6.6 软件系统测试 |
| 6.6.1 测试目标 |
| 6.6.2 测试方法 |
| 6.7 本章小结 |
| 第七章 总结与展望 |
| 7.1 总结 |
| 7.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间完成的学术成果 |
（10）基于图像处理的多特征融合苹果分级方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究的背景及意义 |
| 1.2 水果分级国内外发展现状 |
| 1.2.1 水果分级国外研究现状 |
| 1.2.2 水果分级国内研究现状 |
| 1.3 水果分级发展前景 |
| 1.4 论文的主要研究内容及结构 |
| 第2章 苹果分级系统框架及综述 |
| 2.1 苹果分级系统的基本框架 |
| 2.2 苹果分级总体流程 |
| 2.2.1 苹果图像的采集和预处理 |
| 2.2.2 特征提取 |
| 2.2.3 苹果分级 |
| 2.3 分类算法概述 |
| 2.4 多分类器融合方法概述 |
| 2.5 本章小结 |
| 第3章 苹果图像的采集和预处理 |
| 3.1 概述 |
| 3.2 苹果实际分选流程 |
| 3.3 图像采集 |
| 3.4 常见的颜色模型 |
| 3.4.1 RGB模型 |
| 3.4.2 HSI模型 |
| 3.4.3 RGB模型到HSI模型的转换 |
| 3.4.4 不同模型下的苹果分量图 |
| 3.5 图像分割 |
| 3.6 形态学去噪 |
| 3.7 边缘检测 |
| 3.8 缺陷和果梗区域提取 |
| 3.9 本章小结 |
| 第4章 苹果特征提取 |
| 4.1 概述 |
| 4.2 缺陷和果梗的特征提取 |
| 4.3 苹果形状特征提取 |
| 4.3.1 最小最大半径比值法描述苹果形状 |
| 4.3.2 圆形度法描述苹果形状 |
| 4.4 苹果颜色特征提取 |
| 4.4.1 基于RGB模型下颜色定量分析 |
| 4.4.2 苹果红色着色率 |
| 4.5 本章小结 |
| 第5章 苹果大小检测 |
| 5.1 传统的苹果大小检测方法 |
| 5.2 改进的苹果大小检测 |
| 5.2.1 果径面选取与测量 |
| 5.2.2 图像标定 |
| 5.3 苹果大小测量实验与结果分析 |
| 5.3.1 单一苹果果径面的选取与测量 |
| 5.3.2 苹果大小测量结果 |
| 5.4 本章小结 |
| 第6章 苹果分级研究 |
| 6.1 苹果分级需求分析 |
| 6.2 数据规范化 |
| 6.3 不同分类算法介绍 |
| 6.3.1 K-最近邻算法 |
| 6.3.2 BP神经网络算法 |
| 6.3.3 支持向量机算法 |
| 6.4 基于多特征多分类器融合的分级方法 |
| 6.4.1 分类器选择原则 |
| 6.4.2 多分类器融合规则 |
| 6.5 缺陷果识别实验 |
| 6.6 完好果的分级实验 |
| 6.6.1 单特征下的完好果分级 |
| 6.6.2 多特征单分类器下的完好果分级 |
| 6.6.3 多特征多分类器融合下的完好果分级 |
| 6.6.4 完好果分级的三组实验对比 |
| 6.7 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间所发表的论文 |
| 致谢 |
| 个人简历 |
四、基于多神经网络分类器组合的火焰图像分割（论文参考文献）
- [1]基于超像素图像分割的林火烟雾检测算法研究[D]. 张威. 哈尔滨理工大学, 2021(09)
- [2]基于多传感器融合的火灾识别系统研究与设计[D]. 陈培豪. 浙江大学, 2021(01)
- [3]基于边缘计算的森林火灾视频识别技术的研究[D]. 孙晓芳. 东北林业大学, 2020(09)
- [4]基于视频图像的森林烟火检测方法研究[D]. 伍学惠. 东南大学, 2020(02)
- [5]火灾烟雾图像识别中的深度域适应与显着性检测方法研究[D]. 徐高. 中国科学技术大学, 2020
- [6]基于深度学习和多尺度多特征融合的高分辨率遥感地表覆盖分类研究[D]. 张书瑜. 浙江大学, 2020(01)
- [7]水泥回转窑烧成状态识别与熟料质量指标软测量的研究[D]. 李帷韬. 东北大学, 2012(07)
- [8]基于多神经网络分类器组合的火焰图像分割[J]. 李树涛,王耀南,毛建旭. 数据采集与处理, 2000(04)
- [9]基于视频监控的光伏电站火灾检测系统[D]. 何增祥. 东南大学, 2020(01)
- [10]基于图像处理的多特征融合苹果分级方法研究[D]. 郑羽纶. 河北科技大学, 2020(01)