火焰检测网络（October, 2018，ICIP）

最新推荐文章于 2025-06-07 23:14:41 发布
翻译 最新推荐文章于 2025-06-07 23:14:41 发布 · 1.3k 阅读 · 11
文章标签：

#火焰检测 #2018最新论文

本文是2018年ICIP会议上的一篇论文，提出了基于CNN的实时火焰检测算法。通过实验验证，减少了AlexNet和InceptionV1的复杂度，创建了FireNet和InceptionV1-OnFire网络，提升了模型速度并保持高准确性。FireNet包括三个卷积层和全连接层，而InceptionV1-OnFire简化了InceptionV1结构。尽管超像素区域识别速度变慢，但网络结构优化实现了速度提升。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

论文名

Experimentally Defined Convolutional Neural Network Architecture Variants for Non-temporal Real-time Fire Detection

简介

这是一篇October, 2018.发表于IEEE International Conference on Image Processing (ICIP)的一篇文章，作者提供了一种基于CNN的实时视频火焰检测算法。这篇论文最大的特点是通过实验验证的方法，分别对AlenNet和InceptionV1进行了去层操作，减少了CNN的复杂度，来提升模型速度，将模型处理速度提升到17帧每秒，二值（是/否）全局火焰检测的准确率能够达到93%，超像素局部火焰区域识别的准确率能够达到89%

网络结构

（1）实验验证方法
作者对AlexNet，VGG16和InceptionV1网络进行了对比选择，并将火焰检测数据输入这三个网络进行训练，最后得出AlexNet和Inception网络更好
在这里插入图片描述
然后，再对AlexNet网络考虑了六种不同的情况：C1去掉了第三层；C2去掉了第三，四层；C3去掉了三，四，五层；C4只去掉了第六层；C5去掉了三，四，六层；C6去掉了第2层，并将火焰检测数据输入这六个网络进行训练，最后比较结果。
对于InceptionV1，有八种变化后网络，第九为未改动网络，通过从现有9个配置中删除最多8个初始模块来考虑架构配置的8个变化，再进行结果比较，比较图如下
在这里插入图片描述
从比较结果得出，C2准确率高且相对参数较少，右图3便显得较好，于是作者便从C2和3入手，构建了两个火焰检测网络FireNet和InceptionV1-OnFire网络
（2）FireNet网络结构
在这里插入图片描述
FireNet基于C2 Alexnet配置，输入图像尺寸为2242243，它只包含三个大小分别为64、128和256的卷积层，卷积核大小分别为5×5、4×4和1×1。每个卷积层之后是一个最大池化层，核大小为3×3。这组卷积层后面是两个全连接层，每个层有4096维，并使用tanh激活。在训练过程中，keep值为0.5的Dorpout应用于这两个全连接层，以降低过拟合问题。最后，用一个全连接层，将4096维通道变为2维通道再用Softmax激活输出，使用了交叉熵损失函数。
（3）InceptionV1-OnFire
在这里插入图片描述
InceptionV1-OnFire是基于使用一个简化的InceptionV1结构，输入图像尺寸为2242243，和InceptionV1相同只有三个连续的起始模块。每个单独的模块遵循与原始模型相同的结构，使用前三个模块，其链接方式与完整的inceptionv1体系结构相同，keep值为0.4的Dorpout应用于最后的全连接层再采用Softmax激活输出，使用了交叉熵损失函数
（4）Superpixel-InceptionV1-OnFire
结构和InceptionV1-OnFire相同，只是先将图像用简单线性迭代聚类（SLIC）分为很多超像素块，再用训练好的检测模型对每个超像素块进行检测，达到FireNet和InceptionV1-OnFire都不能做到的火焰超像素区域识别

结果比较

（1）火焰检测结果比较
在这里插入图片描述
在这里插入图片描述
从表1和表2可以看出InceptionV1-OnFire在精度和InceptionV1相同的情况下，参数量明显小于InceptionV1，每秒检测的帧数也是InceptionV1的4倍。同样，FireNet也是精度和AlexNet相同的情况下每秒检测的帧数也是InceptionV1的4倍
（2）火焰超像素区域识别结果
在这里插入图片描述
在这里插入图片描述
由表3可以得出，Superpixel-InceptionV1-OnFire的效果略差于Chenebert的研究，但是Superpixel-InceptionV1-OnFire拥有在CNN网络参数少和速度的优势，具体优势如何在文中没有提及。（复现测试后效果并不理想，因为SLIC非常耗时，是真心的慢啊）

总结

该论文主要是通过实验改善了网络模型结构，从而达到降低模型参数，给模型加速的目的，但在火焰检测准确率方面和经典网络相差无几。在火焰区域检测方面和传统的检测方法没有区别，都是用简单线性迭代聚类（SLIC）算法得出火焰区域。
但是在该论文复现测试的过程中发现如下问题：
（1）加入火焰区域识别算法以后，前期网络结构改善带来的速度优势不复存在，速度变得非常慢，大约在1-3帧每秒
（2）小目标无法检测
在这里插入图片描述
（3）打火机产生的火焰无法检测
推测是由于用于训练的数据集中没有打火机产生的这种无风状态下比较稳定的火焰，导致算法无法检测出打火机的火焰

检测失败
在这里插入图片描述

检测成功

在这里插入图片描述

总的来说这篇文章没有太多的创新之处，超像素的区域识别感觉只是用来完善文章内容的，因为前面只是提到了火焰检测的速度优化

Duets_QH
关注
从0-1训练自己的数据集实现火焰检测
qq_30895747的博客
11-14 769
基于深度学习实现火焰检测
基于YOLOv8的烟火检测系统：从数据集构建到UI界面实现
最新发布
YOLO
06-19 276
烟火检测任务需要包含各种场景下的烟火图像数据。：包含火灾场景图像，适用于早期火灾检测：包含室内外各种火灾场景：专门用于视频火灾检测：包含烟雾和火焰的混合数据图像数量：5000+（烟火正样本3000+，负样本2000+）场景多样性：森林、建筑、室内、工业区等光照条件：白天、夜晚、黄昏等烟火形态：小火苗、大火、浓烟、薄烟等更高效的网络结构更精确的锚框预测改进的训练策略支持分类、检测、分割多任务。
Fire Net
多一些不为什么的坚持
11-01 654
题目：Fire Net 总结：构图+二分图匹配（匈牙利算法） #include <stdio.h> #include <vector> #include <string.h> using namespace std; const int N = 105; vector<int>G[N]; int n; char s[N][N]; int a[N][...
FireNet: A Specialized Lightweight Fire & Smoke Detection Model for Real-Time IoT Applications
qq_44177768的博客
09-08 3777
论文阅读
YOLOv8实战火焰检测【数据集+YOLOv8模型+源码+PyQt5界面】
weixin_40280870的博客
10-13 3385
本文采用YOLOv8作为核心算法框架，结合PyQt5构建用户界面，使用Python3进行开发。YOLOv8以其高效的实时检测能力，在多个目标检测任务中展现出卓越性能。本研究针对火焰数据集进行训练和优化，该数据集包含丰富的火焰图像样本，为模型的准确性和泛化能力提供了有力保障。通过深度学习技术，模型能够自动提取火焰的特征并进行分类识别。PyQt5界面设计简洁直观，便于用户操作和实时查看检测结果。本研究不仅提高了火焰识别的自动化水平，还为工业生产系统的构建提供了有力支持，具有重要的理论应用价值。
火灾检测图片voc集,和训练好的yolo_tiny模型weights
05-05
火焰图集合和训练好的yolo_tiny火焰检测weights，经过处理成voc数据集，而且经过训练，可以实现yolo-tiny的图像检测。
视频火焰检测vs2017源码
05-09
本资源是基于VS2017+opecv3.2开发的源码，主要功能是识别视频中的火焰，采用的算法是颜色检测，Thou-Ho (Chao-Ho) Chen, Ping-Hsueh Wu, and Yung-Chuen Chiou 于2004年在ICIP发表的文章《An Early Fire-Detection ...
matlab希腊字母代码-ICIP2018CDM:ICIP2018论文“ColorImageDemosaickingusinga3-stage
06-15
2018)，希腊雅典，2018 年 10 月。DOI： 更新 添加 TensorFlow 实现和预训练模型。 依赖项： Python 3 TensorFlow 1.XX（1.10 或更新版本） NumPy 枕头 NVIDIA GPU + CUDA（如果在 GPU 模式下运行） 数据集： 您需要...
空间过滤检测：这是 ICIP 2015 论文 SPATIAL DOMAIN FILTERING DETECTION 的代码。-matlab开发
06-01
该算法使用 HMRF 模型进行去噪。 然后使用压缩噪声来确定给定的图像是否被过滤。 Image = imread('ucid00001.tif'); imwrite(Image,'jff.jpg','质量',70); JpgImage = imread('jff.jpg'); [去噪图像，噪声]=noise_...
Saliency_MSSS_ICIP2010.rar_MSSS_ft_显著性对比_显著性检测_显著性检测算法
07-14
本压缩包文件“Saliency_MSSS_ICIP2010.rar”提供了对两种显著性检测算法——MSSS（Multi-Scale Spatial Structure）和FT（Feature Integration Theory）的对比分析。以下将详细阐述这两种算法的原理、特点以及它们...
AI人工智能目标检测的基于图神经网络的目标检测
大模型应用工坊
06-07 1078
本文旨在系统性地介绍基于图神经网络的目标检测方法，涵盖从理论基础到实践应用的完整知识体系。图神经网络在目标检测中的独特优势主流GNN目标检测模型的架构设计与传统CNN方法的性能对比实际部署中的挑战和解决方案研究范围限定在静态图像中的目标检测任务，不涉及视频序列或3D场景检测。文章首先介绍背景知识和核心概念，然后深入技术细节，包括算法实现和数学模型。随后提供实际案例和工具资源，最后讨论未来趋势。技术深度从浅入深，满足不同层次读者的需求。目标检测(Object Detection)
FireNet：基于YOLOv8的火焰与烟雾检测系统设计与实现
YOLO
04-13 433
此外，本文还将提供详细的代码和参考数据集，帮助开发者在自己的项目中实现类似的功能。通过本文的介绍，您已经学会了如何利用YOLOv8模型进行火焰与烟雾的实时检测，并将其展示在UI界面中。未来，随着技术的不断进步，YOLOv8及类似模型的检测精度和处理速度将进一步提升，能够在更复杂的场景中实现更好的性能。YOLOv8是YOLO系列的最新版本，继承了YOLOv7的优势，并在多个方面进行了改进，特别是在小物体检测和复杂场景下的表现。在实现了火焰与烟雾检测模型后，我们需要设计一个简单的UI界面来展示模型的检测结果。
EXPERIMENTALLY DEFINED CONVOLUTIONAL NEURAL NETWORK ARCHITECTURE VARIANTS FOR NON-TEMPORAL REAL-TIME
weixin_40745291的博客
12-24 902
这是一篇October 7-10, 2018.发表于IEEE International Conference on Image Processing (ICIP)的一篇文章，作者提供了一种基于CNN的实时视频火焰检测。文章获取地址为：https://github.com/lixiaokai666/CVpaper 摘要： 论文成果：实时了视频实时火灾监测，且速度大大提升，准确率高达93%，...
FireNET 开源项目使用教程
gitblog_00280的博客
09-13 657
FireNET 开源项目使用教程 1. 项目目录结构及介绍 FireNET 项目的目录结构如下： FireNET/ ├── data/ │ ├── images/ │ └── labels/ ├── models/ │ ├── model1.h5 │ └── model2.h5 ├── src/ │ ├── main.py │ ├── config.py │ ├── u...
用于非临时实时火灾检测的实验定义的卷积神经网络体系结构变量 （英文论文翻译）
weixin_43590290的博客
10-01 1178
英文版论文原文：https://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=7793196 用于非临时实时火灾检测的实验定义的卷积神经网络体系结构变量 EXPERIMENTALLY DEFINED CONVOLUTIONAL NEURAL NETWORK ARCHITECTURE VARIANTS FOR NON-TEMPORAL...
深度CNN的火灾识别与定位
流浪机器人的博客
11-29 3489
K. Muhammad, J. Ahmad, Z. Lv, P. Bellavista, P. Yang and S. W. Baik, “Efficient Deep CNN-Based Fire Detection and Localization in Video Surveillance Applications,” in IEEE Transactions on Systems, Man, and Cybernetics: Systems, vol. 49, no. 7, pp. 1419-143
tobybreckon - fire-detection-cnn
程永强
07-21 1733
tobybreckon - fire-detection-cnn https://github.com/tobybreckon/fire-detection-cnn Real-time fire detection in video imagery using a convolutonal neural network (deep learning). IEEE International Con...
基于视觉的烟雾/火焰检测数据集整理（检测、识别、分割）
热门推荐
人工智能算法与工程实践
04-09 3万+
2.1 视觉火灾预警的背景 参考文献：夏雪, 袁非牛, 章琳, et al. 从传统到深度:视觉烟雾识别、检测与分割[J]. 中国图象图形学报, 2019(10). 基于传感器组的传统监控系统比较适用于较小空间， 随着视觉技术的发展， 视觉火灾预警系统能够有效地对森林区域进行远距离监控［5］ 。2018 年国家森防已将“进一步提高森林防火工作现代化水平， 适应新时代发展要求”作为火灾启示的总结之一［6］。基于此， 本文主要关注基于人工智能视觉技术的森林火灾监控。 森林火灾初期通常会产生大量烟雾， 这一现
图像圆角检测的ICIP 2016论文实现与CDBD分析
ICIP 2016是一场在图像处理领域具有广泛影响力的国际会议，而在该会议上发表的论文“通过线段和圆完整度对图像进行圆检测”针对如何在数字图像中检测圆形结构提出了新的方法。该论文的核心贡献在于提出了一种基于...
评论 5
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值