基于深度学习算法的火焰自动检测预警系统的设计与实现

论文总字数：19110字

摘 要

随着时代的不断发展，相机、计算机等电子设备的不断更新，机器学习技术的发展也到了一个新的阶段。又火灾作为威胁人们生活的最为普遍的灾害，将机器学习与火焰检测预防火灾相结合成为了一大热门话题。但是传统的火焰检测方法普遍存在精度低，速度慢的问题，提出一种基于深度学习的火焰自动检测预警系统的设计与实现。

系统设计以及实验时使用的操作系统为Ubuntu，在该系统环境下搭建YOLOv4训练平台，制作机器学习所需的火焰数据集，并通过多次试验不断提高模型检测的准确率，主要完成模型对单目标，多目标，视屏的检测。对于检测结果将会从mAP，FPS等多个方面进行综合评价。实验结果表明在使用YOLOv4网络结构，核心框架为DarkNet的情况下，经过多次试验与改进之后，模型在精度与速度上都有良好表现。该算法的准确率达到86%，较其他算法有所提升，在速度方面也有较快的体现。

关键词：YOLOv 4；火焰检测；深度学习；DarkNet

Design and Implementation of Automatic Flame Detection and Early Warning System Based on Deep Learning Algorithm

Abstract

With the development of the times, the camera, computer and other electronic equipment are constantly updated, and the development of machine learning technology has also reached a new stage. Fire, as the most common disaster threatening people's lives, combines machine learning with fire detection and fire prevention has become a hot topic. But the traditional flame detection method has the problems of low precision and slow speed. A new automatic flame detection and early warning system based on deep learning is proposed.

The operating system used in the system design and experiment is Ubuntu. Under the system environment, yolov4 training platform is built, and the flame data set required for machine learning is made. The accuracy of model detection is continuously improved through many tests. The main purpose is to complete the detection of single target, multi-objective and visual screen. The results of the test will be evaluated comprehensively from many aspects such as map, FPS and so on. The experimental results show that the model has good performance in accuracy and speed after many experiments and improvements under the condition of using yolov4 network structure and DarkNet as the core frame. The accuracy of the algorithm is 86%, which is improved compared with other algorithms, and it also shows a faster speed.

Keywords: YOLOv4, Flame Detection, Deep Learning, DarkNet

目 录

摘 要 I

Abstract II

第一章 绪 论 1

1.1 研究背景及意义 1

1.1.1火焰识别研究的背景 1

1.1.2火焰识别研究的意义 1

1.2 研究内容与技术路线 1

1.2.1 研究内容 1

1.2.2 技术路线 1

1.3论文的结构安排 2

第二章 YOLO网络算法 3

2.1卷积神经网络基础 3

2.1.1 神经网络的介绍 3

2.1.2卷积神经网络的构成 4

2.2 YOLO网络结构及优化 8

2.3 YOLO目标检测的基本思路 9

2.4 YOLO图像检测 9

2.5本章小结 9

第三章火焰检测系统的算法实现 10

3.1火焰检测数据集制作 10

3.2火焰检测模型训练 11

3.2.1 训练环境介绍 11

3.2.2 YOLOv4中的改进训练技巧 12

3.2.3 配置YOLO文件 12

3.2.4 训练结果 13

3.3火焰检测模型评价指标 14

3.4本章小结 15

第四章 嵌入式平台在线智能识别效果测试 16

4.1 嵌入式平台简介 16

4.1.1 Jetson Nano简介 16

4.1.2 Jetson Nano的优点 16

4.1.3 开发环境配置 16

4.2 嵌入式平台测试识别效果 17

4.3本章小结 17

第五章 总结与展望 18

5.1 工作总结 18

5.2 未来展望 18

致谢 19

参考文献 20

第一章 绪 论

1.1 研究背景及意义

1.1.1火焰识别研究的背景

火灾是最常见也是最普遍的一种自然灾害，但是他对公共安全和社会发展存在着巨大威胁。据2020年1月-10月数据统计，全年共接报火灾25.2万起，死亡1183人，受伤775人。火灾不仅给人们生活带来巨大威胁，同时火灾带来的直接危害如：财产损失，生命安全等也不容小觑，不仅如此森林火灾还会影响生态平衡，有时火灾带来的间接危害甚至比直接危害更为严重。而一项识别精度高，实时性强的火焰检测模型，可以及时发出警报，有效预防火灾，从而降低火灾发生的概率，切实保障人民生活，减少财产损失。因此通过火焰识别技术来监测和预警火灾具有重大意义。

1.1.2火焰识别研究的意义

剩余内容已隐藏，请支付后下载全文，论文总字数：19110字