【技术实现步骤摘要】
本专利技术属于建筑火灾图像识别，尤其涉及基于改进残差神经网络的建筑火灾图像识别方法及系统。
技术介绍
1、本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息，不必然构成在先技术。
2、建筑火灾会对人的生命安全构成严重威胁。由于视觉传感器的实用性，火灾探测技术在计算机视觉领域受到了广泛的关注。以前的研究主要依赖于基本的颜色特征，随着深度学习的不断完善与发展，现在大多数火灾探测技术都采用深度学习模型来提高准确性。
3、现有专利cn117274881a结合一致性正则化与伪标签，提出一种火灾预测模型，步骤繁琐，可能出现预测时间较长的情况；专利cn117274877a通过采集颜色、形状和动态等多种特征数据检测火灾，误差率较高；专利cn116912757a通过神经网络模型对摄像头的图像块分类来确定火焰图像块和非火焰图像块，误差较大，错报率较高。
4、在论文《基于区域全卷积网络结合残差网络的火焰检测方法》中，作者将残差神经网络(residual network，简称resnet)应用于火灾图像检测领域，通过深度...
【技术保护点】
1.基于改进残差神经网络的建筑火灾图像识别方法，其特征是，包括：
2.如权利要求1所述的基于改进残差神经网络的建筑火灾图像识别方法，其特征是，所述输入块由卷积层与池化层组成；所述卷积层中不再采用BN层，仅保留启动函数；
3.如权利要求1所述的基于改进残差神经网络的建筑火灾图像识别方法，其特征是，所述SAB空间注意块获取发生火灾区域的空间位置信息时，包括：
4.如权利要求1所述的基于改进残差神经网络的建筑火灾图像识别方法，其特征是，所述全连接层加入Dropout，在训练期间每一步以固定的频率随机将输入单元设置为0，即在前向传播的时候，...
【技术特征摘要】
1.基于改进残差神经网络的建筑火灾图像识别方法，其特征是，包括：
2.如权利要求1所述的基于改进残差神经网络的建筑火灾图像识别方法，其特征是，所述输入块由卷积层与池化层组成；所述卷积层中不再采用bn层，仅保留启动函数；
3.如权利要求1所述的基于改进残差神经网络的建筑火灾图像识别方法，其特征是，所述sab空间注意块获取发生火灾区域的空间位置信息时，包括：
4.如权利要求1所述的基于改进残差神经网络的建筑火灾图像识别方法，其特征是，所述全连接层加入dropout，在训练期间每一步以固定的频率随机将输入单元设置为0，即在前向传播的时候，首先随机让某些隐藏神经元的启动值以一定的概率停止工作，输入输出神经元保持不变，然后把输入通过修改隐藏神经元启动值后的网络前向传播，把得到的损失结果通过修改的网络反向传播，如此重复这一过程，获得模型。
5.如权利要求1所述的基于改进残差神经网络的建筑火灾图像识别方法，其特征是，所述第一至第四阶段模块均包括残差块，残差块采用hi+1＝hi+αfi(hi/βi)形式，其中hi表示第i个残差块的输入，fi表示第i个残差分支计算的函数，标量α规定了每个残差块之后启动方差...
【专利技术属性】
技术研发人员：齐元轮，戚军，魏希坡，于海宁，刘苗苗，
申请(专利权)人：山东建研检测检验科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。