Resumen

La mayoría de los métodos de detección de humo existentes se basan en operaciones manuales, lo cual es difícil de cumplir con las necesidades de monitoreo de incendios. Para mejorar aún más la precisión de la detección de humo, se introdujo en el estudio un método automático de extracción de características y clasificación basado en la red neuronal convolucional regional rápida (fast RCNN). Este método utiliza un algoritmo de búsqueda selectiva para obtener las imágenes candidatas de las imágenes de muestra. Las coordenadas del área preseleccionada y la imagen de muestra de la tarea visual se utilizan para el aprendizaje de la red. Durante el proceso de entrenamiento, se utiliza el método de migración de características para evitar la falta de datos de humo o fuentes limitadas de datos. Finalmente, se obtiene un modelo de detección de objetivos, que está fuertemente relacionado con una tarea visual especificada, y tiene parámetros de peso bien entrenados. Los resultados experimentales muestran que este método no solo mejora la precisión de detección, sino que también reduce efectivamente la tasa de

• Materias:Método de monitoreo Acoplamientos multimodales Ecuaciones simultáneas Anomalías de datos Procesamiento de robots
• Subjects:Monitoring method Multimodal couplings Simultaneous equations Data anomalies Robot processing
• Palabras claves:Existente; Métodos de detección de humo; Extracción automática de características; Fast RCNN; Algoritmo de búsqueda selectiva; Proceso de entrenamiento
• Keywords:Existing; Smoke detection methods; Automatic feature extraction; Fast RCNN; Selective search algorithm; Training process