Jun, 2023

利用无人机捕捉的烟雾模式进行野火火焰时序分析的隐蔽检测

PDF
TL;DR本文提出了一种利用 RGB 相机和语义分割等技术实时探测被树木、烟雾、云等自然障碍物掩盖的野火的方法，并将此方法应用于无人机上以实现精准灭火。
wildfiresdronessemantic segmentationconvolutional neural networkfire detection
发现论文，激发创造
  • 烟雾中用专注深度度量学习解析隐藏火焰的 FlameFinder

    FlameFinder 是一个深度度量学习（DML）框架，利用消防员无人机的热像图在野火监测过程中准确检测烟火，即使被烟雾遮挡。它通过使用配对的热 - RGB 图像进行训练来解决传统 RGB 相机在这种条件下的困难，并利用等效热域分布来分析被烟雾遮挡的火焰特征，从而提高了性能。该框架结合了火焰分割方法和 DML 辅助检测框架，通过引入注意机制和不同损失函数，改进了模型的性能和可解释性。在未被遮挡的火焰检测准确性方面，该模型超过了 FLAME2 数据集的基线 4.4％和 FLAME3 数据集的基线 7％，与 VGG19、ResNet18 和其他针对火焰检测设计的三个骨干模型相比，在被遮挡的场景中展示出更好的类别分离效果。

    Apr, 2024

  • 热图像校准和修正的非配对循环一致对抗网络

    本文介绍了一种提高当前航拍野火数据集质量的方法，旨在适应相机技术的进步，并提出了一种基于 CycleGAN 的流程以及一种新颖的融合方法，通过将配对的 RGB 图像作为属性调节器集成到两个方向的生成器中，从而提高了生成图像的准确性。

    Jan, 2024

  • 无人机网络实时野火检测的硬件加速

    本研究旨在开发一种实时图像分类和火灾分割模型，通过对 Jetson Nano P3450 的硬件加速以及 TensorRT 的影响进行综合研究，以在无人机 (UAV) 的计算和能量约束下提高火灾分类的准确性和速度。结果显示与无硬件优化模型相比，分类速度提高了 13％，同时损失和准确性在原始值的 1.225％范围内。

    Jan, 2024

  • 用于无人机野火图像的分割模型的 FPGA 智能相机实现

    通过使用低功耗的可编程门阵列（FPGA）和二值化神经网络（BNN），实现在边缘设备上的成本效益，将计算机视觉算法应用于野火检测、监测和火势评估，从而提高模型吞吐量，并获得可比较的分割性能。

    Sep, 2023

  • 利用计算机视觉进行野火烟雾检测

    研究显示使用人工智能、机器学习和计算机视觉，采取早期检测措施可以帮助检测火灾并减少灾害风险，其中，YOLOv7 是一个有效的算法来训练物体检测模型，可在初期火灾烟柱的早期探测中得到良好的效果。

    Jan, 2023

  • SegNet：一种基于分段的深度学习卷积神经网络方法用于无人机野火检测

    通过提出适用于无人机 / 无人机图像的分割神经网络（SegNet）选择方法，该研究旨在缩短特征图以显着提高实时野火检测的处理速度和准确性，从而为全球野火检测增加了实时检测能力、野火检测准确性以及早期野火检测的能力。

    Feb, 2024

  • 利用时间远程感知数据上的自监督学习进行快速野火热点检测

    通过利用卫星网络和先进的人工智能模型来自动检测火点（即活跃火灾引起的热异常），以实时构建野火监测系统，本研究提出了一个包含欧洲火灾相关的遥感数据时间序列和基于自我监督学习的模型，能够分析多时相数据并在潜在实时中识别火点。使用我们的数据集和包含几次火灾事件的 Thraws 数据集，训练和评估了我们模型的性能，得到了 63.58 的 F1 分数。

    May, 2024

  • 利用卫星图像进行深度多模式学习的快速森林砍伐和烧毁区域检测

    利用深度卷积神经网络和多模卫星图像对亚马逊森林的砍伐估测和火灾检测问题进行了研究，并提出了一种新的数据集和处理技术。

    Jul, 2023

  • 深度学习架构分析及其在森林火灾检测中的有效性评估

    本文旨在综述计算机视觉技术在防治森林火灾方面的应用现状，尤其是为缺乏领域专业知识的机器学习从业者提供更易获取的专业数据集和方法，以支持相关研究工作的开展。

    Dec, 2022

  • 基于图像处理的森林火灾检测

    使用图像处理技术提出了一种新颖的森林火灾检测方法，该方法使用基于规则的颜色模型进行火焰像素分类，其中使用了 RGB 和 YCbCr 颜色空间，并采用标准方法测试算法性能，结果表明该方法具有更高的检测率和较低的误报率，可用于实时森林火灾检测。

    Jun, 2024