Aug, 2024

基于大规模教师模型训练的无人机实时火灾检测与分割

HTML
PDF
TL;DR本研究解决了无人机在偏远地区火灾烟雾检测中受限于计算能力的问题。通过利用零-shot基础模型监督，仅需边界框标签训练小型专业分割模型，实现实时火灾烟雾检测的有效性。研究表明，该方法在多样化火灾数据集上实现了63.3%的mIoU，显示出在实际森林火灾事件中的可靠性。
发现论文，激发创造
  • 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

  • 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

    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。

    Jun, 2023

  • 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

  • 前、主动、和后火灾管理中人工智能驱动的无人机系统的综合调查

    利用人工智能(Artificial Intelligence)和无人机(Unmanned Aerial Vehicles)技术，系统地综述了野火管理领域的最新技术，并重点讨论了无人机在火前、火中和火后阶段对野火的监测、管理和预测的作用。

    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

  • 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

  • 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

  • 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

  • 火灾动态视觉：多尺度火焰和烟羽行为的图像分割与跟踪

    本研究针对日益严重的野火问题，提出了一种有效隔离和跟踪火焰及烟羽行为的方法，旨在填补火灾传播模型的漏洞。该方法结合了图像分割和图论，能够在不同空间和时间尺度及图像类型中准确识别火焰和烟羽。研究结果显示，该方法成功地在不同图像源中实现了火焰和烟羽动态的隔离和跟踪，为模型的开发和验证提供了有价值的见解。

    Aug, 2024

  • 优化森林野火监测：利用FLAME航拍视频数据集的AI增强无人机实现轻量高效监控

    本研究关注于无人机在灾害应急响应中的数据实时处理问题，提出了一种轻量且高效的航拍视频理解方法，解决了现有深度学习模型对计算资源限制的忽视。通过政策网络识别视频中的冗余部分并利用帧压缩技术去除多余信息，我们的方法在计算成本减少超过13倍的同时，准确度提升3%。

    Aug, 2024