基于深度学习的火焰图像识别研究
| 摘要 | 第3-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.2.1 火焰图像分类研究现状 | 第11-12页 |
| 1.2.2 迁移学习研究现状 | 第12-13页 |
| 1.3 论文主要内容及创新点 | 第13-14页 |
| 1.3.1 研究内容 | 第13页 |
| 1.3.2 研究的创新点 | 第13-14页 |
| 1.4 论文的组织结构 | 第14-16页 |
| 第二章 相关理论介绍 | 第16-20页 |
| 2.1 LeNet | 第16-19页 |
| 2.1.1 卷积层 | 第17-18页 |
| 2.1.2 下采样层 | 第18-19页 |
| 2.2 本章小结 | 第19-20页 |
| 第三章 基于局部特征过滤的快速火焰识别方法研究 | 第20-30页 |
| 3.1 火焰颜色空间特性 | 第20-21页 |
| 3.2 局部过滤SIFT特征提取 | 第21-22页 |
| 3.2.1 SIFT特征提取 | 第21页 |
| 3.2.2 引入火焰颜色空间特性以及特征编码 | 第21-22页 |
| 3.3 ELM模型构建 | 第22-24页 |
| 3.4 仿真实验 | 第24-28页 |
| 3.4.1 实验设置及火焰识别数据集 | 第24页 |
| 3.4.2 实验特征提取 | 第24-26页 |
| 3.4.3 实验结果与分析 | 第26-28页 |
| 3.5 本章小结 | 第28-30页 |
| 第四章 基于多通道卷积神经网络的火焰识别方法研究 | 第30-38页 |
| 4.1 实验流程图 | 第30-31页 |
| 4.2 MCCNN模型结构 | 第31-32页 |
| 4.3 GPU加速 | 第32页 |
| 4.4 仿真实验 | 第32-37页 |
| 4.4.1 对比试验说明 | 第32-33页 |
| 4.4.2 实验数据集 | 第33-34页 |
| 4.4.3 特征可视化 | 第34-35页 |
| 4.4.4 实验结果 | 第35-37页 |
| 4.5 本章小结 | 第37-38页 |
| 第五章 基于深度迁移学习的火焰烟雾识别 | 第38-48页 |
| 5.1 VGG-16网络 | 第39页 |
| 5.2 迁移学习 | 第39-40页 |
| 5.3 同构空间下基于特征的VGG-16迁移 | 第40-42页 |
| 5.3.1 模型流程图 | 第40-41页 |
| 5.3.2 基于迁移学习的火焰、烟雾识别 | 第41-42页 |
| 5.4 仿真实验 | 第42-46页 |
| 5.4.1 实验数据集 | 第42-43页 |
| 5.4.2 实验设置 | 第43-44页 |
| 5.4.3 实验结果与分析 | 第44-46页 |
| 5.5 本章小结 | 第46-48页 |
| 第六章 总结与展望 | 第48-50页 |
| 6.1 总结 | 第48-49页 |
| 6.2 展望 | 第49-50页 |
| 参考文献 | 第50-54页 |
| 致谢 | 第54-56页 |
| 攻读学位期间的科研成果 | 第56-58页 |
