Bildfeuererkennungsalgorithmen basierend auf konvolutionalen neuronalen Netzwerken

Als eine neue Feuererkennungstechnologie hat die Bildfeuererkennung kürzlich eine entscheidende Rolle bei der Reduzierung von Feuerschäden gespielt, indem sie Benutzer frühzeitig durch frühe Feuererkennung alarmiert. Die Bildfeuererkennung basiert auf einer algorithmischen Analyse von Bildern. Allerdings gibt es bei den gängigen Erkennungsalgorithmen eine geringere Genauigkeit, verzögerte Erkennung und einen hohen Rechenaufwand, einschließlich der manuellen und maschinellen automatischen Extraktion von Bildmerkmalen. Daher werden in diesem Papier neuartige Bildfeurerkennungsalgorithmen basierend auf den fortschrittlichen Objekt-erkennungs-CNN-Modellen von Faster-RCNN, R–FCN, SSD und YOLO v3 vorgeschlagen. Ein Vergleich der vorgeschlagenen und aktuellen Algorithmen zeigt, dass die Genauigkeit der Feuererkennungsalgorithmen, die auf den Objekt-erkennungs-CNNs basieren, höher ist als bei anderen Algorithmen. Besonders die mittlere Präzision des auf YOLO v3 basierenden Algorithmus erreicht 83,7 %, was höher ist als bei den anderen vorgeschlagenen Algorithmen. Darüber hinaus weist YOLO v3 auch eine stärkere Robustheit der Erkennungsleistung auf, und die Erkennungsgeschwindigkeit erreicht 28 FPS, wodurch die Anforderungen an die Echtzeiterkennung erfüllt werden.