2010—2022年,古建筑火灾事故频繁发生,对珍贵历史文物的保护提出了巨大挑战。为应对这一挑战,该研究提出一种基于图像超分辨率技术的消防危险品检测模型,用于识别易燃物品和可燃物品。在实际应用中,应准确归类危险品,并精确定位危险品...2010—2022年,古建筑火灾事故频繁发生,对珍贵历史文物的保护提出了巨大挑战。为应对这一挑战,该研究提出一种基于图像超分辨率技术的消防危险品检测模型,用于识别易燃物品和可燃物品。在实际应用中,应准确归类危险品,并精确定位危险品的位置,由于普通摄像头图像的分辨率均较低,因而采用图像超分辨率生成对抗网络(super-resolution generative adversarial network,SRGAN)算法重建图像;此外,引入坐标注意力机制提高检测精度,并使用完整交并比(complete intersection over union,CIoU)损失函数加速模型训练。这一综合方法可有效检测古建筑区域内的消防危险品。使用测试数据集对该模型进行了一系列实验,结果表明:改进后的模型具有0.830的平均精度均值(mean average precision,mAP)和0.940的精确率;在服务器上,该模型的推理速度高达92 fps。该文提出模型有效且高效,为古建筑火灾防控工作提供了强大的技术支持。展开更多
文摘2010—2022年,古建筑火灾事故频繁发生,对珍贵历史文物的保护提出了巨大挑战。为应对这一挑战,该研究提出一种基于图像超分辨率技术的消防危险品检测模型,用于识别易燃物品和可燃物品。在实际应用中,应准确归类危险品,并精确定位危险品的位置,由于普通摄像头图像的分辨率均较低,因而采用图像超分辨率生成对抗网络(super-resolution generative adversarial network,SRGAN)算法重建图像;此外,引入坐标注意力机制提高检测精度,并使用完整交并比(complete intersection over union,CIoU)损失函数加速模型训练。这一综合方法可有效检测古建筑区域内的消防危险品。使用测试数据集对该模型进行了一系列实验,结果表明:改进后的模型具有0.830的平均精度均值(mean average precision,mAP)和0.940的精确率;在服务器上,该模型的推理速度高达92 fps。该文提出模型有效且高效,为古建筑火灾防控工作提供了强大的技术支持。
