Un algoritmo eficiente de detección de humo basado en un clasificador de red de creencias profundas utilizando características de energía e intensidad
Autores: Kaabi, Rabeb; Bouchouicha, Moez; Mouelhi, Aymen; Sayadi, Mounir; Moreau, Eric
Idioma: Inglés
Editor: MDPI
Año: 2020
Acceso abierto
Artículo científico
2020
Un algoritmo eficiente de detección de humo basado en un clasificador de red de creencias profundas utilizando características de energía e intensidad
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería Eléctrica y Electrónica
Palabras clave
Detección de humo
Red de creencias profundas
Red neuronal convolucional
Extracción de características
Clasificación
Reconocimiento de humo
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 40
Citaciones: Sin citaciones
La detección de humo juega un papel importante en los sistemas de advertencia de seguridad forestal y prevención de incendios. Los cambios complicados en la forma, textura y color del humo siguen siendo un desafío sustancial para identificar el humo en una imagen dada. En este documento, se diseña un nuevo algoritmo utilizando la red de creencias profundas (DBN) para la detección de humo. A diferencia de las populares redes convolucionales profundas (por ejemplo, Alex-Net, VGG-Net, Res-Net, Dense-Net, y la red neuronal convolucional de desruido (DNCNN), específicamente dedicadas a detectar humo), nuestra propuesta de red de extremo a extremo se basa principalmente en DBN. De hecho, la mayoría de los algoritmos tradicionales de detección de humo siguen el proceso de reconocimiento de patrones que consiste básicamente en la extracción de características y la clasificación.
Descripción
La detección de humo juega un papel importante en los sistemas de advertencia de seguridad forestal y prevención de incendios. Los cambios complicados en la forma, textura y color del humo siguen siendo un desafío sustancial para identificar el humo en una imagen dada. En este documento, se diseña un nuevo algoritmo utilizando la red de creencias profundas (DBN) para la detección de humo. A diferencia de las populares redes convolucionales profundas (por ejemplo, Alex-Net, VGG-Net, Res-Net, Dense-Net, y la red neuronal convolucional de desruido (DNCNN), específicamente dedicadas a detectar humo), nuestra propuesta de red de extremo a extremo se basa principalmente en DBN. De hecho, la mayoría de los algoritmos tradicionales de detección de humo siguen el proceso de reconocimiento de patrones que consiste básicamente en la extracción de características y la clasificación.