基于小样本深度学习的通风柜橱窗状态识别方法

TP391; 当实验人员离开化学实验室时,未及时关闭通风柜橱窗会造成严重的安全隐患以及能源浪费,且目前缺乏有效的信息化管理手段.本文利用计算机视觉技术非接触性、可扩展性强的优势,提出了基于小样本深度学习的通风柜橱窗状态识别方法.首先对监控视频进行预处理,基于运动特征和几何先验提取出通风柜橱窗区域;然后对改进的多尺度空洞原型网络进行训练,准确识别出通风柜橱窗的状态.在实际应用中,结合改进的人员检测算法有效减少了识别次数.经实验验证,该方法的准确率较卷积神经网络提升了10.95％,并且对光照变化的鲁棒程度较高,可有效满足化学实验室的日常安全管理要求....

Full description

Saved in:
Bibliographic Details
Published in华东理工大学学报（自然科学版） Vol. 46; no. 3; pp. 428 - 435
Main Authors 马振伟, 何高奇, 袁玉波
Format Journal Article
LanguageChinese
Published 华东师范大学计算机科学与软件工程学院,上海200062 30.06.2020
华东理工大学信息科学与工程学院,上海200237%华东理工大学信息科学与工程学院,上海200237
Subjects
区域提取
特征提取
小样本学习
空洞原型网络
橱窗安全管理
Online AccessGet full text
ISSN1006-3080
DOI10.14135/j.cnki.1006-3080.20190412004

Cover

More Information
Summary:TP391; 当实验人员离开化学实验室时,未及时关闭通风柜橱窗会造成严重的安全隐患以及能源浪费,且目前缺乏有效的信息化管理手段.本文利用计算机视觉技术非接触性、可扩展性强的优势,提出了基于小样本深度学习的通风柜橱窗状态识别方法.首先对监控视频进行预处理,基于运动特征和几何先验提取出通风柜橱窗区域;然后对改进的多尺度空洞原型网络进行训练,准确识别出通风柜橱窗的状态.在实际应用中,结合改进的人员检测算法有效减少了识别次数.经实验验证,该方法的准确率较卷积神经网络提升了10.95％,并且对光照变化的鲁棒程度较高,可有效满足化学实验室的日常安全管理要求.
ISSN:1006-3080
DOI:10.14135/j.cnki.1006-3080.20190412004