基于目标跟踪与深度学习的视频火焰识别方法.pdf

1、yolov5火焰识别数据集 2、其中包含两个主文件(images、label) 3、images中包括两个文件(train、val)，其中train中共有1200张图片，val中有221张图片 4、label中包括两个文件(train、val)，其对应于images中图片的对应标注(已经进行归一化) 5、yolov5可直接使用

可直接使用，tensorflow版本2.2.0，keras版本2.3.0

火焰2000+张训练好的权重，跑了50代，可以正常识别

OPENCV 火焰识别

采用opencv的火焰识别代码，根据RGB值进行火焰的判断，修改文件中的path路径，选择识别的图片。

一、课题介绍 本设计为基于MATLAB的火焰烟雾火灾检测系统。传统的采用颜色的方法，误识别大，局限性强。结合火焰是实时动态跳跃的，采用面积增长率，角点和圆形度三个维度相结合的方式判断是否有火焰。该设计测试对象为视频，通过下一帧和上一帧的差异发现是否有火情，并可发出语音报警。本设计带有一个人机交互式GUI界面，界面友好。是个不错的bishe选题。 二、算法流程 结合火焰的面积增长率，角点和圆形度三个维度综合判断。并且得出每帧图像火焰部分的该三个参数，实时显示在GUI上。

火焰已标注数据集2000张

环境描述     操作系统：windows10     开发语言：python3.7.6     深度学习后端：tensorflow2.1.0     深度学习前端：keras（ts内嵌的keras）     显卡：GTX1050TI（安装cuda）     一、准备数据     从百度或谷歌上搜火、火焰、火灾等图片，建立两个文件夹（因为是二分类问题，有火or无火）fire和nofire。效果如下：     截图的文件夹分为conv和不带conv的文件夹，其实是火和无火的图片是经过多次添加的，因为训练数据的过程中会发现某些图片识别效果不是很好，所以得在训练样本中增加特定的图片（比如初次训练的

1、基于tensorflow作为后台框架 2、使用keras作为前端 3、使用google inceptionV3作为训练模型 4、训练结果保存为h5 5、使用opencv for python拉流摄像头识别火焰