(录用定稿)网络首发时间:2019-10-16 16:41:57

在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。

浙江大学CAD&CG国家重点实验室开放课题(A1913); 上海市自然科学基金(19ZR1415800); 上海科普教育发展基金会资助;

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;

10.14135/j.cnki.1006-3080.20190412004

O6-33;TP391.41;TP18

中国知网独家网络首发,未经许可,禁止转载、摘编。

898700K
在线咨询 用户反馈