Detectar incendios es de gran importancia para garantizar la seguridad de edificios y bosques. Sin embargo, es difícil detectar de manera rápida y precisa las etapas de un incendio en un entorno complejo debido a las grandes variaciones de las características del fuego en cuanto a color, textura y formas para imágenes de llama y humo. En este documento, se propone una red de creencias profundas (DBN) basada en características estadísticas de imágenes para la detección de incendios. En primer lugar, para cada imagen individual, se calculan todas las características estadísticas de la imagen extraídas de una imagen de llama y humo en el dominio del tiempo, dominio de la frecuencia y dominio tiempo-frecuencia para construir muestras de entrenamiento y prueba. Luego, las muestras construidas se introducen en la DBN para clasificar las múltiples etapas de un incendio en un entorno complejo. La DBN puede aprender automáticamente características de falla capa por capa utilizando máquinas de Boltzmann restringidas (RBM). Los experimentos utilizando los datos de referencia de tres grupos de
Esta es una versión de prueba de citación de documentos de la Biblioteca Virtual Pro. Puede contener errores. Lo invitamos a consultar los manuales de citación de las respectivas fuentes.
Artículos:
Tendencias de investigación y rendimiento de la red de comunicación IIoT - Capas arquitectónicas de la Industria Petroquímica 4.0 para hacer frente a la Economía Circular.
Artículos:
Predicción de la locomoción para prótesis de miembros inferiores en entornos complejos a través de sEMG y sensores inerciales.
Artículos:
La evolución de la naturaleza de las redes de contacto humano y su impacto en los procesos epidémicos
Artículos:
Canalización de código-división cognitiva con control de admisión
Artículos:
Modelo de ajedrez de guerra por turnos y su algoritmo de búsqueda por turno.
Artículos:
La curva S como herramienta para la planeación y control de procesos de construcción: casos de estudio
Artículos:
Investigación sobre control de costos de proyectos de construcción con base en la teoría de construcción sin pérdidas y BIM : caso práctico
Artículos:
Agua subterránea : el recurso oculto
Artículos:
Modelo de aceptación de las tecnologías basadas en la inteligencia artificial (IA) en las empresas de construcción: Aplicación del Modelo de Aceptación de la Tecnología (TAM) en combinación con el Marco Tecnología-Organización-Entorno (TOE)