摘 要：針對(duì)火焰檢測(cè)參數(shù)量和計(jì)算量較大及準(zhǔn)確度較低的問(wèn)題，提出一種基于Fire-MCANet（Fire-MaxConvolution Activate Networks）的火焰檢測(cè)模型。該模型首先構(gòu)建一種MCA（Max Convolution Activate）模塊，使用大卷積核獲取感受野，提高特征提取的能力;其次構(gòu)建主干網(wǎng)絡(luò)MCANet Block，在提升感受野的同時(shí)，降低模型的參數(shù)量和計(jì)算量;最后引入CA（Coordinate Attention）注意力機(jī)制獲取火焰的位置信息。實(shí)驗(yàn)結(jié)果表明，基于Fire-MCANet的火焰模型的檢測(cè)準(zhǔn)確率達(dá)到95.75%，計(jì)算量?jī)H有2.13 GMac;其網(wǎng)絡(luò)模型的結(jié)構(gòu)比ConvNeXt網(wǎng)絡(luò)更加輕量化，檢測(cè)效果也更好。

關(guān)鍵詞：火焰檢測(cè);深度學(xué)習(xí);CA注意力機(jī)制;特征提取

中圖分類號(hào)：TP391 文獻(xiàn)標(biāo)志碼：A

0 引言（Introduction）

火災(zāi)是一種常見的災(zāi)害，可能會(huì)造成巨大的財(cái)產(chǎn)損失和人員傷亡。在許多場(chǎng)景中，如化工廠、倉(cāng)庫(kù)和公共建筑等，火焰檢測(cè)的重要性不言而喻?；鹧鏅z測(cè)技術(shù)旨在幫助人們及早發(fā)現(xiàn)火災(zāi)，以便及時(shí)采取措施進(jìn)行滅火和人員疏散，最大限度地降低火災(zāi)造成的人員傷亡和財(cái)產(chǎn)損失，保護(hù)人們的生命財(cái)產(chǎn)安全。目前，火焰檢測(cè)的主流方法有兩種，即基于傳統(tǒng)機(jī)器學(xué)習(xí)的方法和基于深度學(xué)習(xí)的方法?；趥鹘y(tǒng)機(jī)器學(xué)習(xí)的方法如支持向量機(jī)（SVM）[1]、決策樹[2]等，通過(guò)提取手動(dòng)設(shè)計(jì)的特征檢測(cè)火焰。基于深度學(xué)習(xí)的方法有卷積神經(jīng)網(wǎng)絡(luò)（CNN）[3]、YOLO系列[4]等深度學(xué)習(xí)模型。卷積神經(jīng)網(wǎng)絡(luò)通過(guò)端到端的學(xué)習(xí)從圖像或視頻數(shù)據(jù)中學(xué)習(xí)火焰的特征表示，但其性能和計(jì)算復(fù)雜度較高。通常，火災(zāi)事故發(fā)生初期的火焰檢測(cè)目標(biāo)尺寸較小，使得模型很難準(zhǔn)確地提取到火焰的特征，并且當(dāng)前模型對(duì)火焰檢測(cè)的準(zhǔn)確率較低。

1 相關(guān)研究（Related research）

火焰是一種非剛性的物體，其形狀和尺寸會(huì)隨著燃燒條件的改變而不斷變化，給火焰檢測(cè)的研究帶來(lái)了困難。馬慶祿等[5]提出了一種基于紅外熱成像的公路隧道火災(zāi)初期火焰檢測(cè)方法，利用溫度閾值獲取疑似火焰區(qū)域;HOSSEINI[6]等提出一種高效卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)UFS-Net，用于檢測(cè)視頻幀中的火焰和煙霧，采用基于深度學(xué)習(xí)的火焰檢測(cè)方法提取火焰特征，提升了發(fā)現(xiàn)剛出現(xiàn)火焰的速度，在保證速度的前提下，也擁有很好的識(shí)別能力。但是，上述改進(jìn)模型不能很好地解決火焰在不同場(chǎng)景下的漏檢、誤檢問(wèn)題。本文針對(duì)這些問(wèn)題提出一種基于Fire-MCANet的火焰檢測(cè)模型，該模型能夠提高火焰檢測(cè)精度并降低模型計(jì)算的復(fù)雜度。

2Fire-MCANet火焰檢測(cè)模型（Fire-MCANetflame detection model）

2.1ConvNeXt網(wǎng)絡(luò)

ConvNeXt[7]是一種基于卷積神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)框架，常被用于圖像分類和目標(biāo)檢測(cè)任務(wù)的網(wǎng)絡(luò)結(jié)構(gòu)，與其他經(jīng)典的CNN（Convolutional Neural Networks）結(jié)構(gòu)相比，具有更高的準(zhǔn)確性和更少的參數(shù)量。ConvNeXt的網(wǎng)絡(luò)結(jié)構(gòu)主要由以下幾個(gè)部分組成：Input（輸入層）、Convolution（卷積層）、LayerNorm（歸一化層）、ConvNeXt Block （卷積連接塊）、Downsample（下采樣層）、Globle Avg Pooling（全局平均池化層）和Linear（線性層）。輸入層接收?qǐng)D像，并將其轉(zhuǎn)化為特征圖。歸一化層對(duì)網(wǎng)絡(luò)的每個(gè)神經(jīng)元輸出進(jìn)行歸一化，使得網(wǎng)絡(luò)中的每一層的輸出都具有相似的分布。卷積連接塊是ConvNeXt網(wǎng)絡(luò)的基本模塊。下采樣層對(duì)特征圖進(jìn)行縮放。全局平均池化層用于對(duì)特征圖進(jìn)行降維，將其轉(zhuǎn)換為一維向量，以便進(jìn)行檢測(cè)任務(wù)。線性層對(duì)特征向量進(jìn)行處理，輸出最終的檢測(cè)結(jié)果。ConvNeXt的網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

卷積連接塊由Depthwise Convolution（分組卷積）、歸一化層、Gaussian Error Linear Units（GELU 激活函數(shù)）、卷積層、Layer Scale（縮放層）、Drop path（正則化）和Concat（拼接）組成。卷積連接塊首先將輸入的特征圖進(jìn)行分組，其次對(duì)每個(gè)分組內(nèi)的特征圖進(jìn)行卷積操作，提取不同組之間的特征關(guān)系。分組卷積之后，對(duì)每個(gè)分組內(nèi)的特征圖進(jìn)行卷積核大小為1×1的卷積操作。先使用卷積核大小為1×1的卷積進(jìn)行通道數(shù)的升維，再使用卷積核大小為1×1的卷積對(duì)特征圖進(jìn)行降維操作，在保證特征提取能力的同時(shí)，降低了計(jì)算復(fù)雜度。將得到的特征圖與輸入特征圖進(jìn)行殘差連接[8]，得到最終的輸出特征圖。ConvNeXt Block模塊如圖2所示，圖2中的k 代表卷積核大小;s 代表卷積核在圖像窗口上每次平移的間隔，即步長(zhǎng)。

歸一化層和卷積層是下采樣層的關(guān)鍵組件。歸一化層用于下采樣的初步處理，具有抗噪性和位置不變性的特點(diǎn)，能夠?qū)斎胩卣鬟M(jìn)行平移、旋轉(zhuǎn)和縮放等變換，并保持不變性。卷積層是下采樣的另一個(gè)關(guān)鍵組成部分，它通過(guò)卷積操作進(jìn)一步處理特征圖。卷積層可以通過(guò)不同的卷積核提取多個(gè)不同方向和尺度的特征，從而捕捉更豐富的語(yǔ)義信息。下采樣在深度學(xué)習(xí)中起著重要的作用，通過(guò)縮小輸入特征圖的尺寸，實(shí)現(xiàn)對(duì)特征的降維和提取更高層次的抽象特征。下采樣層的主要目的是減少參數(shù)量和計(jì)算量，以及增強(qiáng)模型對(duì)整體結(jié)構(gòu)的感知能力。下采樣層的結(jié)構(gòu)如圖3所示。

2.2 MCA模塊

在火災(zāi)檢測(cè)中，為了獲取較好的特征提取能力，本文提出了一種MCA模塊。該模塊通過(guò)組合不同卷積的卷積核和激活函數(shù)，進(jìn)行特征提取和非線性變換，以實(shí)現(xiàn)強(qiáng)大的模型表達(dá)能力和性能。GELU激活函數(shù)是一種高性能的神經(jīng)網(wǎng)絡(luò)激活函數(shù)，它的非線性變化是一種符合預(yù)期的隨機(jī)正則變換方式，具有比傳統(tǒng)的ReLU（Rectified Linear Unit）[9]等函數(shù)更平滑和連續(xù)的性質(zhì)，它可以引入更強(qiáng)的非線性能力，幫助模型更好地捕捉數(shù)據(jù)中的復(fù)雜模式和關(guān)系。通過(guò)在卷積核大小為1×1的卷積層后應(yīng)用GELU激活函數(shù)，可以引入更多的非線性變換，增強(qiáng)模型的表達(dá)能力。使用具有較大的感受野的11×11的大卷積核[10]，能夠捕捉更大范圍的上下文信息，從而獲取更豐富的火焰特征。左側(cè)最下面的卷積核大小為1×1的卷積層被用于維度變換，即通過(guò)調(diào)整通道的數(shù)量改變特征的維度，幫助模型在特征空間中進(jìn)行更好的整合和組合。在左側(cè)最后一次卷積得到的結(jié)果與通過(guò)右側(cè)卷積核大小為1×1的卷積層的結(jié)果相乘（Product）的步驟中，可以進(jìn)一步整合特征信息，提供更豐富的特征表達(dá)。

MCA模塊使用大卷積核、GELU激活函數(shù)和卷積核大小為1×1的卷積層的組合，旨在提高模型的表達(dá)能力、捕捉更大范圍的上下文信息、引入更強(qiáng)的非線性能力，以及整合和調(diào)整特征維度。MCA模塊如圖4所示。

2.3 MCANet Block模塊

本文參考ConvNeXt設(shè)計(jì)了主干網(wǎng)絡(luò)MCANet Block結(jié)構(gòu)。為了使模型獲取更大的感受野，能夠更好地進(jìn)行特征提取，本文使用MCA模塊代替ConvNeXt Block中用于升維的1×1卷積。MCANet Block的網(wǎng)絡(luò)結(jié)構(gòu)由分組卷積、歸一化層、MCA模塊、卷積層、GELU激活函數(shù)、縮放層和正則化層拼接而成。MCANet Block的分組卷積在不改變特征圖大小的情況下，對(duì)輸入特征進(jìn)行空間信息的提取和壓縮。MCA模塊可以提取更豐富的空間和通道特征信息，從而提高模型的表現(xiàn)能力，卷積層可以降低模型的參數(shù)量和計(jì)算量，從而提高模型的計(jì)算和內(nèi)存效率。MCA模塊的使用提高了模型的魯棒性和泛化能力。該模塊進(jìn)一步增強(qiáng)了網(wǎng)絡(luò)的表達(dá)能力和泛化能力，同時(shí)能防止網(wǎng)絡(luò)模型過(guò)擬合，提升模型的性能。MCANetBlock模塊如圖5所示。

2.4 加入CA（Coordinate Attention）注意力機(jī)制

在火焰檢測(cè)中，可應(yīng)用注意力機(jī)制提高火焰檢測(cè)模型對(duì)火焰區(qū)域的感知能力和關(guān)注能力，增強(qiáng)火焰區(qū)域的特征表示和檢測(cè)準(zhǔn)確性。Coordinate Attention[11]是一種基于坐標(biāo)的注意力機(jī)制，用于在卷積神經(jīng)網(wǎng)絡(luò)中引入對(duì)位置信息的關(guān)注，它通過(guò)學(xué)習(xí)和應(yīng)用輸入數(shù)據(jù)的空間坐標(biāo)信息，提供了一種有效的方式用于捕捉位置相關(guān)的特征和模式。傳統(tǒng)的注意力機(jī)制主要關(guān)注通道之間的特征，而Coordinate Attention注意力機(jī)制則專注于特征圖中的空間位置，它通過(guò)將坐標(biāo)信息與特征進(jìn)行融合，使網(wǎng)絡(luò)能夠更好地理解和利用不同位置的特征差異。CA注意力機(jī)制包括Residual（殘差邊）、Global Avg Pooling（全局平均池化）、Convolution（卷積層）、Concat、BatchNorm（歸一化層）、Non-linear（非線性層）、Sigmoid激活函數(shù)和Re-weight（重新加權(quán)）。

Coordinate Attention的引入可以提升模型的性能，增強(qiáng)模型對(duì)位置信息的感知能力。Coordinate Attention注意力機(jī)制模塊如圖6所示。

火焰是一種非剛性物體且擴(kuò)散速度極快，因此對(duì)其檢測(cè)的精度和速度的要求較高。ConvNeXt是一種基于卷積神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)框架，在檢測(cè)目標(biāo)較大且清晰時(shí)，檢測(cè)效果較好，但是在一些特殊環(huán)境下，例如圖片模糊、光照不足和目標(biāo)重疊情況下，檢測(cè)目標(biāo)容易丟失而造成誤檢。在火焰檢測(cè)中，不僅需要檢測(cè)算法處理低清晰度圖片，及時(shí)且快速地檢測(cè)小目標(biāo)圖像，還要在訓(xùn)練時(shí)避免模型的訓(xùn)練時(shí)間過(guò)長(zhǎng)及解決過(guò)擬合問(wèn)題。

首先構(gòu)建MCA模塊替換ConvNeXt Block中卷積核大小為1×1的卷積塊，其次采用主干網(wǎng)絡(luò)MCANet Block和融入Coordinate Attention注意力機(jī)制，構(gòu)成基于Fire-MCANet的火焰檢測(cè)模型。Fire-MCANet是一種基于卷積神經(jīng)網(wǎng)絡(luò)的火焰檢測(cè)模型。Fire-MCANet網(wǎng)絡(luò)的整體架構(gòu)遵循ConvNeXt的結(jié)構(gòu)。該模型應(yīng)用于火焰檢測(cè)，不僅增強(qiáng)了火焰的特征提取能力，而且提高了目標(biāo)檢測(cè)的準(zhǔn)確性和魯棒性。Fire-MCANet網(wǎng)絡(luò)結(jié)構(gòu)如圖7所示。

3 實(shí)驗(yàn)結(jié)果及分析（Experimental results and analysis）

3.1 實(shí)驗(yàn)環(huán)境

實(shí)驗(yàn)環(huán)境如表1所示。

本文使用的實(shí)驗(yàn)數(shù)據(jù)集由訓(xùn)練集和測(cè)試集兩個(gè)部分組成。

數(shù)據(jù)集來(lái)源于網(wǎng)絡(luò)上收集的不同類型、不同場(chǎng)景下的圖片和PASCAL VOC數(shù)據(jù)集。將收集的火焰圖片和非火焰圖片按照7∶3的比例，分別創(chuàng)建訓(xùn)練集和驗(yàn)證集。圖8為實(shí)驗(yàn)使用的數(shù)據(jù)樣例，其中圖8（a）至圖8（c）為訓(xùn)練時(shí)使用的火焰圖片;圖8（d）至圖8（f）為訓(xùn)練時(shí)使用的非火焰圖片。

3.2 模型評(píng)價(jià)

本文將準(zhǔn)確率（Accuracy，Acc）、精確率（Precision，Pre）、召回率（Recall，Rec）、參數(shù)量（Params）和計(jì)算量（Flops）作為模型性能的評(píng)價(jià)指標(biāo)。

準(zhǔn)確率是預(yù)測(cè)正火的樣本數(shù)占正火焰圖樣本的比例，準(zhǔn)確率越高，代表網(wǎng)絡(luò)模型分類越好，計(jì)算方法如公式（1）：

精確率是預(yù)測(cè)正樣本數(shù)占所有預(yù)測(cè)正火的比例，計(jì)算方法如公式（2）：

召回率是所有預(yù)測(cè)正值中火焰正確預(yù)測(cè)的占比，計(jì)算方法如公式（3）：

其中：TP（True Positive）表示真陽(yáng)性，TF（False Positive）表示假陽(yáng)性。

模型的參數(shù)量和計(jì)算量是衡量一個(gè)網(wǎng)絡(luò)復(fù)雜度的重要指標(biāo)。在保持檢測(cè)精度較高的前提下，模型參數(shù)量越小，對(duì)設(shè)備的要求也就越低;模型計(jì)算量越少，網(wǎng)絡(luò)復(fù)雜度也越低。但在實(shí)驗(yàn)中，不同的計(jì)算代碼結(jié)構(gòu)可能會(huì)導(dǎo)致參數(shù)量和計(jì)算量的計(jì)算結(jié)果存在誤差。因此，在對(duì)比實(shí)驗(yàn)中需要使用相同的計(jì)算代碼結(jié)構(gòu)計(jì)算參數(shù)量和計(jì)算量，確保結(jié)果的準(zhǔn)確性。

3.3 實(shí)驗(yàn)對(duì)比

使用3組實(shí)驗(yàn)，分析了本文提出的改進(jìn)方法對(duì)模型性能的影響，每組實(shí)驗(yàn)訓(xùn)練的參數(shù)一致。通過(guò)消融實(shí)驗(yàn)，能夠驗(yàn)證和對(duì)比改進(jìn)模型后的性能，消融實(shí)驗(yàn)結(jié)果如表2所示。ConvNeXt_1表示將ConvNeXt Block中用于升維的卷積層替換成MCA模塊;ConvNeXt_2表示引入了Coordinate Attention注意力機(jī)制;ConvNeXt_3 表示使用MCA 模塊和引入CoordinateAttention注意力構(gòu)建的MCANet結(jié)構(gòu)。

實(shí)驗(yàn)以ConvNeXt作為對(duì)照組，ConvNeXt_1 在將原ConvNeXt Block網(wǎng)絡(luò)中用于升維的卷積層替換為MCA模塊后，精確率提升了2.35百分點(diǎn);ConvNeXt_2通過(guò)引入CoordinateAttention注意力機(jī)制，使模型更加關(guān)注火焰的特征，模型的準(zhǔn)確率提升了3.91百分點(diǎn)，同時(shí)Flops也降低了0.79 GMac;ConvNeXt_3使用了MCA模塊創(chuàng)建的MCANet結(jié)構(gòu)，并引入Coordinate Attention注意力機(jī)制，不僅降低了模型的參數(shù)量和計(jì)算量，而且模型的特征提取能力也得到提升;在降低模型計(jì)算量的基礎(chǔ)上，使模型更加關(guān)注火焰的特征提取，準(zhǔn)確率也提升了3.39百分點(diǎn)。

為了進(jìn)一步驗(yàn)證本文提出的基于Fire-MCANet的火焰檢測(cè)模型的檢測(cè)性能，將模型與DenseNet[12]、Swin Transformer[13]、Faster R-CNN[14]、ConvNeXt等主流目標(biāo)檢測(cè)模型進(jìn)行對(duì)比實(shí)驗(yàn)。采用指標(biāo)Accuracy、Precision和Recall對(duì)每個(gè)模型進(jìn)行評(píng)估，基于Fire-MCANet的火焰檢測(cè)模型的計(jì)算量和參數(shù)量有了大幅度的下降，同時(shí)準(zhǔn)確率相比其他網(wǎng)絡(luò)模型有很大程度的提高，各模型的實(shí)驗(yàn)結(jié)果對(duì)比如表3所示。

實(shí)驗(yàn)表明，本文提出的基于Fire-MCANet的火焰檢測(cè)模型，不僅可以大幅度降低模型的參數(shù)量和計(jì)算量，而且能夠提升檢測(cè)的準(zhǔn)確率和精確率。DenseNet模型的檢測(cè)精確率相對(duì)較低。Swin Transformer模型的檢測(cè)準(zhǔn)確率相對(duì)較高，但是檢測(cè)精確率和召回率不能滿足應(yīng)用要求。Faster R-CNN 和ConvNeXt模型在火焰檢測(cè)中性能表現(xiàn)相對(duì)較好，但是各方面的指標(biāo)都有提升空間。Fire-MCANet模型的參數(shù)量和計(jì)算量都大幅度降低，同時(shí)檢測(cè)準(zhǔn)確率高達(dá)95.75%。

4 結(jié)論（Conclusion）

本文通過(guò)深度學(xué)習(xí)的方法，實(shí)現(xiàn)在提高準(zhǔn)確率的同時(shí)，降低模型的參數(shù)量和計(jì)算量，提高模型的整體性能。對(duì)模型的改進(jìn)主要是通過(guò)MCA模塊中大卷積核獲取更大的感受野;通過(guò)MCANet Block整體提升模型感受野，同時(shí)有效地降低了模型的參數(shù)量;使用CA注意力機(jī)制讓模型關(guān)注到不同位置的信息，從而更好地捕捉到空間位置之間的關(guān)系和通道位置信息。未來(lái)，需要進(jìn)一步優(yōu)化模型，提高模型對(duì)小目標(biāo)的檢測(cè)性能，并進(jìn)一步提高模型在復(fù)雜場(chǎng)景下的檢測(cè)速度和精度。

參考文獻(xiàn)（References）

[1] 劉濱，劉春，邵必飛，等. 基于增強(qiáng)支持向量機(jī)的電力隧道多狀態(tài)全過(guò)程監(jiān)控方法[J]. 計(jì)算技術(shù)與自動(dòng)化，2023，42 （4）：41-46.

[2] 劉偉，謝林柏，彭力. 一種改進(jìn)的增量型隨機(jī)權(quán)神經(jīng)網(wǎng)絡(luò)及應(yīng)用[J]. 計(jì)算機(jī)與數(shù)字工程，2023，51（7）：1681-1686.

[3] 馬曉樂(lè)，王志海，胡紹海. 基于多形態(tài)學(xué)成分分析的圖像融合[J]. 同濟(jì)大學(xué)學(xué)報(bào)（自然科學(xué)版），2024，52（1）：10-17.

[4] 梁金幸，趙鑒福，周亞同，等. 基于改進(jìn)YOLOv5s網(wǎng)絡(luò)模型的火災(zāi)圖像識(shí)別方法 [J]. 傳感器與微系統(tǒng)，2024，43（1）：157-161.

[5] 馬慶祿，馬戀，孔國(guó)英，等. 基于紅外熱成像的隧道火焰檢測(cè)技術(shù)研究[J]. 火災(zāi)科學(xué)，2022，31（4）：244-251.

[6] HOSSEINI A，HASHEMZADEH M，F(xiàn)ARAJZADEH N.UFS-Net：a unified flame and smoke detection method forearly detection of fire in video surveillance applications usingCNNs[J]. Journal of computational science，2022，61：101638.

[7] LIU Z，MAO H Z，WU C Y，et al. A ConvNet for the2020s[C]∥IEEE. Proceedings of the IEEE：2022 IEEE/CVF Conference on Computer Vision and Pattern Recognition.Piscataway：IEEE，2022：11966-11976.

[8] 凡遵林，王浩，管乃洋，等. 單幀紅外圖像弱小目標(biāo)檢測(cè)研究綜述[J]. 紅外技術(shù)，2023，45（11）：1133-1140.

[9] LI Y Z，YUAN Y. Convergence analysis of two-layer neuralnetworks with ReLU activation[C]∥Proceedings of the31st International Conference on Neural Information ProcessingSystems. New York：ACM，2017：597-607.

[10] KRIZHEVSKY A，SUTSKEVER I，HINTON G E. ImageNetclassification with deep convolutional neural networks[J]. Communications of the ACM，2017，60（6）：84-90.

[11] ZHANG Z L，JIN Q Y，WANG L N，et al. Video-basedfire smoke detection using temporal-spatial saliency features[J]. Procedia computer science，2022，198（C）：493-498.

[12] HUANG G，LIU Z，VAN DER MAATEN L，et al. Denselyconnected convolutional networks[C]∥IEEE. Proceedings ofthe IEEE：2017 IEEE Conference on Computer Vision andPattern Recognition. Piscataway：IEEE，2017：2261-2269.

[13] LIU Z，LIN Y T，CAO Y，et al. Swin Transformer：hierarchicalVision Transformer using Shifted Windows[C]∥IEEE. Proceedings of the IEEE：2021 IEEE/CVF InternationalConference on Computer Vision. Piscataway：IEEE，2021：9992-10002.

[14] REN S Q，HE K M，GIRSHICK R，et al. Faster R-CNN：towards real-time object detection with region proposalnetworks[J]. IEEE Transactions on pattern analysis andmachine intelligence，2017，39（6）：1137-1149.

作者簡(jiǎn)介：

祝巧巧（1998-），女，碩士生。研究領(lǐng)域：數(shù)字圖像處理，目標(biāo)檢測(cè)。

嚴(yán)云洋（1967-），男，博士，教授。研究領(lǐng)域：數(shù)字圖像處理，模式識(shí)別。本文通信作者。

冷志超（1998-），男，碩士生。研究領(lǐng)域：數(shù)字圖像處理，目標(biāo)檢測(cè)。

董 可（1999-），男，碩士生。研究領(lǐng)域：數(shù)字圖像處理，目標(biāo)檢測(cè)。

葉 翔（1998-），男，碩士生。研究領(lǐng)域：數(shù)字圖像處理，目標(biāo)檢測(cè)。

王盤龍（2000-），男，碩士生。研究領(lǐng)域：數(shù)字圖像處理，目標(biāo)檢測(cè)。