基于光流视频处理的早期火灾检测
基于先进图像处理技术的火灾检测系统设计
基于先进图像处理技术的火灾检测系统设计近年来，火灾成为了一个日益严峻的社会问题。
它带来的损失和影响不可避免且难以补偿。
为了保障人民安全，需要建立一个有效的火灾检测系统，及时发现火灾并进行应急处理。
本文将基于先进的图像处理技术，来探讨如何设计一款高效的火灾检测系统。
一、火灾检测系统基本原理火灾检测系统主要基于视觉技术来实现。
它包括了两个基本部分：图像采集和图像处理。
图像采集包括了安装摄像机，实时采集周围环境图像的内容并传输到计算机上。
图像处理是对图像进行分类、特征提取、目标识别和检测等操作，来确定是否存在火灾场景，而且要尽可能地减少误报。
二、图像分类技术在卷积神经网络时代，图像分类不仅简单，而且准确度高。
CNN模型通常包含若干个卷积层和池化层组成，采用的是反向传播算法来进行学习。
为了提高准确度，我们还需要针对火灾特征而进行特殊优化，比如控制误分类率和假阳性概率。
三、火灾特征提取技术火灾与其他正常场景有很大的不同。
火灾的特征包括了颜色、形状、发光亮度等。
通过对图像进行特征提取和分析，我们可以准确地检测出火灾。
我们可以采用人工神经网络方法，将多种特征融合在一起，同时针对每个特征进行优化，以达到更好的效果。
四、火灾目标检测技术目标检测技术可以将特征提取和分类相结合，实现图像中火灾目标区域的精准检测。
在这里，我们推荐YOLO模型，它可以高效地进行整张图像的检测，减少时间和空间浪费。
它将图像分类和方框回归两个任务分别进行学习，同时优化两个损失函数。
相较于传统目标检测技术，YOLO模型具有着极高的检测效率和精度，尤其在实时视频监测领域中效果较好。
五、火灾检测算法的实现在实现算法时，我们需要注意算法的可调节性和稳定性。
应该让算法可以适应多种不同的环境和场景，并且能够动态调整参数和算法精度。
同时，需要将所有算法进行综合，在降低误报率的前提下，实现检测效率的最大化。
六、火灾检测技术在实际应用中的优点基于先进的图像处理技术，我们实现了一款高效的火灾检测系统。
基于深度学习的火灾视频监控智能识别系统
基于深度学习的火灾视频监控智能识别系统随着城市化程度的提升和人民生活水平的不断提高，城市中建筑的数量和高度不断增加，这也进一步提高了火灾发生的概率。
一旦火灾发生，及时的监控和干预将成为救援的关键。
传统的火灾监控系统需要人工巡查和观察，监测效率低下且容易出现漏报、误报等情况，但是基于深度学习的火灾视频监控智能识别系统，具备高效、准确、实时的特点，正在逐步普及应用。
一、研究背景随着科技的不断发展和应用，计算机视觉和深度学习技术成为了火灾监控领域的重要研究方向。
这种技术通过对火灾视频监控数据的处理与分析，来识别火灾发生的信号，从而能够实时、准确地发现火灾情况并及时采取救援措施，大大提高了火灾监控系统的监管效率和灾难响应速度。
二、研究内容本文的研究重点是设计基于深度学习的火灾视频监控智能识别系统，以提高火灾监控系统的监测效率，并将其应用于实际场景。
本研究包括以下内容：1.火灾数据采集和标签首先，由于深度学习技术需要大量的数据来训练和测试模型，研究者需要在实际火灾监控环境中采集足够多的火灾视频数据，并根据需要为其建立标签。
在采集数据时，需要注意采集场景、光线、影响因素等方面的统一性与随机性。
为数据标签则需详细描述每个视频帧中的情况，如火焰的位置、大小、颜色等。
2.深度学习算法建模在得到足够的火灾数据之后，研究者需要使用深度学习算法对数据进行建模。
目前应用较广泛的深度学习网络包括ResNet、Inception、VGG等网络。
研究者可以根据自己的需求和数据的特点选择合适的算法，并进行模型的训练和测试。
3.模型调优和优化由于摄像头的不同位置和角度，以及光线的变化和干扰，火灾视频监控场景会出现许多噪音干扰。
因此，在模型训练完成之后，研究者需要对模型进行调优和优化，以提高监控效果。
调优和优化的方法包括卷积核调整、特征筛选、网络融合等。
4.系统实现最后，研究者需要将模型集成到火灾监控系统中，并进行实时监控。
在这个过程中，需要注意数据流的处理、资源分配及时响应的实现。
基于4G的光伏汇流箱火灾监测预警系统的设计
基于4G的光伏汇流箱火灾监测预警系统的设计摘要：本文主要探讨了利用4G技术设计光伏汇流箱火灾监测预警系统的方法和原理。
首先介绍了光伏汇流箱的基本原理和安全隐患，指出了可能引发的火灾风险。
然后分析了传统火灾监测预警系统的局限性，并提出以4G技术为基础实现远程监控和数据传输的设计思路。
通过本文的研究，可以提供一种新的思路和方法，提高光伏发电系统的安全性和可靠性，促进光伏发电技术的应用。
关键词：光伏汇流箱；火灾监测；预警系统设计随着社会的进步和科技的发展，能源领域也在不断创新与演进。
光伏发电作为一种清洁、可再生的能源形式，日益受到世界各地的关注和推广。
然而，在光伏发电系统的运行过程中，不可避免地面临着一些安全隐患，其中最为重要的一点就是火灾风险。
为了及时发现和解决这个问题，设计一种高效可靠的火灾监测预警系统势在必行。
1.分析光伏汇流箱存在的火灾风险因素电气故障：光伏汇流箱中的电气元件可能存在设计缺陷、材料老化或错误操作等问题，导致电气故障。
电气故障可能引发火花、电弧等，进而引发火灾。
过载和短路：光伏发电系统在运行过程中可能出现过载或短路情况，这可能是由于设备故障、设计不合理或外部因素引起的。
过载和短路会导致电流超过设备承载能力，产生过热现象，增加火灾风险。
温度过高：光伏汇流箱中的电子元器件和电缆在长时间工作过程中会产生热量，如果散热不良或被外界物体阻挡，会导致温度过高。
高温环境容易导致电线绝缘老化、电子元器件损坏，从而引发火灾。
外界因素：恶劣天气、雷击、动物啃咬、意外事故等外界因素也可能引发光伏汇流箱火灾。
例如，强雷电可能导致电气设备损坏、火花产生等，从而引发火灾[1]。
1.光伏汇流箱的基本原理和安全隐患基本原理：汇流功能：光伏汇流箱将多个太阳能电池板的直流电汇聚到一起，形成一个总的直流电源输出。
分配功能：光伏汇流箱可以根据需求将直流电分配到不同的负载或储能设备，以满足电力供应的需要。
保护功能：光伏汇流箱有过流、过压、反向电流等保护功能，可以保护太阳能电池板和其他设备不受损坏。
使用计算机视觉技术进行火灾检测的技巧与方法
使用计算机视觉技术进行火灾检测的技巧与方法摘要：火灾是一种常见但极具破坏性的灾害，对人类生命和财产造成重大威胁。
为了更早地发现和控制火灾，计算机视觉技术被广泛运用于火灾检测系统中。
本文将介绍一些使用计算机视觉技术进行火灾检测的重要技巧和方法，包括火焰检测、烟雾检测和温度变化检测等。
引言火灾是一种常见的自然灾害，由于其突发性和破坏性，对人民生活和财产安全造成了严重威胁。
准确和及时地发现火灾对于保护人员和财产的安全至关重要。
近年来，计算机视觉技术的快速发展为火灾检测提供了有效的工具。
计算机视觉技术可以通过分析图像和视频数据中的火焰、烟雾和温度变化等特征，实现火灾的自动检测和报警。
本文将介绍一些使用计算机视觉技术进行火灾检测的技巧和方法，以帮助人们更好地应对火灾风险。
火焰检测火焰检测是火灾检测的重要组成部分。
传统的火焰检测方法主要依赖于光谱分析和颜色特征提取，但这些方法在实际应用中存在一些限制。
近年来，基于计算机视觉的火焰检测方法得到了广泛研究和应用。
一种常用的火焰检测方法是基于颜色特征的火焰检测。
火焰通常是黄色、橙色或红色的，因此可以使用图像处理算法提取图像中这些颜色的像素点，进而识别火焰的存在。
另一种方法是利用火焰的动态特征进行检测。
通过分析火焰的大小、形状和移动速度，可以判断其是否为真实的火焰而不是其他光源或噪声。
此外，还可以使用红外传感器进行火焰检测，因为火焰会放出红外辐射。
烟雾检测烟雾是火灾中常见的产物，因此烟雾检测也是火灾检测中的重要环节。
传统的烟雾检测方法通常使用光学传感器，但这些方法在复杂的环境条件下容易受到干扰。
计算机视觉技术可以通过分析图像和视频数据中的烟雾特征来实现烟雾的自动检测。
一种常用的烟雾检测方法是基于纹理和形状特征的烟雾检测。
烟雾通常具有不规则的形状和变化的纹理，因此可以通过图像处理算法提取这些特征来识别烟雾的存在。
另一种方法是基于运动检测的烟雾检测。
当烟雾产生时，其会产生运动。
基于图像处理的火灾自动检测系统设计
基于图像处理的火灾自动检测系统设计火灾作为一种常见的灾害，给人们的生命和财产安全带来了巨大的威胁。
为了提高火灾事故的防范和处理能力，设计一个基于图像处理的火灾自动检测系统具有重要的意义。
本文将从系统需求、系统架构、图像处理算法以及系统性能评估等方面进行论述。
一、系统需求火灾自动检测系统设计的首要任务是实现火灾的快速检测和准确识别。
系统需要具备以下几个主要的功能：1. 实时监测：能够对监控区域进行持续的实时监测，及时发现火灾隐患。
2. 图像采集：能够获取高质量、高分辨率的监控图像，并存储为数字图像。
3. 图像预处理：对采集到的图像进行预处理，包括去噪、图像增强等，以提高后续图像处理算法的准确性和鲁棒性。
4. 火灾特征提取：利用图像处理算法，从监控图像中提取火灾的特征，例如火光、烟雾等。
5. 火灾识别：通过比对提取到的特征与预设的火灾特征库，实现火灾的自动识别。
二、系统架构基于图像处理的火灾自动检测系统可以分为硬件和软件两个部分。
硬件部分主要包括监控摄像头、图像采集设备和存储设备，软件部分主要包括图像预处理模块、火灾特征提取模块和火灾识别模块。
系统的工作流程如下：1. 摄像头采集监控图像，并传输给图像采集设备。
2. 图像采集设备对图像进行数字化处理，并存储为数字图像。
3. 图像预处理模块对采集到的图像进行预处理，包括去噪、图像增强等。
4. 火灾特征提取模块利用图像处理算法，从预处理后的图像中提取火灾的特征。
5. 火灾识别模块将提取到的特征与预设的火灾特征库进行比对，实现火灾的自动识别。
三、图像处理算法图像处理算法是实现火灾自动检测的关键。
常见的图像处理算法包括背景建模、光流法、颜色分析、形状分析等。
1. 背景建模：通过建立图像序列的背景模型，检测运动目标。
火灾时，由于火焰和烟雾的存在，图像序列的背景会发生较大的变化，通过背景建模可以检测到这些变化，进而判断是否发生火灾。
2. 光流法：通过分析图像中的运动信息，判断是否存在火焰和烟雾的运动轨迹。
基于深度学习的视频火焰烟雾检测方法
2020(Sum. No 213)2020年第9期(总第213期)信息通信INFORMATION & COMMUNICATIONS基于深度学习的视频火焰烟雾检测方法颜洵，吴正平,雷帮军(三峡大学计算机与信息学院，湖北宜昌443002)摘要：为了解决目前基于视频火焰和烟雾检测中无法平衡好在检测率较高的情况下，仍能保持较高检测速度以及对火灾发生初期小目标检测效果不好的问题，提出了一种基于深度学习的视频火焰烟雾识别方法。
利用数据扩展的方法来解决 数据较少的问题,通过用K ・means 算法重新分开计算火焰和烟雾的anchor 值，以优化YOLOv4网络模型对火焰和烟雾的 目标进行检测。
通过实验与主流的目标检测方法进行对比分析，本方法能够有效平衡检测精度和检测速度，能够有效降低误检的情况。
关键词：火焰检测；烟雾检测；深度学习；YOLOv4；数据扩展;K ・means中图分类号:TP391 文献标识码:A 文章编号:1673-1131( 2020 )03-0070-03Research on Video Flame Smoke Detection Based on Deep LearningYin Xun, Wu Zhengping, Lei Bangjun(College of Computer and Information Technology, China Three Gorges University Yichang, Hubei 443002, China) Abstract: In order to solve the problem that the current video-based flame and smoke detection cannot be well balanced. In the case of a high detection rate, the detection speed can still be maintained and the detection effect of small targets in the early stage of the fire is not good, a deep learning-based Video flame smoke identification method. The method of data ex pansion is used to solve the problem of less data. The K-means algorithm is used to re-calculate the anchor values of flame and smoke to optimize the YOLOv4 network model to detect flame and smoke targets. By comparing experiments with ma instream target detection methods, this method can effectively balance detection accuracy and detection speed, and can ef fectively reduce false detections.Key words: Flame Detection;Ssmoke Detection; Deep learning; YOLOv4; Data expansion; K-meanso 引言火灾的发生会给人民群众的生命和财产造成不可估量的损失，如果能在火灾发生前对烟雾和火焰及时的识别，可以将损失大大的降低。
基于视频图像的火焰识别软件设计的开题报告
基于视频图像的火焰识别软件设计的开题报告
一、选题背景
火灾危害极大，常常造成生命和财产的巨大损失。
因此，火灾检测和预警技术变得非常重要。
目前，火灾检测技术有多种类型，其中以基于视频图像的火灾识别技术最为普遍。
二、选题意义
基于视频图像的火灾识别技术可以通过分析透明度、温度、辐射和颜色等不同特征来探测火焰，这可以不仅可以防止火灾，也可以提高火灾预防和扑救能力，减少火灾损失。
三、前置知识
本项目需要熟悉计算机视觉、图像处理和机器学习算法。
另外，了解火灾控制和安全管理也是必要的。
四、设计思路
本项目将使用基于深度学习的卷积神经网络（CNN）来识别火灾图像。
首先，需要准备一个大型的数据集来训练CNN。
然后，使用CNN训练数据集并测试分类效果。
最后，将训练好的CNN集成到现有的监控系统中以实现实时火灾检测。
五、预期结果
本项目预计可以完成设计并实现基于视频图像的火灾识别软件。
软件将能够对监控视频中的火灾图像进行准确识别和警报。
在实验中，我们预计将实现一个高度准确的火灾检测技术。
六、项目计划进度
在未来几个月内，我们将完成以下任务：
1. 收集适当的火灾数据集。
2. 设计和训练基于CNN的火灾检测模型。
3. 集成火灾检测模型到现有的监控系统中。
4. 对集成后的系统进行测试和优化。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
基于光流视频处理的早期火灾检测 摘要:我们提出了一种基于Lucas-Kanade光流法的早期火灾检测方法。它能够从一个单目摄像机的视频流里实时检测火灾。这种方法在室内外都能工作。它在燃烧过程的初始阶段就能检测到火灾，能够比传统的火灾检测器更早的做出反应。该方法用背景差分在场景里确定出移动像素，然后过滤出与火焰颜色一致的像素。之后对轮廓用增长率分析（进行火灾）确认。随后对用增长率分析确认的区域运用Lucas-Kanade光流金字塔算法，分析光流特征点运动的变化情况。把只用增长率方法与结合增长率和光流分析法两种方法进行实验对比发现算法改善了早期阶段火灾报警的准确性，并减少了错误警报。 关键字:火焰检测；背景差分；色度特征；增长率；金字塔Lucas-Kanad光流
I介绍 火灾总是威胁财产和人们的生命。大部分传统的火灾检测技术是基于颗粒、温度和烟雾的分析，但是用这些技术的火灾检测系统因为高的错误警报率而有局限性。光学方法越来越适合取代传统的方法。 因为数字摄像机技术和计算机视觉系统的快速发展，许多基于图像处理的技术被引进火灾探测。基于系统的图像处理一般考虑了运动、颜色、形状或者动态特征。颜色信息作为探测可能的火焰颜色而被引入作为前期的处理步骤【1】。然后，增长率和闪烁分析被用来从类似火焰的区域中提取真实火焰【2】。在文献[3]里，作者用模糊逻辑找到报警率产生报警信号。缺点是使用者必须有火灾情况的经验，从而设计一个模糊集和真值表。 火灾和烟雾检测流行的方法是小波分析，它通过提取比如运动、边缘模糊、边缘增强的图像特征把移动、闪烁、边缘模糊、边缘增强的区域从录像中分割出来。背景差分、时域小波转换、空域小波转换都被用于提取这些特征【4】。另外一些研究，比如文献[5]是基于通过离散小波转换评估后探究强度图能量的变化。当烟雾出现或者试图平滑图像的边界时能量值会变低。 这篇论文里，光流技术将被用于计算火焰的流分析，这能用于把火焰从其他移动物体里提取出来。注意到光流在机器视觉运动分析里是种重要的技术。光流技术包括微分，匹配，基于能量和基于阶段的方法。Lucas and Kanade发现一阶局部微分法是其中最可靠的方法。在文献[7]里，作者用Lucas and Kanade光流法结合金字塔技术提取烟雾运动特征并基于神经网络给出了一个规则和真值表。 然而，当有移动物体时，从火灾探测方法先前的技术得出的结果往往有较高的误警率，并且不能提供早期的火灾探测。因为这些局限性，现在大部分系统将在除了火焰而没有其他移动物体时工作。所以这个研究将专注于结合增长率方法和金字塔Lucas and Kanade方法用普通摄像机探测火灾，以解决那些局限性。我们给出了我们的结合方法和标准增长率分析方法相比较的结果。 II移动区域检测 背景差分通常用于在场景里分割出移动物体。一个找到前景图像的简单方法是平均观察到的来自录像的图像帧，并把他作为背景图像。这样当每次新的帧被捕获时，背景图像将被更新并从而提取新的前景图像。 让I(x,y;n)代表第n个视频帧（x,y）位置处的强度值。评估背景强度值B(x,y;n+1)在相同像素位置的计算方法是： B(x,y;n+1)=I(x,y;n)+(1-)B(x,y;n) 对于静止物体 B(x,y;n+1)=B(x,y;n) 对于运动物体 B(x,y;n)是在相同位置之前评估的背景强度值。更新参数是接近于1的正实数.如果: |I(x,y;n)-I(x,y;n-1)|>T(x,y;n)&& |I(x,y;n)-B(x,y;n)|>T(x,y;n) 像素（x,y）将被认为是移动像素 III色度特征 火焰的颜色总是出现在红到黄的范围内，从这点来看，火焰的颜色能够映射到如表一0到60度的色相范围内。 表一。Hue和RGB颜色模型颜色范围的比较 颜色范围 色相（度） RGB模型 红到黄 0-60 R>=G且G>B 黄到绿 60-120 G>=R且R>B 色相和RGB颜色模型之间的关系如以下所示 RG>B && R>RT
R、G、B分别是像素的红、绿、蓝分量值，红的分量值应该大于阈
值RT。 此外，背景亮度图也可能影响具有火焰的颜色从而导致错误火灾检测。为了解决这个问题，被检测的像素饱和度S应该大于阈值ST，如图1所示。 S[(255-R)*TTSR] 饱和度（%）
红色灰度级 图1.红色灰度级的阈值和饱和度 此外，当火焰在黑暗的背景环境下，火焰将成为主要的光源。因为这个原因，火焰将在图像里呈现一片白色。因此，强度应该大于阈值强度IT .
I >IT
IV增长率分析
一般情况下，燃烧的火焰将会变大，这依赖于空气流动和燃料的种类。所以，火焰的大小将会根据总的气流变化。但是它总是变大，特别是在初始燃烧阶段和持续燃烧阶段。增长率规则可以导出为如下所示：
Gi表示当前帧到第n帧的数量。如果结果大于从第一帧检测到的参考值Gr,那么移动物体将被认为是真实火焰。直到当前帧，增长率的研究区域将在每个计算到的帧里增加。 OC和Or分别代表研究区域当前帧和参考帧原始点，Ec和Er分别代表研究区域当前帧和参考帧的结束点。 V火焰的动态性和行为分析 在这一部分，将介绍光流以找到由于火焰震荡所产生的流率，以用来从疑似火焰和其他移动物体里提取真实火焰。 A.动荡火焰的姿态 通常情况下，火焰并没有特别的模式，所以火焰检测是不确定的。然而，基于火焰动态性的研究，能够得到由动荡导致的火焰形状特性。
图2火焰的姿态 从图2看出，火焰一直向燃烧的物体上面蹿升，由于比较低的浮力，火焰升得比周围的空气高，因为密度与气体的温度是成反比的。这是第一个原因，它显示火焰总是向上运动。 热的浮力将被周围空气的温度冷却。然后浮力将由于温度的降低而增加，这导致了火焰停止上升。从这点来看，周围冷空气将流向火焰因为那些地方相比火焰区域有更高的压力。这种流动过程就叫卷吸。这种流动率依赖于火焰的高度。这导致了火焰边缘在上升的同时也倒转的漩涡效应。如图3所示。外部的漩涡在它们中间产生一个上升的中心。当这些燃烧的漩涡上升的时候，火焰将扩张直至燃料燃烧完，如图3所示。一个新的漩涡随后携带火焰到先前的高度。高度的不同是由于动荡火焰轻浮力不同导致的。这将导致第二个假定，它解释了火焰的增长率以及由于漩涡效应的影响所导致的火焰动荡现象。
图3.漩涡效应下的火焰序列 火焰底部产生的外部漩涡形成和消失的频率取决于火焰底部的直径。D，频率表示了每分钟漩涡效应循环的次数。
f=1.5D f代表直径为D的火焰漩涡脱落的频率Hz. 在图像处理中用光流分析得到的火焰的流型能帮助确定一个火焰是否真实。包含火焰的图像会在明暗之间波动，这显示了涡流的高频特性。相反的，简单的移动物体总是以层流出现。 B. Lucas-Kanade光流金字塔 Lucas-Kanade能用于对输入图像进行很好地特征追踪，然后找到下一步每个运动点之间的距离。 LK算法基于3个假设。 1.亮度恒定：假设帧与帧之间的像素亮度没有发生改变。对于灰度图像，它是假设每个像素的亮度或强度变化不超过阈值，以致能在帧与帧之间追踪。
2.时间连续：追踪像素的运动必须短暂增加或者变化很慢。换句话说，它在帧与帧之间的运动必须不能太快。
3.空间一致性：周围的点将被认为是类似的运动，因为它们都在同一个表面。那么用周围像素就很容易解决中心的运动像素。
一个大的窗口将覆盖大的运动。相反的，它将不涉及一个一致的运动假设。为了解决这个问题，图像金字塔将被用于解决上层的光流 ，上层运动结果将被认为是开始点，然后流向下一层。用这种方法不断向金字塔的下层运动直至到达最底层。 C.流率分析 在上一步中，LK光流能从每个特征点上提取运动特征向量。特征点光流的计算结果是：
P和q分别代表每个特征点的起始和结束点。M代表特征点的数量。特征向量将被用于计算火焰流率的两个统计特性：平均流率和流率的变化。光流分析的第一次平均流率可以用下式计算：
Fa表示光流分析第一次检测到的平均流率。第一次平均流率将被用作接下来n次计算的参考值。
Fv是n次计算的平均流率，我们把它叫做“流率的变化”。由于火焰的波动，火焰流率的变化将大于其他移动物体 Fv > Ft
为了找到阈值Ft把火焰从类似火焰颜色的物体中区分出，数据必须从
实验中搜集. VI.实验结果 算法实现环境，英特尔i3 CPU M350 @2.27 GHz（2核心和4线程）而英伟达GeForce 310M. OpenCV 2.0文库用于程序软件。所有的视频重新设置为320x240像素。方法1为增长率和流率，流率能提取每个特征点的特征向量。当火焰颜色的物体开始蔓延的时候这种方法能消除误警 方法2为只用增长率，他能成功的判断火灾，但相比1会引起更高的错误。 录像7用不同测试流率值标绘在图4上，以找到流率阈值。区域A和B分别代表燃烧过程中移动物体流率值的起始和终点。可见，流率阈值应该超过红色直线。测试序列的结果呈现在表II.图5展示了方法1的结果图。
图4.流率值的图表 表II.。流率和增长率方法以及增长率方法的结果