基于深度迁移学习的森林火灾识别方法研究

发布时间：2023-10-21 11:44

　　近些年来森林火灾频繁发生。因此,对森林防火技术的研究是十分必要的。目前,在森林防火领域计算机视觉与人工智能技术的应用还处于初步阶段。本文对LBP算法、深度学习方法、以及基于对抗的迁移学习方法进行改进与创新,详细内容如下:提出了基于局部二值模式(LBP)的改进方法。具体是采用LBP算法提取林火烟雾样本图像的LBP特征,再用训练样本的图像特征构建特征字典。获得测试样本在特征字典上的重构误差,将其与设定的阈值的进行比较,当重构误差小于等于阈值时判别为森林火灾烟雾图像。为了检验特征字典的样本数对识别能力的影响,设置实验检测在不同的样本数量时的识别率变化。最后进行对照实验并设置VGGNet、ResNet为对照组。本章所提出的方法在识别率上分别高出对照组6.11个和5.61个百分点。由以上实验可知训练样本数量对识别精度有着一定的影响,但样本数到达一定数量级时,对精度的影响会逐渐减弱。另外在较少样本的前提下与主流的深度学习网络相比,在检测精度与检测速度上都有明显的提升。提出了一种基于三维残差稠密网络的林火烟雾识别方法。该方法是在参考三维卷积神经网络的基础上改进得到的。并且相较于传统的三维神经网络,本...

【文章页数】：57 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
1.绪论
    1.1 林火烟雾识别研究的背景及意义
    1.2 国内外研究现状
        1.2.1 基于深度学习的烟雾识别研究现状
        1.2.2 迁移学习研究现状
    1.3 论文的主要内容及创新点
        1.3.1 研究内容
        1.3.2 研究的创新点
    1.4 本文的组织结构
2.相关理论介绍
    2.1 卷积神经网络
    2.2 深度迁移学习
3.基于LBP的森林火灾烟雾识别方法
    3.1 LBP算法提取森林火灾烟雾特征
    3.2 烟雾图像特征识别
    3.3 实验过程与分析
        3.3.1 数据收集与环境
        3.3.2 样本稀疏测试
        3.3.3 特征字典样本数对识别率影响检测
        3.3.4 识别能力对比检测
    3.4 本章小结
4.基于3D残差稠密网络的烟雾识别方法
    4.1 三维卷积神经网络
    4.2 三维残差稠密网络
    4.3 三维残差稠密模块
    4.4 仿真实验
        4.4.1 实验设置与数据收集
        4.4.2 优化器的选择
        4.4.3 实验结果与分析
    4.5 本章小结
5.基于对抗的深度迁移学习在森林防火中的应用
    5.1 域协作和对抗网络
    5.2 增量CAN模型标记
    5.3 仿真实验
        5.3.1 实验数据收集与环境搭建
        5.3.2 域对抗与域协作迁移学习实验细节
        5.3.3 在数据集的实验结果及分析
    5.4 本章小结
6.总结与展望
参考文献
攻读硕士学位期间所取得的研究成果
致谢



本文编号：3855767