[發(fā)明專利]基于遺傳算法優(yōu)化的深度學(xué)習(xí)林火異常檢測(cè)方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202110390330.6
• 申請(qǐng)日: 2021-04-12
• 公開（公告）號(hào): CN113065601A
• 公開（公告）日: 2021-07-02
• 發(fā)明（設(shè)計(jì)）人: 蔣媛;魏瑞;盧超;王桂寶
• 申請(qǐng)（專利權(quán)）人: 陜西理工大學(xué)
• 主分類號(hào): G06K9/62
• 分類號(hào): G06K9/62;G06N3/04;G06N3/08;G08B17/12
• 代理公司: 北京中仟知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 11825
• 代理人: 田江飛

本發(fā)明公開了一種基于遺傳算法優(yōu)化的深度學(xué)習(xí)林火異常檢測(cè)方法，為了實(shí)現(xiàn)快速，有效準(zhǔn)確的分析和預(yù)防森林火災(zāi)，這里本文提出了一種用遺傳算法優(yōu)化的深度學(xué)習(xí)時(shí)間序列卷積神經(jīng)網(wǎng)絡(luò)(GA?CNN)，能在環(huán)境中高精度的檢測(cè)火災(zāi)發(fā)生，在不同的評(píng)估場(chǎng)景中，在準(zhǔn)確率，真陽性，誤報(bào)率等方面有較好的表現(xiàn)。這種優(yōu)化的CNN不僅具有全局尋優(yōu)的能力，還可以實(shí)現(xiàn)具有時(shí)間序列判斷卷積神經(jīng)網(wǎng)絡(luò)，這樣不僅可以避免卷積神經(jīng)網(wǎng)絡(luò)中經(jīng)常會(huì)遇到的收斂難，模型結(jié)構(gòu)選擇不當(dāng)?shù)葐栴}，還有效降低了森林護(hù)衛(wèi)人力資源的配置。

技術(shù)領(lǐng)域

本發(fā)明涉及火災(zāi)探測(cè)技術(shù)領(lǐng)域，尤其涉及一種基于遺傳算法優(yōu)化的深度學(xué)習(xí)林火異常檢測(cè)方法。

背景技術(shù)

森林火災(zāi)是影響生態(tài)環(huán)境危害最大的災(zāi)害之一。它們可能會(huì)快速傳播，會(huì)造成經(jīng)濟(jì)損失，環(huán)境危害甚至還威脅到人類的生命。事實(shí)上，火災(zāi)傳感器是傳統(tǒng)點(diǎn)傳感器(如煙霧和熱探測(cè)器)的補(bǔ)充，為人們提供了火災(zāi)發(fā)生的早期預(yù)警。然而，與圖像處理技術(shù)相結(jié)合的攝像機(jī)比點(diǎn)傳感器更快地檢測(cè)火災(zāi)發(fā)生，此外，它們比傳統(tǒng)的探測(cè)器更容易提供火災(zāi)的大小、生長(zhǎng)和方向。目前，隨著數(shù)字圖像處理不斷進(jìn)步以及機(jī)器學(xué)習(xí)模式識(shí)別算法的深度融合，森林火災(zāi)檢測(cè)的識(shí)別算法也不斷更新得到廣泛應(yīng)用。森林火災(zāi)采集的圖像一般由煙霧圖像和火焰圖像組成。其中煙霧圖像在早期判別時(shí)候有重要意義，而火焰圖像本身則具有下面特征如紅外輻射、顏色、紋理等。傳統(tǒng)的森林火災(zāi)識(shí)別方法是基于人工選擇的幾個(gè)特征對(duì)森林火災(zāi)圖像進(jìn)行識(shí)別，其精度完全依賴于對(duì)其特征的人工選擇。識(shí)別必須在良好的可見光下進(jìn)行，不受霧或其他因素的干擾。但在實(shí)際的森林火災(zāi)監(jiān)測(cè)中，需要監(jiān)測(cè)的森林面積一般很大，可能會(huì)有更多的干擾，視線也不會(huì)很好。此外，林區(qū)濕度和霧量較大，顯著降低了可見透射率。火焰燃燒圖像具有紅外輻射熱效應(yīng)、連續(xù)火災(zāi)蔓延和紋理等特點(diǎn)。之前基于模式識(shí)別的森林火災(zāi)識(shí)別算法識(shí)別精度取決于特征的手工選擇，只能適應(yīng)特定的數(shù)據(jù)集，因此其泛化能力不足。因此就有學(xué)者提出了一種基于深度學(xué)習(xí)(DL)的CNN(卷積神經(jīng)網(wǎng)絡(luò))火災(zāi)圖像識(shí)別方法，此方法可以雖然可以避免人工特征提取，從而能夠自動(dòng)提取森林火災(zāi)圖像的特征，但是不能避免陷入局部最小。同時(shí)也有學(xué)者提出利用自適應(yīng)CNN網(wǎng)絡(luò)和FasterR-CNN網(wǎng)絡(luò)來提高訓(xùn)練精度。還有一些研究人員提出了一種基于PCA-Net(主成分分析網(wǎng)絡(luò)的圖像檢測(cè)算法)。而PCA-net的優(yōu)點(diǎn)是構(gòu)造簡(jiǎn)單，訓(xùn)練參數(shù)較少，可以有效解決其反向傳播的梯度色散問題，避免其參數(shù)爆炸現(xiàn)象建立各種時(shí)空特征的模型，如顏色特征和閃爍特征，和動(dòng)態(tài)紋理分析特征目前已經(jīng)被證明能夠探測(cè)火災(zāi)，以及我們過去使用小波檢測(cè)煙霧和火焰的算法，還有支持向量機(jī)，馬爾可夫模型，區(qū)域協(xié)方差，共差矩陣等。

然而已經(jīng)有大面積火焰可以探測(cè)到的時(shí)候，火災(zāi)已經(jīng)比較難控制了，所以我們不僅專注于火災(zāi)火焰探測(cè)，而且還有煙霧探測(cè)。這主要是由于煙霧上升到樹冠之上，而且它有更高的機(jī)會(huì)落入監(jiān)視森林的攝像機(jī)的觀察范圍。因而，根據(jù)前面提到的森林火災(zāi)圖像的基本特點(diǎn)，我們將提出了一種新的森林火災(zāi)圖像識(shí)別方法。在該方法中，首先基于森林火災(zāi)圖像的特點(diǎn)用遺傳算法優(yōu)化的CNN的分類器分別對(duì)火焰和煙霧，對(duì)森林火災(zāi)進(jìn)行異常檢測(cè)初步判斷。

發(fā)明內(nèi)容

本發(fā)明的目的就在于為了解決上述問題而提供一種基于遺傳算法優(yōu)化的深度學(xué)習(xí)林火異常檢測(cè)方法。

本發(fā)明通過以下技術(shù)方案來實(shí)現(xiàn)上述目的：

本發(fā)明基于森林火災(zāi)圖像的特點(diǎn)用遺傳算法優(yōu)化的CNN的分類器分別對(duì)火焰和煙霧，對(duì)森林火災(zāi)進(jìn)行異常檢測(cè)初步判斷，將GA遺傳算法和基于時(shí)間序列的卷積神經(jīng)網(wǎng)絡(luò)相結(jié)合，將兩者結(jié)合得到全局優(yōu)化的深度學(xué)習(xí)卷積神經(jīng)網(wǎng)絡(luò)，隨后，通過檢測(cè)圖像數(shù)據(jù)集里的火災(zāi)部分和煙霧部分，從而對(duì)優(yōu)化的時(shí)間序列卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行分析和實(shí)驗(yàn)驗(yàn)證。

所述CNN由卷積層、池化層和全連接層三個(gè)部分組成，卷積層和全連接層包含神經(jīng)元，且卷積層和全連接層權(quán)重被學(xué)習(xí)和調(diào)整，基于時(shí)間序列的CNN模型在輸入層后面包含兩個(gè)連續(xù)的卷積層，池化操作后，將特征擴(kuò)展為一維，然后輸入到完全連接的層以輸出結(jié)果。

本發(fā)明的有益效果在于：