基于卷积神经网络的无人机森林火灾检测研究
基于卷积神经网络的无人机森林火灾检测研究森林是大自然中的宝贵资源，同时还维持着生态平衡。森林火灾一旦发生，危害十分巨大，如果能在林火的萌芽状态就进行识别，则可以减少不必要的损失。目前，国内外基于计算机视觉的林火检测研究己经有了一定的发展，但同时也存在着误报率高、检测时间长等缺陷。在进行林火识别技术的研究时，可选择使用无人机(UAVs)搭载视觉相机，其操作灵活，价格便宜，效率更高。本文以基于无人机的森林火灾检测为研究对象，进行
了相关研究工作，具体如下:
(1)通过LBP特征提取结合S VM分类器的方法进行森林火灾中烟雾的检测。观察已有的林火影像资料发现，在植被茂盛的森林中，拍摄到的火灾图像中火焰所占比例极小，因此首先考虑进行烟雾检测的研究。对此，采用局部二值模式(LBP)特征提取与支持向量机(SVM)分类器结合的方法进行烟雾检测，从而对林火进行初步判别。
(2)建立两组模型实现了基于CNN的烟雾及火焰检测。为了在火灾发生初期就能准确识别，根据卷积神经网络(CNN)具有通过局部感受域、权值共享、池化等特点，本文提出了基于CNN的无人机森林火灾检测方法，为了对烟雾及火焰同时进行检测并提高准确率，建立了CNN-9及CNN-17模型。
(3)考虑了图像预处理对卷积神经网络检测性能的影响。在将图像输入CNN网络之前，为了增强相关信息的可检测性并最大程度上简化数据，对其进行了图像预处理相关的操作，如直方图均衡化、平滑低通滤波等。通过对真实的森林火灾图像进行检测实验，验证了所提出的方法的有效性，即直方图匹配及邻域平均法的确可以提升林火检测的准确率。
(4)以SqueezeNet为骨干网络，优化模型后进行了火焰区域分割。在测试实验中，利用实际拍摄的林火数据集对深度学习模型进行训练，并进行了单幅图像的林火检测实验，实验结果表明，所提出的网络实现了图像中火焰区域的准确定位，从而有效地检测早期森林火灾。
关键词:森林火灾检测，卷积神经网络，SqueezeNet，局部二值模式，图像预处理
页:
[1]