[发明专利]基于深度学习的森林火灾探测方法

权利要求书

1.一种基于深度学习的森林火灾探测方法，其特征在于，包括

步骤1，自建火灾数据集，在自建的火点数据集中训练第一DCNN火点探测模型，待误差减小到一定阀值时停止训练保存所有卷积层的权重；

步骤2，给定新的数据集并定义模型，使用步骤1中预训练的权重初始化新定义的模型，使用新的数据集训练第二DCNN火点探测模型；

步骤3，任意给定一张图片，使用训练完成的第二DCNN火点探测模型进行预测，即可判断该图像是否存在火点。

2.根据权利要求1所述的基于深度学习的森林火灾探测方法，其特征在于，第一DCNN火点探测模型和第二DCNN火点探测模型包括：特征提取模块和分类器，特征提取模块采用层次结构式的特征提取方式，分类器使用多层感知机。

3.根据权利要求2所述的基于深度学习的森林火灾探测方法，其特征在于，特征提取模块采用卷积层提取图像的特征表示。

4.根据权利要求3所述的基于深度学习的森林火灾探测方法，其特征在于，所述分类器由两个全连接层构成，第一个全连接层使用Relu作为激活函数，第二个全连接层使用softmax作为激活函数。

5.根据权利要求4所述的基于深度学习的森林火灾探测方法，其特征在于，第一DCNN火点探测模型和第二DCNN火点探测模型为基于深度卷积神经网络的森林火点探测模型：

首先，对输入图像进行预处理，统一输入图像大小为224x224x3，网络中所有卷积层的卷积核的大小均为3x3，padding设置为same，其中，conv_1和conv_2的卷积核大小为16，conv_3和conv_4的卷积核大小为32，conv_5和conv_6的卷积核大小为64，conv_7和conv_8的卷积核大小为128，最后conv_9和conv_10的卷积核大小为256，网络中所有池化层的卷积核大小固定为2x2,步长为2，进行2倍大小的降维处理；

其次，在分类器部分，首先是跟上均值池化，目的是对前面卷积层的特征图进一步降维，当每一个特征图的维度很低时，再跟上全局池化层，以有效的避免因为特征图过大而造成的全局池化后特征信息的丢失。