[发明专利]基于深度学习的森林火灾探测方法

说明书

本发明提供了一种基于深度学习的森林火灾探测方法，包括：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；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；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。本发明与其他基于卷积神经网络的森林火灾探测方法相比，能够有效的降低火灾误报率。

技术领域

本发明涉及森林火灾探测领域，特别涉及一种基于深度学习的森林火灾探测方法。

背景技术

目前对于森林火灾的防范主要是依靠人工进行巡查，或者在林区内间隔一定的距离设立瞭望塔并且布置摄像机并将图像传输到监控中心，并且由人工查看来实现全区域的实时监控，但是由人工巡查和人工的视频查看这样不仅会耗费大量的人力和精力。由于人的精力是有限的，观察者很难在较长的时间内保持着较高的注意力，发现火灾并及时处理。

当今森林火灾的发生越来越频繁，损失也越来越大，火灾的预防比扑救显得更加重要。由于火灾发生的原因是不确定的，且火灾的形成和发展易受周围环境的影响，因此传统的火灾探测器例如烟雾传感器、温湿度传感器采集到的数据和信息也会受到这些不确定因素的影响，从而降低了火灾探测的灵敏度，加大了火灾识别的难度，火源的位置也不易找到。另一种火灾探测方法是通过卫星云图进行观察，这种探测方式有一定的局限性，只能对大规模的火灾进行探测，对初期火灾探测的效果不理想，而且时效性差，小规模的火灾或者初始阶段的火灾一般的特征在高空的探测下并不会太过于明显，容易被忽视掉。若不在开始阶段发现并扑灭就有可能对该区域内的植造成严重的破坏，同时也会对人民的生命财产带来重大的损失。

森林火灾一旦发生将对区域内的植被造成严重的破坏，同时也会对人民的生命财产带来重大的损失，因此有效预防、及时发现森林火灾是极其重要的。由于光照、颜色等外界因素的影响，传统的基于图像处理的森林火灾识别技术存在识别精度低、误报率高问题。随着计算机视觉技术的快速发展，尤其是深度学习技术在图像识别领域获得极大成功，众多研究者开始利用深度卷积神经网络进行森林火灾识别。因此，针对森林火灾识别误报率高问题，本发明提出一种基于深度学习知识库的森林火灾特征提取方法。通过收集互联网已有的森林火灾图片自建火灾图像知识库，搭建深度卷积神经网络模型进行训练，保存模型所有卷积层的权重，利用模型的卷积层完成森林火灾卷积特征的提取，从而提高森林火灾识别率和较低的误报率。

发明内容

本发明提供了一种基于深度学习的森林火灾探测方法，以解决至少一个上述技术问题。

为解决上述问题，作为本发明的一个方面，提供了一种基于深度学习的森林火灾探测方法，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。

优选地，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。

优选地，特征提取模块采用卷积层提取图像的特征表示。

优选地，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。

优选地，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灾探测模型：