三通道拟合的改进卷积神经网络林火识别算法

发布时间：2021-07-27 08:08

　　针对森林火灾背景复杂,图像拟合方式欠佳,使特征描述不充分而导致卷积神经网络（CNN）识别率低,卷积核随机初始化导致迭代次数增多等问题,提出了一种三通道拟合的改进卷积神经网络林火识别算法。通过调整三原色（RGB）三通道比例拟合样本图像,寻求火焰和背景对比度最大的优化参数组合,以解决识别率降低的问题;同时采用主成分分析（PCA）算法初始化卷积核来改进模型,提高迭代速率。实验结果表明:所提算法能有效地提高识别率,加快迭代速度,识别率达98. 5%。 

【文章来源】：传感器与微系统. 2020,39(11)CSCD

【文章页数】：4 页

【部分图文】：

CNN结构

取U中前Outputmaps个特征向量作为该卷积层的卷积核组，CNN第一个卷积层有6个卷积核，因此，取前6个特征向量，每个特征向量为一个卷积核所对应的列向量，将每一个列向量再重新转换为5×5的矩阵作为第一层卷积层的卷积核组，跟输入层的数据做卷积，即完成了对第一个卷积层的卷积核的初始化操作。同理，第二个卷积层卷积核按式(2)～式(4)操作。图2为改进网络算法流程。3 实验结果分析

通过程序从高分辨率的彩色林火图像的特定特征区域以左右28像素，上下28像素步幅“滑窗”操作粗提取，得到的28×28×3的彩色图像并制作成数据集。数据集格式由表1给出。图3给出训练和测试样本部分图像。3.1.2 PCA数据集和仿真环境介绍

【参考文献】：
期刊论文
[1]基于卷积神经网络的实时跟踪算法[J]. 程朋,刘鹏程,程诚,周祥东,石宇.  传感器与微系统. 2018(05)
[2]森林火灾火烧迹地遥感信息提取及应用[J]. 杨伟,姜晓丽.  林业科学. 2018(05)
[3]基于卷积神经网络的胸片肺结节检测[J]. 朱国策,李朝锋.  传感器与微系统. 2017(12)
[4]复杂背景下基于深度卷积神经网络的森林火灾识别[J]. 傅天驹,郑嫦娥,田野,丘启敏,林斯俊.  计算机与现代化. 2016(03)
[5]基于小波变换和支持向量机的火灾识别算法[J]. 邹婷,王慧琴,胡燕,梁俊山,殷颖.  计算机工程与应用. 2013(14)
[6]森林火灾图像几何特征提取识别的算法研究[J]. 王柯,方陆明,付鋆萍.  浙江林业科技. 2009(06)
[7]基于视频图像的火灾自动检测[J]. 严云洋,高尚兵,郭志波,盛明超.  计算机应用研究. 2008(04)

硕士论文
[1]基于视频图像的森林火灾自动监测识别技术研究[D]. 詹琪.电子科技大学 2017
[2]图像处理与模式识别在火灾探测领域的应用[D]. 都俊松.沈阳工业大学 2007



本文编号：3305421