森林防火视频监控系统关键技术研究与实现
发布时间：2021-09-29 17:20
森林火灾的发生具有突发性与偶然性,火灾一旦发生,伴随着火灾强度的增大其火势扩散速度极快,威胁着附近居民的生存环境和人生安全,同时也会对地球生态环境带来不可逆的损害。于是快速有效的林火识别技术对森林火灾的抑制有着重要的意义。目前常用的林火识别技术包括有温度感应识别技术、烟雾感应识别技术,但随着技术的不断更新和发展,人们对森林火灾的识别精度有了更高的要求。近几年来,深度学习技术的兴起使越来越多的专家学者开始尝试将深度学习技术应用到森林防火领域,其中基于卷积神经网络的森林火灾识别技术取得长足进步。本文介绍的主要工作包括:（1）研究了卷积神经网络算法,对卷积神经网络的结构与原理以及常用的框架进行了介绍和分析。（2）研究了基于卷积神经网络进行林火识别的方法,改进了已有方法,并针对不同因素进行了对比实验,得到了效果最优的方法。（3）设计实现了森林防火视频监控系统,该系统完成了视频火情监控、云台控制、录制监控视频、图像抓拍、林火识别、火情报警等功能。
【文章来源】：北京林业大学北京市 211工程院校 教育部直属院校
【文章页数】：65 页
【学位级别】：硕士
【部分图文】：
图２．５权值更新过程??Ｆｉｇｕｒｅ?２．５?Ｗｅｉｇｈｔ?ｕｐｄａｔｉｎｇ?ｐｒｏｃｅｓｓ??
通过局部感知区域获取底层的输入数据，信息通过前向传播算法依次送至下一层。局??部感知区域的存在能够方便获取图像中的角落和边界特征。一个典型的卷积神经网络??ＬｅＮｅｔ－５结构如图２．６所示。由于卷积神经网络的优点极为突出，目前基于卷积神经??网络的项目己经成功应用于诸多现实场景，尤其在计算机视觉领域表现尤其优异，如??人脸检测（Ｔｉｖｉｖｅ?Ｆ?Ｈ?Ｃ、Ｂｏｕｚｅｒｄｏｕｍ?Ａ?ｅｔ?ａｌ．?，２００３），文档分析（Ｐ．?Ｙ．?Ｓｉｍａｒｄ、Ｄ．??Ｓｔｅｉｎｋｒａｕｓ?ｅｔ?ａｌ．?，２００３），语音检测（Ｓ．?Ｓｋｉｔｔａｎｏｎ，２００４），目标识另！Ｊ，车牌识别等计算机??视觉任务。卷积神经网络由一个或多个卷枳层、池化层、全连接层等组成。样本的特??征维数在进行卷积操作后通常会数倍增加，因此每个卷积层后通常会跟一个池化层，??池化层的目的就在于可以通过抽样处理来降低特征的维数。??ｉｎｐｕｔ?Ｃ１?ｒｆｅａｔｕｒｅ?ＳＩ?：ｆｅａｔｕｒｅ?Ｃ２：ｆｅａｔｕｒｅ?Ｓ２：ｆｅａｔｕｒｅ?ｏｕｔｐｕｔ??ｍａｐｓ?ｍａｐｓ?ｍａｐｓ?ｍａｐｓ??！?Ｉ?Ｉ?１?＾?＾?＾?—??输入层?卷积层?池化层?卷积层?池化层?全连接层??图２．６外典型卷积祌经网络结构（ＬｅＮｅｔ－５）??Ｆ
特征维度过大，卷积计算量过大。池化层的存在可以有效减少目前常用的池化操作一??般有三种：均值池化（ｍｅａｎ－ｐｏｏｌｉｎｇ）、随机值池化（ｓｔｏｃｈａｓｔｉｃ－ｐｏｏｌｉｎｇ）、最大值池化??（ｍａｘ－ｐｏｏｌｉｎｇ）。图２．７与图２．８分别是均值池化和最大值池化的示意图。??１５?６?４??４?２?７?３???３?５??３?４?２?２?１／７?４?３??３?６?２?６??图２．７均值池化??Ｆｉｇｕｒｅ?２．７?Ａｖｅｒａｇｅ?ｐｏｏｌｉｎｇ??１５?６?４??４?２?７?３???５?７??３?４?２?２?＾?６?６??３?６?２?６??图２．８最大值池化??Ｆｉｇｕｒｅ?２．８?Ｍａｘｉｍｕｍ?ｐｏｏｌｉｎｇ??池化层是卷积神经网络中一个必不可少的网络层，池化层具有以下３种特性：??①．特征降维。降维操作可以在一定程度上可以避免过拟合现象的产生，也有利??于卷积神经网络的优化。??？．特征不变性。虽然池化层会减少图像的特征维度，但经过上文所提的三种池??化操作后，图像的特征都不受变化，这是因为它对全图任何位置都进行相同的池化操??１２??
【参考文献】：
期刊论文
[1]中国主要生态地理区的林火动态特征分析[J]. 田晓瑞,舒立福,赵凤君,王明玉. 林业科学. 2015(09)
[2]基于神经网络的火灾图像特征融合算法[J]. 高娜,李良. 计算机系统应用. 2010(01)
[3]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)
[4]澳大利亚森林大火烧出的反思[J]. 黄典林. 中国报道. 2009(04)
[5]世界森林火灾预防与监控技术概述[J]. 白帆,周大元,张丽平,杨艳秋,肖冰. 林业劳动安全. 2008(03)
[6]世界典型地区森林火灾状况与防火技术展望[J]. 孙少辉. 林业机械与木工设备. 2008(03)
[7]希腊大火警示全球气候危机[J]. 钟韵瑶. 新安全 东方消防. 2007(09)
[8]基于模糊神经网络的火灾探测算法的应用研究[J]. 曾昭华,苏志军,高珊珊. 自动化技术与应用. 2004(09)
[9]基于人工神经网络的火灾图象探测方法[J]. 宋卫国,范维澄,吴龙标. 火灾科学. 1999(03)
[10]液晶光闸在火灾探测中的应用[J]. 吴龙标,宋卫国,卢结成. 光学技术. 1999(01)
博士论文
[1]林火扑救优效组合技术研究[D]. 陈劭.北京林业大学 2008
硕士论文
[1]森林火灾烟雾图像识别算法研究[D]. 兰久强.福建师范大学 2017
[2]基于自适应学习速率的改进型BP算法研究[D]. 杨甲沛.天津大学 2008
本文编号：3414129
【文章来源】：北京林业大学北京市 211工程院校 教育部直属院校
【文章页数】：65 页
【学位级别】：硕士
【部分图文】：
图２．５权值更新过程??Ｆｉｇｕｒｅ?２．５?Ｗｅｉｇｈｔ?ｕｐｄａｔｉｎｇ?ｐｒｏｃｅｓｓ??
通过局部感知区域获取底层的输入数据，信息通过前向传播算法依次送至下一层。局??部感知区域的存在能够方便获取图像中的角落和边界特征。一个典型的卷积神经网络??ＬｅＮｅｔ－５结构如图２．６所示。由于卷积神经网络的优点极为突出，目前基于卷积神经??网络的项目己经成功应用于诸多现实场景，尤其在计算机视觉领域表现尤其优异，如??人脸检测（Ｔｉｖｉｖｅ?Ｆ?Ｈ?Ｃ、Ｂｏｕｚｅｒｄｏｕｍ?Ａ?ｅｔ?ａｌ．?，２００３），文档分析（Ｐ．?Ｙ．?Ｓｉｍａｒｄ、Ｄ．??Ｓｔｅｉｎｋｒａｕｓ?ｅｔ?ａｌ．?，２００３），语音检测（Ｓ．?Ｓｋｉｔｔａｎｏｎ，２００４），目标识另！Ｊ，车牌识别等计算机??视觉任务。卷积神经网络由一个或多个卷枳层、池化层、全连接层等组成。样本的特??征维数在进行卷积操作后通常会数倍增加，因此每个卷积层后通常会跟一个池化层，??池化层的目的就在于可以通过抽样处理来降低特征的维数。??ｉｎｐｕｔ?Ｃ１?ｒｆｅａｔｕｒｅ?ＳＩ?：ｆｅａｔｕｒｅ?Ｃ２：ｆｅａｔｕｒｅ?Ｓ２：ｆｅａｔｕｒｅ?ｏｕｔｐｕｔ??ｍａｐｓ?ｍａｐｓ?ｍａｐｓ?ｍａｐｓ??！?Ｉ?Ｉ?１?＾?＾?＾?—??输入层?卷积层?池化层?卷积层?池化层?全连接层??图２．６外典型卷积祌经网络结构（ＬｅＮｅｔ－５）??Ｆ
特征维度过大，卷积计算量过大。池化层的存在可以有效减少目前常用的池化操作一??般有三种：均值池化（ｍｅａｎ－ｐｏｏｌｉｎｇ）、随机值池化（ｓｔｏｃｈａｓｔｉｃ－ｐｏｏｌｉｎｇ）、最大值池化??（ｍａｘ－ｐｏｏｌｉｎｇ）。图２．７与图２．８分别是均值池化和最大值池化的示意图。??１５?６?４??４?２?７?３???３?５??３?４?２?２?１／７?４?３??３?６?２?６??图２．７均值池化??Ｆｉｇｕｒｅ?２．７?Ａｖｅｒａｇｅ?ｐｏｏｌｉｎｇ??１５?６?４??４?２?７?３???５?７??３?４?２?２?＾?６?６??３?６?２?６??图２．８最大值池化??Ｆｉｇｕｒｅ?２．８?Ｍａｘｉｍｕｍ?ｐｏｏｌｉｎｇ??池化层是卷积神经网络中一个必不可少的网络层，池化层具有以下３种特性：??①．特征降维。降维操作可以在一定程度上可以避免过拟合现象的产生，也有利??于卷积神经网络的优化。??？．特征不变性。虽然池化层会减少图像的特征维度，但经过上文所提的三种池??化操作后，图像的特征都不受变化，这是因为它对全图任何位置都进行相同的池化操??１２??
【参考文献】：
期刊论文
[1]中国主要生态地理区的林火动态特征分析[J]. 田晓瑞,舒立福,赵凤君,王明玉. 林业科学. 2015(09)
[2]基于神经网络的火灾图像特征融合算法[J]. 高娜,李良. 计算机系统应用. 2010(01)
[3]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)
[4]澳大利亚森林大火烧出的反思[J]. 黄典林. 中国报道. 2009(04)
[5]世界森林火灾预防与监控技术概述[J]. 白帆,周大元,张丽平,杨艳秋,肖冰. 林业劳动安全. 2008(03)
[6]世界典型地区森林火灾状况与防火技术展望[J]. 孙少辉. 林业机械与木工设备. 2008(03)
[7]希腊大火警示全球气候危机[J]. 钟韵瑶. 新安全 东方消防. 2007(09)
[8]基于模糊神经网络的火灾探测算法的应用研究[J]. 曾昭华,苏志军,高珊珊. 自动化技术与应用. 2004(09)
[9]基于人工神经网络的火灾图象探测方法[J]. 宋卫国,范维澄,吴龙标. 火灾科学. 1999(03)
[10]液晶光闸在火灾探测中的应用[J]. 吴龙标,宋卫国,卢结成. 光学技术. 1999(01)
博士论文
[1]林火扑救优效组合技术研究[D]. 陈劭.北京林业大学 2008
硕士论文
[1]森林火灾烟雾图像识别算法研究[D]. 兰久强.福建师范大学 2017
[2]基于自适应学习速率的改进型BP算法研究[D]. 杨甲沛.天津大学 2008
本文编号：3414129
本文链接：https://www.wllwen.com/nykjlw/dzwbhlw/3414129.html
最近更新
教材专著
