針對森林火災背景復雜,圖像擬合方式欠佳,使特征描述不充分而導致卷積神經網絡（CNN）識別率低,卷積核隨機初始化導致迭代次數增多等問題,提出了一種三通道擬合的改進卷積神經網絡林火識別算法。通過調整三原色（RGB）三通道比例擬合樣本圖像,尋求火焰和背景對比度最大的優(yōu)化參數組合,以解決識別率降低的問題;同時采用主成分分析（PCA）算法初始化卷積核來改進模型,提高迭代速率。實驗結果表明:所提算法能有效地提高識別率,加快迭代速度,識別率達98. 5%。 

【文章來源】：傳感器與微系統(tǒng). 2020,39(11)CSCD

【文章頁數】：4 頁

【部分圖文】：

CNN結構

取U中前Outputmaps個特征向量作為該卷積層的卷積核組，CNN第一個卷積層有6個卷積核，因此，取前6個特征向量，每個特征向量為一個卷積核所對應的列向量，將每一個列向量再重新轉換為5×5的矩陣作為第一層卷積層的卷積核組，跟輸入層的數據做卷積，即完成了對第一個卷積層的卷積核的初始化操作。同理，第二個卷積層卷積核按式(2)～式(4)操作。圖2為改進網絡算法流程。3 實驗結果分析

通過程序從高分辨率的彩色林火圖像的特定特征區(qū)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的彩色圖像并制作成數據集。數據集格式由表1給出。圖3給出訓練和測試樣本部分圖像。3.1.2 PCA數據集和仿真環(huán)境介紹

【參考文獻】：
期刊論文
[1]基于卷積神經網絡的實時跟蹤算法[J]. 程朋,劉鵬程,程誠,周祥東,石宇.  傳感器與微系統(tǒng). 2018(05)
[2]森林火災火燒跡地遙感信息提取及應用[J]. 楊偉,姜曉麗.  林業(yè)科學. 2018(05)
[3]基于卷積神經網絡的胸片肺結節(jié)檢測[J]. 朱國策,李朝鋒.  傳感器與微系統(tǒng). 2017(12)
[4]復雜背景下基于深度卷積神經網絡的森林火災識別[J]. 傅天駒,鄭嫦娥,田野,丘啟敏,林斯俊.  計算機與現代化. 2016(03)
[5]基于小波變換和支持向量機的火災識別算法[J]. 鄒婷,王慧琴,胡燕,梁俊山,殷穎.  計算機工程與應用. 2013(14)
[6]森林火災圖像幾何特征提取識別的算法研究[J]. 王柯,方陸明,付鋆萍.  浙江林業(yè)科技. 2009(06)
[7]基于視頻圖像的火災自動檢測[J]. 嚴云洋,高尚兵,郭志波,盛明超.  計算機應用研究. 2008(04)

碩士論文
[1]基于視頻圖像的森林火災自動監(jiān)測識別技術研究[D]. 詹琪.電子科技大學 2017
[2]圖像處理與模式識別在火災探測領域的應用[D]. 都俊松.沈陽工業(yè)大學 2007



本文編號：3305421