發(fā)布時間：2023-10-21 11:44

　　近些年來森林火災頻繁發(fā)生。因此,對森林防火技術的研究是十分必要的。目前,在森林防火領域計算機視覺與人工智能技術的應用還處于初步階段。本文對LBP算法、深度學習方法、以及基于對抗的遷移學習方法進行改進與創(chuàng)新,詳細內容如下:提出了基于局部二值模式(LBP)的改進方法。具體是采用LBP算法提取林火煙霧樣本圖像的LBP特征,再用訓練樣本的圖像特征構建特征字典。獲得測試樣本在特征字典上的重構誤差,將其與設定的閾值的進行比較,當重構誤差小于等于閾值時判別為森林火災煙霧圖像。為了檢驗特征字典的樣本數對識別能力的影響,設置實驗檢測在不同的樣本數量時的識別率變化。最后進行對照實驗并設置VGGNet、ResNet為對照組。本章所提出的方法在識別率上分別高出對照組6.11個和5.61個百分點。由以上實驗可知訓練樣本數量對識別精度有著一定的影響,但樣本數到達一定數量級時,對精度的影響會逐漸減弱。另外在較少樣本的前提下與主流的深度學習網絡相比,在檢測精度與檢測速度上都有明顯的提升。提出了一種基于三維殘差稠密網絡的林火煙霧識別方法。該方法是在參考三維卷積神經網絡的基礎上改進得到的。并且相較于傳統(tǒng)的三維神經網絡,本...

【文章頁數】：57 頁

【學位級別】：碩士

【文章目錄】：
摘要
abstract
1.緒論
    1.1 林火煙霧識別研究的背景及意義
    1.2 國內外研究現狀
        1.2.1 基于深度學習的煙霧識別研究現狀
        1.2.2 遷移學習研究現狀
    1.3 論文的主要內容及創(chuàng)新點
        1.3.1 研究內容
        1.3.2 研究的創(chuàng)新點
    1.4 本文的組織結構
2.相關理論介紹
    2.1 卷積神經網絡
    2.2 深度遷移學習
3.基于LBP的森林火災煙霧識別方法
    3.1 LBP算法提取森林火災煙霧特征
    3.2 煙霧圖像特征識別
    3.3 實驗過程與分析
        3.3.1 數據收集與環(huán)境
        3.3.2 樣本稀疏測試
        3.3.3 特征字典樣本數對識別率影響檢測
        3.3.4 識別能力對比檢測
    3.4 本章小結
4.基于3D殘差稠密網絡的煙霧識別方法
    4.1 三維卷積神經網絡
    4.2 三維殘差稠密網絡
    4.3 三維殘差稠密模塊
    4.4 仿真實驗
        4.4.1 實驗設置與數據收集
        4.4.2 優(yōu)化器的選擇
        4.4.3 實驗結果與分析
    4.5 本章小結
5.基于對抗的深度遷移學習在森林防火中的應用
    5.1 域協作和對抗網絡
    5.2 增量CAN模型標記
    5.3 仿真實驗
        5.3.1 實驗數據收集與環(huán)境搭建
        5.3.2 域對抗與域協作遷移學習實驗細節(jié)
        5.3.3 在數據集的實驗結果及分析
    5.4 本章小結
6.總結與展望
參考文獻
攻讀碩士學位期間所取得的研究成果
致謝



本文編號：3855767