复杂背景下基于深度卷积神经网络的森林火灾识别

针对森林火灾的特点,提出并设计一种基于深度学习的森林火灾图像识别方法。通过实验,给出用于复杂背景下森林火灾识别的深度卷积神经网络结构,并对该结构进行训练和测试。并且,针对小样本林火识别存在识别率低的问题,提出一种参数替换方法。结果表明,该方法具备较高的正确率,正确率达到98%。同时网络可自动提取特征,无需对输入图像进行复杂预处理,克服了传统算法许多固有的缺点,将其应用在森林火灾识别领域取得了很好的效果。

基于多传感器融合的林火监测

为了提高近距离火灾监测的准确率,建立了基于Arduino平台的多传感器实时监测系统。此系统安装在移动机器人身上以探测火灾。在林火发生期间,会产生CO、CO2、明火火焰及其他产物,并引起周围环境温度的升高。因此,选择合适的传感器,检测出以上参数,就有可能据此判断实际环境是否有火。通过在Arduino上搭建火焰传感器、温度传感器、气体传感器和烟雾传感器,可以实时监测环境参数。在无火和有火环境中进行了多次试验,进行数据采集,得到了大量原始数据。无火环境的数据是在不同的天气条件下测得的;有火环境由试验火堆模拟得到。在模拟的过程中,进行人为操作以模拟不同的火情。如通过浇湿底部的可燃物模拟预热阶段,试验数据因此更有代表性。数据分析表明,单个传感器的输出值波动大,且在有火环境和无火环境中的输出值有重叠。因此,用单一传感器来检测火灾的准确率很低。而同时分析3个传感器的输出值时,其输出值随所检测火堆的不同呈现出一致的变化规律。最后,利用神经网络进行多传感器数据融合。涉及5个输入变量,由神经网络实现对多变量的非线性问题进行模式识别。将前述试验所得数据划分为训练数据和测试数据,两类数据均包含一定比例的有火样本和无火样本。用训练数据对BP神经网络进行训练,可得到林火识别模型。用测试数据检验模型,结果表明,该BP神经网络对试验火的识别准确率为98.625%。