基于遗传算法优化的深度学习林火异常检测方法技术

本发明专利技术公开了一种基于遗传算法优化的深度学习林火异常检测方法，为了实现快速，有效准确的分析和预防森林火灾，这里本文提出了一种用遗传算法优化的深度学习时间序列卷积神经网络(GA‑CNN)，能在环境中高精度的检测火灾发生，在不同的评估场景中，在准确率，真阳性，误报率等方面有较好的表现。这种优化的CNN不仅具有全局寻优的能力，还可以实现具有时间序列判断卷积神经网络，这样不仅可以避免卷积神经网络中经常会遇到的收敛难，模型结构选择不当等问题，还有效降低了森林护卫人力资源的配置。

【技术实现步骤摘要】
基于遗传算法优化的深度学习林火异常检测方法
本专利技术涉及火灾探测
，尤其涉及一种基于遗传算法优化的深度学习林火异常检测方法。
技术介绍
森林火灾是影响生态环境危害最大的灾害之一。它们可能会快速传播，会造成经济损失，环境危害甚至还威胁到人类的生命。事实上，火灾传感器是传统点传感器(如烟雾和热探测器)的补充，为人们提供了火灾发生的早期预警。然而，与图像处理技术相结合的摄像机比点传感器更快地检测火灾发生，此外，它们比传统的探测器更容易提供火灾的大小、生长和方向。目前，随着数字图像处理不断进步以及机器学习模式识别算法的深度融合，森林火灾检测的识别算法也不断更新得到广泛应用。森林火灾采集的图像一般由烟雾图像和火焰图像组成。其中烟雾图像在早期判别时候有重要意义，而火焰图像本身则具有下面特征如红外辐射、颜色、纹理等。传统的森林火灾识别方法是基于人工选择的几个特征对森林火灾图像进行识别，其精度完全依赖于对其特征的人工选择。识别必须在良好的可见光下进行，不受雾或其他因素的干扰。但在实际的森林火灾监测中，需要监测的森林面积一般很大，可能会有更多的干扰，视线本文档来自技高网...

【技术保护点】
1.一种基于遗传算法优化的深度学习林火异常检测方法，其特征在于：基于森林火灾图像的特点用遗传算法优化的CNN的分类器分别对火焰和烟雾，对森林火灾进行异常检测初步判断，将GA遗传算法和基于时间序列的卷积神经网络相结合，将两者结合得到全局优化的深度学习卷积神经网络，随后，通过检测图像数据集里的火灾部分和烟雾部分，从而对优化的时间序列卷积神经网络进行分析和实验验证。/n

【技术特征摘要】
1.一种基于遗传算法优化的深度学习林火异常检测方法，其特征在于：基于森林火灾图像的特点用遗传算法优化的CNN的分类器分别对火焰和烟雾，对森林火灾进行异常检测初步判断，将GA遗传算法和基于时间序列的卷积神经网络相结合，将两者结合得到全局优化的深度学习卷积神经网络，随后，通过检测图像数据集里的火灾部分和烟雾部分，从而对优化的时间序列卷积神经网络进行分析和实验验证。


2.根据权利要求1所述的基于遗传算法优化的深度学习林火异常检测方法，其特征在于：所述CNN由卷积层、池化层和全连接层三个部分组成，卷积层和全连接层包含神经元，且卷积层和全连接层权重被学习和调整，基于时间序列的CNN模型在输入层后面包含两个连续的卷积层，池化操作后，将特征扩展为一维，然后输入到完全连接的层以输出结果。


3.根据权利要求2所述的基于遗传算法优化的深度学习林火异常检测方法，其特征在于：所述卷积层参数选择如下：



根据卷积输出特征公式2.1可知，其中m为输出特征的大小，i为输入的特征大小，k为卷积核的大小，l为移动的步长，n为填充数。


4.根据权利要求2所述的基于遗传算法优化的深度学习林火异常检测方法，其特征在于：池化层输出特征的大小由公式2.2确定，其中Pn为采样的，l为移动的步长；





5.根据权利要求2所述的基于遗传算法优化的深度学习林火异常检测方法，其特征在于：所述全连接层中含有神经元个数，激活函数，dropout，初始权重阈值的参数。


6.根据权利要求1所述的基于遗传算法优化的...

【专利技术属性】
技术研发人员：蒋媛，魏瑞，卢超，王桂宝，
申请(专利权)人：陕西理工大学，
类型：发明
国别省市：陕西;61