基于遗传算法优化的深度学习林火异常检测方法

摘要

本发明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。

说明书

技术领域

本发明涉及火灾探测技术领域，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。

背景技术

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，视线也不会很好。此外，林区湿度和雾量较大，显著降低了可见透射率。火焰燃烧图像具有红外辐射热效应、连续火灾蔓延和纹理等特点。之前基于模式识别的森林火灾识别算法识别精度取决于特征的手工选择，只能适应特定的数据集，因此其泛化能力不足。因此就有学者提出了一种基于深度学习(DL)的CNN(卷积神经网络)火灾图像识别方法，此方法可以虽然可以避免人工特征提取，从而能够自动提取森林火灾图像的特征，但是不能避免陷入局部最小。同时也有学者提出利用自适应CNN网络和FasterR-CNN网络来提高训练精度。还有一些研究人员提出了一种基于PCA-Net(主成分分析网络的图像检测算法)。而PCA-net的优点是构造简单，训练参数较少，可以有效解决其反向传播的梯度色散问题，避免其参数爆炸现象建立各种时空特征的模型，如颜色特征和闪烁特征，和动态纹理分析特征目前已经被证明能够探测火灾，以及我们过去使用小波检测烟雾和火焰的算法，还有支持向量机，马尔可夫模型，区域协方差，共差矩阵等。

然而已经有大面积火焰可以探测到的时候，火灾已经比较难控制了，所以我们不仅专注于火灾火焰探测，而且还有烟雾探测。这主要是由于烟雾上升到树冠之上，而且它有更高的机会落入监视森林的摄像机的观察范围。因而，根据前面提到的森林火灾图像的基本特点，我们将提出了一种新的森林火灾图像识别方法。在该方法中，首先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。

发明内容

本发明的目的就在于为了解决上述问题而提供一种基于遗传算法优化的深度学习林火异常检测方法。

本发明通过以下技术方案来实现上述目的：

本发明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。

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。

本发明的有益效果在于：

本发明是一种基于遗传算法优化的深度学习林火异常检测方法，与现有技术相比，本发明提出的基于遗传算法优化的CNN模型进行烟雾和火焰检测，将网络参数和训练参数作为独立的个体基因序列当做一初始化种群，进行计算与训练个体的对应的适应度。采用了交叉，变异及优选的进化方式，通过迭代遗传的进化方法把满足适应度要求的个体作为目标参数进行模型的训练。从而改变了卷积神经网络陷入局部最优化的网络难题，提高了的模型的提高了识别率。其相比于单纯用CNN算法检测林火的算法以及使用BP神经网络机器学习的算法来讲提高了检测的精度和准确度。另外，这篇文章中此方法提出了同时可以探测烟雾和火焰，最后，实验结果证明此方法的有效性。

附图说明

图1是本发明的林火检测示意图；

图2是本发明的CNN基于时间序列模型的基本结构图；

图3是本发明的优化遗传算法的运算流程图；

图4是本发明的森林火灾探测结果。

具体实施方式

下面结合附图对本发明作进一步说明：

如图1所示：卷积神经网络能够处理高维度数据和适应大规模的网络环境，同时可以充分对数据特征进行非线性映射，不用手工提取特征挖掘出各个特征之间的联系，是当前林火迫切需要的技术之一。但在实际运用中，卷积神经网络会经常遇到收敛难、模型结构选择不当等种种问题，从而导致其在林火检测中的预测性能不佳。所以要寻找一种全局优化的基于深度学习(DL)卷积神经网络的算法成为亟待解决的问题。为了更好的探究解决该问题的可行性，本文将GA遗传算法和基于时间序列的卷积神经网络相结合，由于遗传算法本身具有十分强大的全局寻优能力，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。

对于CNN而言，它是深度学习的框架，从生物的视觉感知机制中得到启发的。在图像分类中得到广泛的应用，其与手工提取特征的方法相比，能在大数据集上面实现较高的分类精度。CNN通常由卷积层、池化层和全连接层三个部分组成，它们是其最重要的部分。卷积层运算是在输入数据上应用几个大小不同的核来生成特征映射，而这些特征映射被输入到下一个操作，成为子采样或者池化。池化层其中最大的激活从他们里面挑选最近邻，这些操作对降低特征向量的维数和达到一定程度的平移不变性非常重要。CNN模型的另一个重要的层是全连接层，其中高层抽象是从输入数据建模的。这三个层操作中，卷积层和全连接层包含神经元，它们的权重被学习和调整，以便在训练过程中更好的表示输入数据。这里提出基于时间序列的CNN模型在输入层后面包含两个连续的卷积层。这种结构可以在较浅的网络深度中提取更高层次的特征，也可以避免池层处理后特征信息的丢失。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。

在卷积层中，卷积层输出特征向量的大小受许多参数的影响，这些参数是决定CNN模型特征提取效果的关键，选择好的参数搭配可以加快网络学习的效果。

如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，这些参数是需要提前设置的，并且对特征的提取起着至关重要的作用；

在池化层主要降低卷积层输出的特征向量，进一步提取主要特征，保留重要的特征信息，提高特征信息提取的鲁棒性有效地减少模型处理的时间和减少过拟合的情况。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。

在全连接层中含有很多的参数，包括：神经元个数，激活函数，dropout，初始权重阈值等，这些参数对经过卷积层、池化层的特征整合有非常大的影响，同时很容易造成网络层参数的冗余。

通过上述分析，CNN的学习效果受许多参数因素的影响，初始参数设置不合理，很有可能导致网络不能快速收敛，最终导致网络性能不能达到预期效果。因此，CNN结构优化是一个函待解决的问题。近年来，CNN优化方法也层出不穷，但基本上都是在初始权重，全连接权重和小部分参数，依旧有许多参数需要手动选择。在此基础上，本文提出了一种基于遗传算法的卷积神经网络优化算法，通过遗传算法的选择、交叉和变异等操作，选择使得卷积神经网络验证误差最小的个体适应度值作为卷积神经网络卷积核数量、卷积核和池化核的尺寸、训练的最大迭代次数及正则化因子等参数确定的依据，从而获得性能最好的参数组合。

如图3所示：遗传算法应用到优化卷积神经网络的参数上，其中包括了自动选择最优初始权重，阈值、网络结构参数，激活函数，优化器及全连接层神经元等参数，其具体操作流程如下：

(1)确定种群的大小参数；式3.1是用集合M表示初代种群，Xn是种群的一个个体；

M＝{X

(2)初始化种群，将图2中的网络参数赋值于个体，每个个体的基因串由初始权重阈值，一组网络参数和训练参数组成，同时将损失函数值及准确率函数值设置为0；式3.2是用集合表示个体基因序列，其中K代表初始权重阈值，N代表卷积核的数量，X代表卷积核或池化层的大小，λ代表正则化因子，η代表训练迭代次数；

X

(3)对个体进行遗传操作优化，计算染色体的适应度值，优化标准包括确定交叉概率P

(4)查看产生的新个体是否满足最优标准，若满足继续下一步；否则返回步骤(3)；

(5)使用遗传算法得到的最优初始权重，阈值，网络结构参数，优化器及全连接层神经元数等，更新卷积神经网络作为新的网络训练模型。

实验

表1为基于CNN的森林火灾探测实验的数据集，其主要来源于从网上获取了大量的森林火灾烟雾视频和图片，构成了一个较为完整的林火烟雾图片数据库。从该表中，该数据集主要由两部分组成：训练集和测试集，共计1900幅图像，而图像主要是由烟雾图像和火焰图像，且两者都包括正和负样本。基于CNN算法和BP神经网络算法，对表1的数据进行计算，具体结果见表2。从表2中，可以看出优化后GA-CNN算法的准确率数值为0.95，高于未优化CNN算法(0.85)和BP神经网络算法(0.73)；而其真实阳性率的数值也高于未优化CNN和BP神经网络。图4为优化CNN算法的计算森林火灾结果。从该图中，可以看出图4(a)-(e)为正面的样本，而图4(f)为出现误判的负向的图片。

表1森林火灾检测实验数据集检测信息

表2不同算法的结果比对

以上显示和描述了本发明的基本原理和主要特征及本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。