基于Sparse-DenseNet模型的森林火灾识别研究 |
| |
引用本文: | 周浪,樊坤,瞿华,吕媛媛,张正宜.基于Sparse-DenseNet模型的森林火灾识别研究[J].北京林业大学学报,2020,42(10):36-44. |
| |
作者姓名: | 周浪 樊坤 瞿华 吕媛媛 张正宜 |
| |
作者单位: | 北京林业大学经济管理学院,北京 100083 |
| |
基金项目: | 国家自然科学基金项目(71502015),北京市社会科学基金项目(16GLC059),中央高校基本科研业务费专项(2017ZY68),北京林业大学教育教学研究项目(BJFU2018JY040),北京高等学校青年英才计划项目(YETP0776) |
| |
摘 要: | 目的 森林火灾的频繁发生给森林防治工作带来很大的难度,传统的森林火灾识别算法存在准确率低、处理效率不够高等问题,同时由于森林火灾图像数据本身具有很强的复杂性,需要从识别精度和泛化能力等多方面进行综合考虑,因此本文将利用稀疏化的DenseNet模型展开森林火灾的识别研究。 方法 首先,对DenseNet模型进行稀疏化改造,通过随机屏蔽Dense Block模块中节点的方式来产生稀疏化效果,使得算法具备减轻过拟合、缓解梯度消失以及加快收敛速度等优点。其次,在林区进行图像采集时,由于摄像设备与被采集物体之间的相对运动以及光影作用,会出现图片数据被干扰的情况,因此本文利用python相关的图片处理工具对图片进行变换,从而对图片数据集进行相应的扩充,使其能够契合实际的应用场景。最后,本文将Sparse-DenseNet模型与其他经典深度学习模型在森林火灾数据集以及cifar10数据集上的表现进行对比,观察其效果。 结果 Sparse-DenseNet模型拥有在结构上更加轻量的特点,并且训练更快,避免过拟合的效果更好,在森林火灾数据集和标准数据集cifar10上都具有较好的表现。 结论 本文所提出的Sparse-DenseNet模型在森林火灾识别问题上,可以有效优化传统模型存在的问题,并取得良好的识别效果,其准确率可达到99.33%,优于DesenNet的98.15%,并且相同轮次训练时间只有DenseNet训练时间的3/4左右。
|
关 键 词: | 深度学习 DenseNet 稀疏化 森林火灾 图像识别 |
收稿时间: | 2019-09-25 |
|
| 点击此处可从《北京林业大学学报》浏览原始摘要信息 |
| 点击此处可从《北京林业大学学报》下载免费的PDF全文 |