摘 要

森林对人类的生活和发展有深远的影响，但森林火灾对森林是一个很大的威胁。关于森林火灾监测的研究尚处于发展阶段,有很多的方法被初步提出和使用。本文使用了机器学习领域的深度学习算法，具体来说是其中的卷积神经网络，将其应用在林火识别的问题上。深度网络可主动提取输入图像特征，在层与层之间的传递过程中，底层持征被一步一步转化成高层的抽象特征，对比传统方法中人工提取特征，节省大量时间还能取得更好的效果。深度卷积神经网络作为一种被广泛采用的用于图像处理的机器学习技术，其特有的局部感受野或者说权值共享减少了参数的数目，降低了算法训练的难度，逐渐成为图像处理领域的最热门。近年来许多论文提示了CNN在林火识别方面的优越性。

本文使用了包括Resnet50，VGG19网络为基础的卷积神经网络，利用已经在ImageNet数据集上进行过大规模训练的参数作为初始参数，并对网络做出了各方面的优化调整和测试，来获取最佳结果。另一方面，森林火灾的图片非常稀少并难以搜集，这会严重影响网络的准确度。我们考虑到火和烟在图像角度上具有其特殊性，所以在训练集中加入了大量一般的烟雾和火焰图片。最终经过各方面的调试，总结出了一些经验：林火识别中不宜使用过于复杂的网络；训练集与验证集样本分布十分重要。并取得了较为理想的结果。

关键词：深度学习；林火识别；卷积神经网络；样本分布

Research on Forest Fire Image Recognition

Based on Deep Learning

ABSTRACT

Forests have a profound impact on human life and development, but forest fires pose a great threat to forests. The research on forest fire monitoring is still in the development stage, and many methods have been initially proposed and used. This paper uses a deep learning algorithm in the field of machine learning, specifically the convolutional neural network, which is applied to forest fire identification. In-depth network can actively extract input image features. In the process of transfer between layers, the underlying sign is transformed into high-level abstract features step by step. Compared with the traditional method of extracting features manually, it can save time and achieve better results. Deep convolutional neural network is a widely used machine learning technology for image processing. Its unique local receptive field or weight sharing reduces the number of parameters, reduces the difficulty of algorithm training, and gradually becomes the hottest in image processing field. In recent years, many papers have suggested the superiority of CNN in forest fire recognition.

This paper uses a convolutional neural network based on the Resnet50, VGG19 network, uses the parameters that have been extensively trained on the ImageNet dataset as initial parameters, and makes optimization and adjustments in various aspects of the network to obtain the best result. On the other hand, pictures of forest fires are rare and difficult to collect, which can seriously affect the accuracy of the network. We consider that fire and smoke have their own particularity in terms of images, so a large amount of general smoke and flame images are added to the training set. Finally through various aspects of debugging and adjusting, we conclude: forest fire identification should not use too complex network; training set and verification set sample distribution is very important. And we achieved a satisfactory result.

Key words：deep learning；forest fire recognition；convolutional neural network；sample distribution

目 录

1 前言 1

1.1 课题研究背景 1

1.2 国内外研究现状 1

2 实验平台与环境 3

2.1 软件平台 3

2.1.1 Python简介 3

2.1.2 Anaconda简介 3

2.1.3 Tensorflow和Keras 4

2.2 GPU 4

2.3 数据集搭建 4

2.3.1 Imagenet 4

2.3.2 搜索引擎 5

2.3.3 图像预处理 5

3 卷积神经网络 7

3.1 卷积神经网络 7

3.1.1 卷积神经网络的历史 7

3.1.2 卷积神经网络的结构 7

3.1.3 常见的网络结构 10

3.2 基于卷积神经网络的识别框架搭建 11

3.2.1 输入层 11

3.2.2 卷积层与池化层 11

3.2.3 Batch Normalization和残差层 12

3.2.4 softmax层 12

3.2.5 采用预训练的参数 12

4 实验结果分析 14

4.1 ResNet50结果分析 14

4.1.1 不同学习率 14

4.1.2 不同batch size的选择 14

4.1.3 全连接层结构 15

4.1.4 增加可训练的层数 17

4.1.5 训练集与验证集的样本空间分布 18

4.1.6 ResNet50总结 19

4.2 VGG19结果分析 20

4.2.1 结构介绍 20

4.2.2 结构及参数调整 21

4.2.3 VGG19总结 23

结 论 25

致 谢 26

参考文献 27

1. 前言
   1. 课题研究背景

森林是一种重要的物质资源，也是一种环境资源，它是“生态平衡的核心”，也是“大自然的总调度室”。可目前，森林火灾已成为破坏森林资源的第一杀手。森林火灾，是指失去人为控制，在林地内自由蔓延和扩展，对森林、森林生态系统和人类带来一定危害和损失的林火现象。森林火灾突发性强、破坏性大、作为一种自然灾害处置较为困难。森林火灾会烧毁动植物资源，导致水土流失，对生态环境造成不可挽回的影响，造成的经济损失往往非常巨大，常常还会造成人员伤亡。所以说，森林火灾不管是对大自然还是人类都有着重大威胁。引起森林火灾的原因也是多方面的，但总体来说不外乎人为因素和自然因素，据多年的累积数据统计，有绝大多数的森林火灾是由人为素因引发的，林区管理不当、用火不严、农民在农作期随意点烧等不当行为都是引发森林大火的主要原因。

而就目前为止，全国对森林火灾的监测手段整体较落后。一是传统的瞭望塔，它观测的覆盖面积较大，效果较好。但瞭望塔的观察效果不可避免的受地形地势的限制，有死角和空白，观察不到等缺点。同时建设瞭望塔的经济成本也较高，再考虑到森林中没有现成的公路等因素，建设瞭望塔的时间和人力消耗决不可小视。二是视频监控，这里指的监控还是传统的，将采集到的视频图像汇总，最终由人工完成监视和报警的过程。但是人工监视易造成的精神疲劳和长期工作的懈怠，导致视频中的火情不被被查觉，漏报率非常高，同时这种方法也很难大规模实施。

但随着图像处理技术和计算机技术的不断发展，各类智能预警开始展现出它们的优势。该类系统以数字化、网络化视频监控为基础，可以及时发现监控区域内的异常烟雾和火灾苗头。由于其高度自动化的发展方向，能够在节约成本的同时，很大程度的降低误报和漏报现象。相对的是，自动化的林火识别系统还处于研究发展中，并不完善。传统的基于人工特征提取的方案本身较为复杂，在环境迁移之时往往适应性较差。对这个系统的改善具有较大的操作意义和价值。

• 1. 国内外研究现状

在《Smoke Detection Based on Deep Convolutional Nerual Networks》中，他们发现对于烟雾的判别中，由于烟雾在颜色和形状上的特点，使用传统的特征提取方法是相对困难的，但使用CNN的方法后，构造了一个end to end的程序，达到了99.4%的侦测率和0.44%的误报率。这一结果明显高于传统的方法，体现了CNN深度学习在这一方面的优越性。[^[1]]