使用组合方法来改善实时森林火灾探测

文摘

本研究调查潜在的使用主成分分析(PCA)改善与流行的实时森林火灾探测算法,如YOLOv3和SSD。YOLOv3 / SSD训练之前,我们利用PCA提取特征。结果表明,PCA YOLOv3增加意味着平均精度(地图)和检测精度分别3.3%和16.3%。PCA与SSD增加地图和检测精度分别1%和2.1%。这些结果表明,PCA是一个健壮的工具改善不同的客观检测网络。本文是非常实用的森林森林安全实时监测。

关键字

实时森林火灾检测、目标检测、森林安全,PCA, YOLOv3, SSD

介绍

各种火灾探测出现,人类观测、卫星系统、红外光谱、传感器网络、基于视觉/图像技术等(1,2]。人类的观察是最古老和传统的方法之一,labor-consuming和耗时。卫星系统需要一个扫描周期长,不能提供一个实时火灾图像。红外可能引起的散射光束传播。尽管许多人关注火灾探测系统的研究,他们必须解决的困难如何分配室外传感器在复杂环境和电池充电。与这些方法相比,基于视觉/图像的方法表现出更大的优势。他们可以24小时监控森林和尽早探测火灾。基于视觉/图像技术总是探测森林火灾的三个方面,颜色,纹理,运动。事实是虽然很多文学具有更高的检测精度和更低的错误检测,实时经常被忽略。

流行的对象检测方法如R-CNN更快,YOLOv3和SSD可以实时探测森林火灾。Tsung-Yi林出版社,认为当前最先进的对象探测器可分为二级探测器和单程探测器。R-CNN框架,例如,这两级探测器第一次生成一组稀疏的候选对象的位置然后实现分类器的工作。两级探测器赢得挑战可可基准很多时候。但是最近工作onestage探测器还显示了不错的效果。与最先进的两阶段方法相比,他们与准确性产生更快的探测器在10 ~ 40% (3,4]。

本文进一步推动单程检测器:我们首先采用PCA预处理的原始颜色图片的森林大火,然后把这些照片处理成培训网络。我们比较的最终检测结果YOLOv3, PCA YOLOv3, SSD,和PCA SSD,终于发现组合方法(PCA YOLOv3 / PCA与SSD)执行比单个方法。地图和组合方法的检测精度,结果他们获得更好的位置。

对于YOLOv3的主成分分析,提取260特性从原始森林大火彩色图像。对于SSD的主成分分析,提取300从原始的特性。我们从很多测试定义的特性。提出工作的动机是,我们认为,只有主要特性导致最后的检测,其他冗余特性/信息从原始图片使检测变得更糟。采用PCA的预处理工作,计算选择合适的。实验表明,我们提出的方法结合使我们培养更高的精度/地图,一个阶段检测器,明显优于单独的。

证明的有效性提出了组合方法(PCA与YOLOv3 PCA与SSD),我们采用3个指标来评估。检测精度,地图和培训时间(10000次)列出在表中显示这四个方法。

相关工作

借助聚类和模糊逻辑,Kalli Srinivasa Nageswara普拉萨德等人提出了一个新颖的骗局,自动检测森林大火从空间数据对应的森林地区5]。形成了模糊规则包括四个步骤,颜色空间转换,k - means聚类,模糊集生成和模糊规则推导。借助公开可用的空间数据,形成模糊规则有效地探测到火灾。

Punam Patel等人结合颜色检测,区域分散和运动检测检测火灾在视频帧6]。RGB是检测红色信息图像,和颜色空间转换方程用于生成一个相应的Y, Cb, Cr图像。他们使用帧差分方法减去多余的背景噪音检测视频图像中的运动像素。他们分析两个连续帧和查看色散X和Y坐标(最小和最大),然后比较区域检测的模型。

通过识别的灰色周期像素附近的火焰,Gaurav Yadav等人给火灾探测优化方案(7]。基于颜色检测,提出了一种新的火灾探测系统,包括运动检测、灰色周期检测,区域分散,最后,系统性能是92.31%。他们认为这个系统拥有更少的假警报和更高的系统性能。山姆G.Benjaminetal。,concludes different techniques that drastically reduce the false detection rate [8]。这些作者认为多种技术组合来获得更好的检测结果至关重要。他们证明技术总结颜色线索,运动分析,和火闪烁的执行比独自坚持到颜色信息。

Anupam米塔尔等人给审查机器学习火灾探测技术(9]。介绍了支持向量机,安,DT, FFNN读者。对森林火灾探测使用SPOT-4意象,f . Sunar出版社调查的能力提高分类方法(10]。五个分类技术包括多层感知器(MLP)、最大似然(ML),演算法(AB), Logitboost(磅)和回归树(RT)是通过分类精度评估。结果表明,AB和磅分类替代以前的技术可能是一个巨大的潜力。

清洁Zhang et al .,提供了一种森林火灾探测深度学习方法(11]。他们经营的火灾探测级联的方式,首次全球映像级别测试完整的图像,然后罚款了补丁分类器检测发现火的精确位置。他们提出了一种火灾探测基准,178图像训练集和59个测试集的图像。第一阶段,他们采用CIFAR 10网络,但是输出的数量改变了,也添加一个辍学层避免过度拟合。第二阶段,他们使用8层AlexNet咖啡框架。

所有这些作品并没有提到实时森林火灾探测。需要实时森林火灾探测。当危险来临的时候,及时的发现可以拯救许多人的生命和财产。提出的两种方法(PCA与YOLOv3 PCA与SSD)可以实时探测森林火灾。PCA预处理的原始彩色图像在训练之前,我们利用训练重量/ caffemodel探测森林火灾。这种预处理不仅不会影响最终的实时检测,还增加了检测精度和地图。

方法

YOLOv3

YOLOv3使用多维集群作为预测边界框锚箱。本研究中采用的K -意味着算法生成9集群和确定边界框先验(11]。这些集群,被均匀地分布在三个不同尺度(26×13×13日26日和52×52),导致与YOLOv3平均精度(美联社)性能好。几个卷积器层包含在基础功能,最后预测三维张量编码客观性,边界框结构和类。网络预测4坐标对于每一个边界框,指示位置坐标,宽度和高度。逻辑回归是用来生成一个对象得分,测量边界框之间的重叠和地面实况对象。前做出预测,如果边界框重叠地面真理对象超过阈值为0.5。独立的物流分类器,采用多标记方法,证明是一个更好的模型数据。因此,我们建议softmax是不必要的实现良好的检测性能。类——特定的信心获得的分数如下:

公关(抚慰|对象)×公关(对象)×借据=公关(抚慰心灵)×借据(1)

YOLOv3混合网络,利用连续3×3卷积层,1×1卷积层,和某些快捷键连接,跳过一个或多个层的方式类似于Resnet。的输出的快捷方式添加到输出叠加层。我们实施这个卷积层网络(原YOLOv3网络、Darknet-53)所示图1和2。

SSD单发探测器,不仅消除了边界框的提议,也排除了像素或功能重新采样阶段(12]。一组固定违约边界框,该算法利用小卷积过滤器,应用于特征图的预测类别分数。检测在多个尺度上通过应用独立的过滤器执行不同纵横比后期的网络。SSD模型利用VGG-16为基础,添加了卷积功能层的截断基地网络。这些层允许多尺度检测和先后降低大小。用于潜在的参数检测的基本元素是一个3×3×p(见图3)小的内核,从而产生一个形状抵消相对于一个特定类别的默认框坐标或得分。这个内核将产生一个输出值时使用它。应用默认盒与每个特性映射细胞用来预测偏移和每个类分数。图4显示了架构SSD,两个全层被丢弃和卷积层重用预测输出值。总体目标损失函数的加权和信心损失(设计)和本地化的损失:

(2)

这里N是默认匹配盒子的数量。本地化的损失是一个平滑的L1损失之间的地面实况盒(g)参数和预测盒(l)。宽度(w)和高度(h)的偏移量回归中心(cx, cy)默认的边界框(d):

(3)

(4)

主成分分析

主成分分析(PCA)是一种数据还原法与因子分析(FA)。在这个过程中,一个更小的子集生成的主要组件是通过分析变量之间的关系在一个数据集。然后用于生成主成分正交变换,第一个有最大可能的方差(13]。主成分分析可以应用使用一个矩阵的奇异值分解和能产生低维形象,代表一个对象的投影时从最有益的观点。

这个过程是定义一个数据矩阵X的大小n×p,在p是变量或特性和n的数量样本的数量。如果X是一个集中的数据矩阵,其协方差可以被定义为:

(5)

C是一个对称矩阵可对角化:

(6)

这里,V是一个矩阵的特征向量和Λ是一个对角矩阵,特征值λi。奇异值分解可以用于显示X:

(7)

协方差矩阵C可以重写使用奇异值分解:

(8)

在这个方程,对角矩阵的特征值λi C表现出以下与奇异值之间的关系矩阵的

PCA算法对彩色图像和提取功能演示图4。YOLOv3和SSD被用来提取特征的火灾图像,分别确定260年和300年的特性。通常人眼无法识别差异功能高于50,见图5和6。

实验结果和分析

本节演示了四种方法的性能:YOLOv3,与PCA YOLOv3, SSD和PCA与SSD。火灾数据集用于测试目的。与PCA YOLOv3,图像首先用PCA预处理(N = 260),然后使用培训。PCA与SSD图像首先用PCA预处理(N = 300),然后使用培训。

表1说明了这四种方法的性能。与YOLOv3相比,PCA与YOLOv3增加了地图和表1说明了这四种方法的性能。与YOLOv3相比,与YOLOv3增加了地图和主成分分析

本检测准确性意味着YOLOv3对象得分和SSD。

同时,我们把损失曲线/借据曲线与YOLOv3和YOLOv3 PCA图7和图8。图9说明了PCA与YOLOv3 YOLOv3的检测精度。图10让图片与YOLOv3 YOLOv3和PCA的性能。

图11显示了PCA与SSD和SSD培训损失。图12显示了PCA与SSD和SSD的地图。它在不同的迭代时间显示地图。在图中,我们显示地图测试精度。图13显示图像比较PCA与SSD和SSD。图14图片显示了150年的检测精度测试。四种方法比较显示在图中。图15显示图像比较四种方法。

结论

前一个阶段检测器YOLOv3 / SSD把原始彩色照片扔到深学习网络训练。在本文中,我们首先利用PCA预处理的原始颜色图片然后使用一个阶段检测器训练,最后检测。结果表明,这种组合增加了地图和检测精度。

组合方法和个人方法,我们使用相同的配置(学习速率、批量大小和迭代次)来实现实验。这个工作的动机依赖于一个主要的想法决定对象检测对象特性的图像。我们使用PCA从原始图像中提取特征。对于YOLOv3的主成分分析,提取260特性。对于SSD的主成分分析,提取300特性。在PCA过程。圣言会是用来选择合适的特征。

预处理的工作不会影响最终的实时检测。我们只考虑PCA处理工具,在未来,我们考虑到其他图像压缩工具也可以用于预处理工作。我们也将测试在不同网络像R-CNN更快,Resnet-SSD, Mobilenet, resnet实现预处理工作。

承认

作者要感谢每个人,只是每一个人

引用

1. 考尔,森林火灾探测技术等。比较了网络使用。Int J第一版Sci通知工艺。2014;5:3800 - 3802。
2. 任年代,et al。快R-CNN:对实时检测与地区建议网络。IEEE模式分析与机器智能。2017;6:1137 - 1149。
3. Redmon J, et al . YOLO9000:更好,更快,更强。arXiv预印本。2017年。
4. 刘W, et al。SSD:单发射击multibox探测器。欧洲计算机视觉。2016:21-37。
5. 林泰,et al。焦损失茂密的目标检测。IEEE模式分析与机器智能。2018年。
6. 普拉萨德KS, et al。一个自治森林火灾检测系统基于空间数据挖掘和模糊逻辑。Int J Comp Sci净Secu。2008; 8:49-55。
7. Patel P, et al .火焰检测使用图像处理技术。Int J Comp应用。2012;58:45-50。
8. Yadav G, et al。优化火焰检测使用基于图像处理技术。印第安纳州J Com Sci Eng。2012; 3。
9. 山姆·G等。比较分析在不同的图像处理技术用于森林火灾检测。Int J Com Sci净。2016。
10. Anupam米塔尔,et al .森林火灾探测中使用移动代理通过各种机器学习技术基础上。Int Res J Eng科技》2016。
11. Ozkana C, et al。推进森林火灾分类的算法的有效性。国际档案的摄影测量、遥感和空间信息科学。2008年,37岁。
12. 张问,等。深卷积神经网络用于森林火灾检测。在2016年《国际论坛管理,教育和信息技术的应用程序。亚特兰提斯出版社,2016。
13. https://github.com/Elucidation/PCA-Image-Compression。