重庆工程学院计算机与物联网学院 唐胜利

　　摘要：本文基于计算机视觉技术和深度学习的方法对目标火点进行检测。本模型采用数据增强，增加数据噪点等方法，增强数据集的丰富度并提高了模型的泛化能力。通过全局平均池化对InceptionV3模型的输入层进行优化，并采用Dropout方式对模型的抗过拟合能力进行进一步提升，在林火火点的识别上效果显著。本文在多个标准数据集上进行了理论分析和实验验证，结果表明该模型在小样本集情况下，抗过拟合效果显著并具有更快的收敛速度和更高的准确率。
　　关键词：InceptionV3；迁移学习；模型微调；小样本问题；抗过拟合
　　本文所要研究的一个方向就是通过森林系统进行实时拍摄并通过无线网上传到数据处理中心采用基于InceptionV3的深度学习算法，对我们的检测点所拍到的森林图像与正常的森林图片进行比对，从而自动检测我们捕捉到的图像是否存在着火点和发生火灾的烟气流，达到实时对森林系统进行火灾监控及预警的效果，进一步提高森林火灾预防的效率。
　　一、搜集数据集
　　通过远景设备和近景设备进行拍摄，拍摄大量的连续帧高清图片，然后通过无线网将各个数据上传到数据处理中心进行整理，最后得到数据集。
　　当系统获得数据集后先通过数据增强的方法增加训练的数据量来增强模型的泛化性、增加噪声数据来提升模型鲁棒性、避免样本数据过拟合和样本不均衡、提高样本的数量以及提高模型的性能。然后再利用数据处理中的卡尔曼波技术，通过对系统输入输出观测数据，对系统进行最优估计的算法。实际上就是对数据进行去除噪声还原真实的数据，来得到去噪声的连续帧高清图片。系统中还有另外一条路径，通过数据处理对带有火灾特征标签的是数据集和无关数据集进行特征提取。最后再将两条路径数据集结合起来进行数据处理形成基于InceptionV3模型的火灾识别模型，进而达到能够识别火灾的目的。
　　二、模型设计
　　InceptionV3模型是谷歌在大型图像数据库ImageNet[10]上训练好了一个图像分类模型，该模型对1000种类别的图片进行图像分类，是图像分类问题上的一个里程碑。相比于Inception V2，改进后的Inception V3主要优化了Inception Module的结构，目前Inception Module包含35×35、17×17和8×8三种不同结构，同时Inception V3能够在Inception Module的分支中使用分支。另外，Inception V3引进一个较大的二维卷积，并将其拆分为两个较小的一维卷积。因此本文选用InceptionV3模型对于森林火灾问题进行检测判断。
　　三、结果分析
　　结果分析，测试模型通过5个最先进的架构进行探索，每个架构都经过了多次训练，以确定最佳的模型。对参数进行微调，直到得到准确的结果。从各种模型的组合中，ResNet50，effecinetnetb0以及修改后Inception V3的结果准确。通过超参数微调得到的每个模型组合训练5次，并考虑最佳结果的平均值。观察发现，在小样本数据集下，模型的测试性能差异显著。可以得出结论，InceptionV3模型在小样本问题上是最好的方案。本文提出的模型在检测火灾像素和分割火灾表面，特别是小区域方面效果表现得非常好，并且它成功地克服了与类火灾对象的混淆。
　　烟雾在颜色上没有像火焰样存在明显的分布，因此许多模型在烟雾的上行检测上效果并不理想。这是由于烟具有半透明的性质，能够透过其看到后面的事物，而对于浓烟来说，其呈灰黑色，能够遮挡烟雾后的物体。由此如利用烟雾颜色难以准确描述自身特征。但不论烟雾的浓或淡，在一定程度上均会促使其后面的物体视觉效果趋向模糊，浓度越高则遮挡越明显，基于这一特征可利用像素对比度变化，准确判断烟雾的有或无。
　　四、结论与展望
　　综上，本文通过利用深度学习技术，建立完善的森林火灾识别模糊模型，能够实现识别准确度在99%以上，识别速度缩短在几秒钟。而且在构建模型的过程中，相比于传统森林火灾模型无需投入大量的人力和物力，应用优势较为明显。同时该模型能够较为清晰的显示火灾发生位置信息、火势大小、蔓延范围等，有效为灭火工作提供科学的指导，进一步降低森林火灾导致的严重风险和损失。
　　本文旨在对已有模型进行调整，使模型抗过拟合，可以应用于更多小样本高噪点的场景上，在后续工作上，本研究团队将对模型进行再调整，以用于更多自然灾害的检测。
　　参考文献：
　　[1]基于InceptionV3的图像状态分类技术[J].王旖旎.液晶与显示,2020(04)
　　[2]傅天驹，郑嫦娥，田野，等.复杂背景下基于深度卷积神经网络的森林火灾识别[J].计算机与现代化,2016(3):52-57.
　　基金项目：大学生创新创业训练计划项目（课题编号：CXCY2023030）。