تشخیص آتش سوزی جنگل با استفاده از شبکه عصبی عمیق کانولوشن   

تشخیص آتش سوزی جنگل با استفاده از شبکه عصبی عمیق کانولوشن


جنگل‌ها به عنوان یکی از مهمترین منابع طبیعی تجدید شونده محسوب می‌شوند و امروزه آتش‌سوزی جنگل به عنوان یک مخاطره طبیعی بخش وسیعی از این منابع ارزشمند در سطح جهان را تهدید کرده و اثرات زیانبار و ویرانگری بر زندگی بشر می‌گذارد. این مشکل زیست‌محیطی، که تهدیدی بزرگ برای زندگی بشر و محیط‌زیست محسوب می‌شود، با توجه به تغییرات آب و هوایی مانند بارش کمتر و یا افزایش دمای روز، فصول خشکسالی طولانی‌تر و همچنین مداخلات فعالیت‌های انسانی باعث شده که تعداد تکرار آتش‌سوزی‌های جنگلی افزایش پیدا کند و حتی در برخی از مناطق جهان به یک وضعیت هشدار‌دهنده برسد. بنابراین پیش‌بینی دقیق آتش‌سوزی جنگل ضروری است. تشخیص آتش در تصاویر با استفاده از پردازش تصویر و تکنیک‌های بینایی کامپیوتر طی چند سال گذشته توجه بسیاری را به خود جلب کرده است. این سیستم‌ها، از سیستم‌های سنتی تشخیص آتش سوزی برتر هستند. یکی از روش‌های امیدوار‌کننده در این زمینه، شبکه‌های عصبی کانولوشن است. بنابراین ما شبکه‌های عصبی کانولوشن پیچیده‌تر را برای تشخیص آتش در تصاویر پیشنهاد می‌کنیم. روش پیشنهادی ما استفاده از شبکه VGG16 می‌باشد. این شبکه به صورت عمیقتر داده‌های ورودی را بررسی می‌کنند و مجموعه‌داده ورودی مورد استفاده در این سیستم مجموعه‌ای از ویدیو های آتش و غیر‌آتش است. نتایج نشان می‌دهد اگرچه این سیستم دارای دقت بالاتری می‌باشد، ولی باعث افزایش زمان آموزش می‌شود. به طور کلی، ما دریافتیم که شبکه های عصبی کانولوشن عمیق تر می‌توانند عملکرد بهتری را در یک مجموعه داده‌های چالش برانگیز ارائه دهد.

فهرست مطالب
فصل اول 1
کلیات پژوهش 1
1-1- مقدمه...... 2
2-1- بیان مساله 3
3-1- فرضیات پژوهش 5
4-1- اهداف پژوهش 5
5-1- ساختار کلی پژوهش 6
فصل دوم 7
بررسی مبانی نظری و پیشینه پژوهش 7
1-2- مقدمه 8
2-2- هوش مصنوعی 8
3-2- یادگیری ماشین 9
1-3-2- دسته بندی روش های یادگیری ماشین 10
2-3-1-1- یادگیری با‌ناظر 11
2-3-1-2- یادگیری بی‌ناظر 11
2-3-1-3- یادگیری نیمه ناظر 11
2-3-1-4- یادگیری تقویتی 11
4-2- شبکه عصبی انسان 11
5-2- شبکه عصبی مصنوعی 13
6-2- ساختار شبکه های عصبی مصنوعی 14
7-2- ساختار ریاضی شبکه عصبی مصنوعی 16
8-2- یادگیری عمیق 17
9-2- شبکه عصبی کانولوشن (CNNS) 19
1-9-2- لایه کانولوشن: 20
2-9-2- لایه Pooling : 21
3-9-2- لایه تماما متصل شده: 21
10-2- معماری شبکه های عصبی کانولوشن 22
1-10-2- LENET : 22
2-10-2- ALEXNET: 22
3-10-2- ZF: 23
4-10-2- GOOGLENET: 24
5-10-2-VGGNET: 24
6-10-2-RESNET: 25
11-2- پیشینه پژوهش 26
12-2- خلاصه و جمع بندی 37
فصل سوم 38
روش پیشنهادی پژوهش 38
1-3- مقدمه 39
2-3-مفاهیم پیش زمینه 39
3-3- شبکه های عصبی کانولوشن 39
1-3-3- لایه ورودی: 41
2-3-3- لایه کانولوشن 42
توابع فعالسازی 45
3-3-3- لایه pooling 46
4-3-3- لایه تماما متصل شده 47
5-3-3- لایه خروجی 48
4-3- اولین شبکه عصبی کانولوشن موفق 48
5-3- مدل پیشنهادی پژوهش 48
پیش پردازش تصاویر 50
آموزش شبکه 51
6-3- دلیل انتخاب شبکه های عصبی کانولوشن در این پژوهش 53
7-3- شبکه VGG و دلیل انتخاب آن 54
8-3- خلاصه فصل و جمع بندی 55
فصل چهارم 56
پیاده سازی و تحلیل یافته ها 56
1-4- مقدمه 57
2-4- مجموعه داده های مورد ارزیابی 57
3-4- روند انجام پژوهش 59
4-4- روش مورد مقایسه 60
5-4- نتایج پژوهش 62
6-4- خلاصه و جمع بندی 63
فصل پنجم 64
نتیجه گیری 64
1-5- نتیجه گیری 65
2-5- پیشنهادات آتی 65
منابع و مآخذ 66

ماندانا قایق پیشه :نویسنده
سودابه پور ذاکر عربانی :استاد راهنما
سعید زاهدی :استاد مشاور
۱۳۹۷/۱۲/۲۲ :تاریخ دفاع
۱۰۰ صفحه :تعداد صفحات
مهندسی کامپیوتر-نرم افزار :رشته
شبکه وی جی جی 16-شبکه عصبی عمیق کانولوشن-شبکه عصبی عمیق-یادگیری عمیق-تشخیص آتش سوزی جنگل :کلمات کلیدی فارسی
Forest Fire Detection-Deep Learning-Deep Neural Network-Deep Convolutional Neural Network-VGG16 :کلمات کلیدی انگلیسی
Place sticky footer content here.