CN104966372B - 多数据融合的森林火灾智能识别系统和方法 - Google Patents
多数据融合的森林火灾智能识别系统和方法 Download PDFInfo
- Publication number
- CN104966372B CN104966372B CN201510311371.6A CN201510311371A CN104966372B CN 104966372 B CN104966372 B CN 104966372B CN 201510311371 A CN201510311371 A CN 201510311371A CN 104966372 B CN104966372 B CN 104966372B
- Authority
- CN
- China
- Prior art keywords
- data
- forest fire
- fire
- forest
- probability
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B17/00—Fire alarms; Alarms responsive to explosion
- G08B17/005—Fire alarms; Alarms responsive to explosion for forest fires, e.g. detecting fires spread over a large or outdoors area
Abstract
本发明公开了一种多数据融合的森林火灾智能识别系统,它包括红外热像仪、数字摄像机、超声波气象站、地理信息系统和上位机,红外热像仪、数字摄像机、超声波气象站和地理信息系统分别与上位机连接;所述的上位机上设置有人工神经网络和模糊专家系统,所述的人工神经网络分析红外热像仪采集的红外图像和数字摄像机采集的可见光图像,并将分析后的数据传输到模糊专家系统计算森林火灾的概率,超声波气象站提供森林的气象数据,地理信息系统提供地理信息。本发明提供了一种多数据融合的森林火灾智能识别系统和方法,该方法将多种数据进行融合来进行森林火灾预测,能显著降低森林火灾的误识率,提高系统的运行效率,降低工作人员的劳动强度。
Description
技术领域
本发明涉及一种多数据融合的森林火灾智能识别系统和方法。
背景技术
目前,基于视频分析的森林火灾预警系统,主要使用可见光摄像机和红外热像仪采集的图像。森林火灾发生时,有火焰和烟雾产生,同时释放大量的能源。通过分析可见光图像上着火区域的颜色、形状、运动和频率特征,以及红外图像上着火区域的亮度特征,可以实现森林火灾的早期监测预警。但是,工程实践表明,仅仅利用可见光或红外波段的图像数据,森林火灾预警系统的误识率过高。
发明内容
本发明的目的在于克服现有技术的不足,提供一种多数据融合的森林火灾智能识别系统和方法,该方法将多种数据进行融合来进行森林火灾预测,能显著降低森林火灾的误识率,提高系统的运行效率。
本发明的目的是通过以下技术方案来实现的:多数据融合的森林火灾智能识别系统,它包括红外热像仪、数字摄像机、超声波气象站、地理信息系统和上位机,红外热像仪、数字摄像机、超声波气象站和地理信息系统分别与上位机连接;所述的上位机上设置有人工神经网络和模糊专家系统,所述的人工神经网络分析红外热像仪采集的红外图像和数字摄像机采集的可见光图像,并将分析后的数据传输到模糊专家系统计算森林火灾的概率,超声波气象站提供森林的气象数据,地理信息系统提供地理信息。
所述的人工神经网络分析红外图像的亮度特征,对可疑着火区域进行面积、位移滤波,并利用能量和形状的相关性进行震荡分析;分析可见光图像将红外图像可疑着火区域映射到可见光图像上,检测相关区域是否有烟雾,用红外和可见光图像融合产生的冗余数据区分森林火灾和阳光反射、热物体以及人工照明。
所述的模糊专家系统将可疑着火区域的地理数据、气象数据、历史分析数据和红外与可见光图像分析结果一起进行处理,计算出森林火灾发生的概率。
所述的气象数据包括温度、相对湿度、风速和降水量,地理数据包括坡度、可燃物储量、土地使用信息。
多数据融合的森林火灾智能识别系统的识别方法,它包括如下子步骤:
S1:数据采集,红外热像仪采集森林的红外图像,数字摄像机采集森林的可见光图像;
S2:图像处理,探测红外图像上的高亮度区域;对高亮度区域进行温度、面积和位移滤波;对滤波后的高亮度区域进行能量分析、亮度和形状的振荡分析;匹配红外和可见光图像,定位报警区域;探测烟雾;融合红外和可见光图像探测结果;
S3:气象数据处理,将气象数据输入气象模型,计算发生森林火灾的概率;
S4:地理数据处理,从数据库查询地理信息,计算发生森林火灾的潜能;
S5:火灾概率计算,将步骤S2-S4得到的分析结果输入模糊专家系统,计算森林火灾发生的概率。
所述的步骤S2中对滤波后的高亮度区域进行亮度和形状的振荡分析采用如下方式:将相邻的图像进行比较,得到相关系数,以时间为X轴,以相关系数为Y轴,得到相关系数曲线,即振荡曲线。
所述的步骤S3中的气象模型根据历史数据建立,气象模型规则根据温度、湿度、降雨量来设定,温度高、湿度小、无降水,火灾发生概率大,反之温度低、湿度高、降水多,火灾发生概率低。
所述的步骤S4中计算发生森林火灾的潜能根据地理地貌来确定,森林地区发生火灾概率大,水库地区发生火灾概率小。
所述的步骤S5中计算森林火灾发生的概率根据气象数据、地理信息和探测结果对火灾的影响的权重进行估算,图像数据可靠性最强,权重最大。
本发明的有益效果是:本发明提供了一种多数据融合的森林火灾智能识别系统和方法,该方法将多种数据进行融合来进行森林火灾预测,能显著降低森林火灾的误识率,提高系统的运行效率,降低工作人员的劳动强度。
附图说明
图1为本发明的系统结构框图;
图2为本发明的识别方法流程图。
具体实施方式
下面结合附图进一步详细描述本发明的技术方案,但本发明的保护范围不局限于以下所述。
如图1所示,多数据融合的森林火灾智能识别系统,它包括红外热像仪、数字摄像机、超声波气象站、地理信息系统和上位机,红外热像仪、数字摄像机、超声波气象站和地理信息系统分别与上位机连接;所述的上位机上设置有人工神经网络和模糊专家系统,所述的人工神经网络分析红外热像仪采集的红外图像和数字摄像机采集的可见光图像,并将分析后的数据传输到模糊专家系统计算森林火灾的概率,超声波气象站提供森林的气象数据,地理信息系统提供地理信息。
红外热像仪采用探测波长在8-14um的红外热像仪,数字摄像机采用带长焦镜头的高清数字摄像机。
所述的人工神经网络分析红外图像的亮度特征,对可疑着火区域进行面积、位移滤波,并利用能量和形状的相关性进行震荡分析;分析可见光图像将红外图像可疑着火区域映射到可见光图像上,检测相关区域是否有烟雾,用红外和可见光图像融合产生的冗余数据区分森林火灾和阳光反射、热物体以及人工照明。
所述的模糊专家系统将可疑着火区域的坡度、可燃物储量、土地使用信息等地理数据、温度、相对湿度、风速和降水量等气象数据、历史分析数据和红外与可见光图像分析结果一起进行处理,计算出森林火灾发生的概率。
如图2所示,多数据融合的森林火灾智能识别系统的识别方法,它包括如下子步骤:
S1:数据采集,红外热像仪采集森林的红外图像,数字摄像机采集森林的可见光图像;
S2:图像处理,探测红外图像上的高亮度区域;对高亮度区域进行温度、面积和位移滤波;对滤波后的高亮度区域进行能量分析、亮度和形状的振荡分析;匹配红外和可见光图像,定位报警区域;探测烟雾;融合红外和可见光图像探测结果;用红外和可见光图像融合产生的冗余数据区分森林火灾和阳光反射、热物体以及人工照明;
S3:气象数据处理,将气象数据输入气象模型,计算发生森林火灾的概率;
S4:地理数据处理,从数据库查询地理信息,计算发生森林火灾的潜能;
S5:火灾概率计算,将步骤S2-S4得到的分析结果输入模糊专家系统,计算森林火灾发生的概率。
所述的步骤S2中对滤波后的高亮度区域进行亮度和形状的振荡分析采用如下方式:将相邻的图像进行比较,得到相关系数,以时间为X轴,以相关系数为Y轴,得到相关系数曲线,即振荡曲线。
所述的步骤S3中的气象模型根据历史数据建立,气象模型规则根据温度、湿度、降雨量来设定,温度高、湿度小、无降水,火灾发生概率大,反之温度低、湿度高、降水多,火灾发生概率低。
所述的步骤S4中计算发生森林火灾的潜能根据地理地貌来确定,森林地区发生火灾概率大,水库地区发生火灾概率小。
所述的步骤S5中计算森林火灾发生的概率根据气象数据、地理信息和探测结果对火灾的影响的权重进行估算,图像数据可靠性最强,权重最大。
Claims (7)
1.多数据融合的森林火灾智能识别系统,它包括红外热像仪、数字摄像机、超声波气象站、地理信息系统和上位机,红外热像仪、数字摄像机、超声波气象站和地理信息系统分别与上位机连接;所述的上位机上设置有人工神经网络和模糊专家系统,所述的人工神经网络分析红外热像仪采集的红外图像和数字摄像机采集的可见光图像,并将分析后的数据传输到模糊专家系统计算森林火灾的概率,超声波气象站提供森林的气象数据,地理信息系统提供地理信息,其特征在于:所述的人工神经网络分析红外图像的亮度特征,对可疑着火区域进行面积、位移滤波,并利用能量和形状的相关性进行震荡分析;分析可见光图像将红外图像可疑着火区域映射到可见光图像上,检测相关区域是否有烟雾,用红外和可见光图像融合产生的冗余数据区分森林火灾和阳光反射、热物体以及人工照明。
2.根据权利要求1所述的多数据融合的森林火灾智能识别系统,其特征在于:所述的模糊专家系统将可疑着火区域的地理数据、气象数据、历史分析数据和红外与可见光图像分析结果一起进行处理,计算出森林火灾发生的概率。
3.根据权利要求1所述的多数据融合的森林火灾智能识别系统,其特征在于:所述的气象数据包括温度、相对湿度、风速和降水量,地理数据包括坡度、可燃物储量、土地使用信息。
4.如权利要求1-3中任意一项所述的多数据融合的森林火灾智能识别系统的识别方法,其特征在于:它包括如下子步骤:
S1:数据采集,红外热像仪采集森林的红外图像,数字摄像机采集森林的可见光图像;
S2:图像处理,探测红外图像上的高亮度区域;对高亮度区域进行温度、面积和位移滤波;对滤波后的高亮度区域进行能量分析、亮度和形状的振荡分析;匹配红外和可见光图像,定位报警区域;探测烟雾;融合红外和可见光图像探测结果;
S3:气象数据处理,将气象数据输入气象模型,计算发生森林火灾的概率;
S4:地理数据处理,从数据库查询地理信息,计算发生森林火灾的潜能;
S5:火灾概率计算,将步骤S2-S4得到的分析结果输入模糊专家系统,计算森林火灾发生的概率;
所述的步骤S3中的气象模型根据历史数据建立,气象模型规则根据温度、湿度、降雨量来设定,温度高、湿度小、无降水,火灾发生概率大,反之温度低、湿度高、降水多,火灾发生概率低。
5.根据权利要求4所述的多数据融合的森林火灾智能识别系统的识别方法,其特征在于:所述的步骤S2中对滤波后的高亮度区域进行亮度和形状的振荡分析采用如下方式:将相邻的图像进行比较,得到相关系数,以时间为X轴,以相关系数为Y轴,得到相关系数曲线,即振荡曲线。
6.根据权利要求4所述的多数据融合的森林火灾智能识别系统的识别方法,其特征在于:所述的步骤S4中计算发生森林火灾的潜能根据地理地貌来确定,森林地区发生火灾概率大,水库地区发生火灾概率小。
7.根据权利要求4所述的多数据融合的森林火灾智能识别系统的识别方法,其特征在于:所述的步骤S5中计算森林火灾发生的概率根据气象数据、地理信息和探测结果对火灾的影响的权重进行估算,图像数据可靠性最强,权重最大。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510311371.6A CN104966372B (zh) | 2015-06-09 | 2015-06-09 | 多数据融合的森林火灾智能识别系统和方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510311371.6A CN104966372B (zh) | 2015-06-09 | 2015-06-09 | 多数据融合的森林火灾智能识别系统和方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104966372A CN104966372A (zh) | 2015-10-07 |
CN104966372B true CN104966372B (zh) | 2017-09-29 |
Family
ID=54220403
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510311371.6A Active CN104966372B (zh) | 2015-06-09 | 2015-06-09 | 多数据融合的森林火灾智能识别系统和方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104966372B (zh) |
Families Citing this family (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106934451A (zh) * | 2015-12-29 | 2017-07-07 | 扬州大学 | 一种基于蚁群优化的bp神经网络wsn森林火灾防范系统 |
CN105488938B (zh) * | 2015-12-31 | 2018-05-01 | 黑龙江省科学院技术物理研究所 | 基于互联网+技术的家庭火灾及室内环境监测系统及其监测方法 |
CN105788143A (zh) * | 2016-05-23 | 2016-07-20 | 北京林业大学 | 一种林火监测方法及系统 |
CN106355811B (zh) * | 2016-07-22 | 2019-05-14 | 河南城建学院 | 一种电气火灾监测系统 |
CN106355807A (zh) * | 2016-11-04 | 2017-01-25 | 江苏金米智能科技有限责任公司 | 一种森林消防预警系统 |
CN106683038B (zh) * | 2016-11-17 | 2020-07-07 | 云南电网有限责任公司电力科学研究院 | 一种生成火情态势图的方法及装置 |
CN106683039B (zh) * | 2016-11-21 | 2020-10-02 | 云南电网有限责任公司电力科学研究院 | 一种生成火情态势图的系统 |
CN108242052A (zh) * | 2016-12-23 | 2018-07-03 | 航天星图科技(北京)有限公司 | 一种应用于农田的火点确定方法 |
CN108240864B (zh) * | 2016-12-23 | 2021-02-23 | 中科星图股份有限公司 | 一种遥感影像的农田焚烧火点监控方法 |
CN106652303A (zh) * | 2017-01-17 | 2017-05-10 | 武汉智网兴电科技开发有限公司 | 一种输电线路走廊山火实时监控预警的方法及装置 |
CN107909492A (zh) * | 2017-11-30 | 2018-04-13 | 河南云保遥感科技有限公司 | 一种利用机器学习技术的农业保险查勘定损方法 |
CN108205862A (zh) * | 2017-12-11 | 2018-06-26 | 厦门亿力吉奥信息科技有限公司 | 输电线路山火防护系统 |
CN108120514A (zh) * | 2017-12-22 | 2018-06-05 | 安徽龙运智能科技有限公司 | 一种烟火探测识别一体化装置 |
GR1009412B (el) * | 2018-03-15 | 2018-12-07 | Τεχνολογικο Εκπαιδευτικο Ιδρυμα Ανατολικης Μακεδονιας Και Θρακης | Υπολογιστικη και μετρητικη μοναδα για δασικες, γεωργικες και γεωτεχνικες εφαρμογες |
CN108647740A (zh) * | 2018-05-16 | 2018-10-12 | 河海大学 | 利用高分辨率地形和气象因子进行多源降水融合的方法 |
CN109118001A (zh) * | 2018-08-09 | 2019-01-01 | 成都天地量子科技有限公司 | 一种基于卫星遥感数据的山火监测方法和系统 |
CN109580072B (zh) * | 2018-11-22 | 2020-12-29 | 广西师范学院 | 一种基于流域环境因子的地理探测器模型 |
CN110333260B (zh) * | 2019-07-19 | 2022-07-26 | 北京锐百凌科技有限公司 | 防爆高光谱远红外气云成像控制传输及信息处理、定向发布系统 |
CN110491066A (zh) * | 2019-08-21 | 2019-11-22 | 深圳云感物联网科技有限公司 | 基于红外热成像的森林防火监测预警系统 |
CN111080955A (zh) * | 2019-12-30 | 2020-04-28 | 重庆市海普软件产业有限公司 | 一种森林防火智能控制系统及方法 |
CN111784994B (zh) * | 2020-07-14 | 2021-11-30 | 中国民航大学 | 一种火灾检测方法及装置 |
CN112216052A (zh) * | 2020-11-18 | 2021-01-12 | 北京航天泰坦科技股份有限公司 | 森林防火监测预警方法和装置及设备、存储介质 |
CN113253362A (zh) * | 2021-05-21 | 2021-08-13 | 广东电网有限责任公司 | 一种山火监测系统及山火监测方法 |
CN115331116B (zh) * | 2022-10-13 | 2023-04-18 | 潍坊绘圆地理信息有限公司 | 基于多模态数据的地面目标精准识别星上模糊推理方法 |
CN116486550B (zh) * | 2023-03-15 | 2024-02-27 | 建研防火科技有限公司 | 一种高点站森林监测的消防安全防护方法 |
CN117516708B (zh) * | 2024-01-08 | 2024-04-09 | 西安博康电子有限公司 | 火焰探测方法及火焰探测器 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101458865B (zh) * | 2008-05-09 | 2012-06-27 | 丁国锋 | 一种火灾探测系统及方法 |
CN101625789A (zh) * | 2008-07-07 | 2010-01-13 | 北京东方泰坦科技有限公司 | 基于烟火智能识别的森林火灾实时监测方法 |
CN201629019U (zh) * | 2009-09-30 | 2010-11-10 | 青岛科恩锐通信息技术有限公司 | 一种森林火灾探测系统 |
KR101070340B1 (ko) * | 2009-12-29 | 2011-10-06 | 주식회사하이트론씨스템즈 | 도시철도의 화재 감지 시스템 |
CN101930540A (zh) * | 2010-09-08 | 2010-12-29 | 大连古野软件有限公司 | 基于视频的多特征融合的火焰检测装置和方法 |
CN104318688B (zh) * | 2014-10-31 | 2017-11-07 | 湘潭大学 | 一种基于数据融合的多传感器火灾预警方法 |
-
2015
- 2015-06-09 CN CN201510311371.6A patent/CN104966372B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN104966372A (zh) | 2015-10-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104966372B (zh) | 多数据融合的森林火灾智能识别系统和方法 | |
CN112435207B (zh) | 一种基于天空地一体化的森林火灾监测预警方法 | |
CN103778418A (zh) | 一种输电线路杆塔图像监测系统的山火图像识别方法 | |
CN106097346A (zh) | 一种自学习的视频火灾探测方法 | |
US20150347856A1 (en) | Method and system for detecting sea-surface oil | |
CN111291699A (zh) | 基于监控视频时序动作定位和异常检测的变电站人员行为识别方法 | |
CN106128022B (zh) | 一种智慧金睛识别暴力动作报警方法 | |
CN103413395B (zh) | 烟气智能检测预警方法及装置 | |
CN104269012B (zh) | 基于modis数据的输电线路附近山火监测方法 | |
CN105141885A (zh) | 进行视频监控的方法及装置 | |
CN104599427A (zh) | 一种用于公路隧道的智能图像型火灾报警系统 | |
CN108648400A (zh) | 一种基于多光谱的输电线路山火勘测预警装置及预警方法 | |
CN109218667B (zh) | 一种公共场所安全预警系统和方法 | |
CN105976365A (zh) | 一种夜间火灾视频检测方法 | |
CN113239822A (zh) | 基于时空双流卷积神经网络的危险行为检测方法及系统 | |
CN105426820A (zh) | 基于安防监控视频数据的多人异常行为检测方法 | |
CN102881109B (zh) | 一种基于非制冷红外温度探测器的林火预警系统 | |
CN112257554B (zh) | 基于多光谱的森林火灾识别方法、系统、程序及存储介质 | |
CN113160513A (zh) | 基于多传感器的火焰探测装置 | |
CN107766801A (zh) | 一种基于红外热点追踪的绝缘子识别方法及装置 | |
CN108682105B (zh) | 一种基于多光谱的输电线路山火勘测预警装置及预警方法 | |
CN116846059A (zh) | 一种用于电网巡检和监控的边缘检测系统 | |
CN103456123B (zh) | 一种基于流动和扩散特征的视频烟气探测方法 | |
CN114325856A (zh) | 基于边缘计算的输电线异物监测方法 | |
De Venâncio et al. | Fire detection based on a two-dimensional convolutional neural network and temporal analysis |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |