CN105741479A - 基于热成像和烟雾识别一体森林防火ia-pcnn算法 - Google Patents
基于热成像和烟雾识别一体森林防火ia-pcnn算法 Download PDFInfo
- Publication number
- CN105741479A CN105741479A CN201610044955.6A CN201610044955A CN105741479A CN 105741479 A CN105741479 A CN 105741479A CN 201610044955 A CN201610044955 A CN 201610044955A CN 105741479 A CN105741479 A CN 105741479A
- Authority
- CN
- China
- Prior art keywords
- fire
- condition
- pcnn
- forest fire
- neuron
- 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.)
- Pending
Links
- 238000001931 thermography Methods 0.000 title claims abstract description 8
- 239000000779 smoke Substances 0.000 title abstract description 4
- 230000002265 prevention Effects 0.000 title abstract 3
- 210000002569 neuron Anatomy 0.000 claims abstract description 17
- 238000013528 artificial neural network Methods 0.000 claims abstract description 6
- 238000012937 correction Methods 0.000 claims description 9
- 238000013178 mathematical model Methods 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 6
- 238000010191 image analysis Methods 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 3
- 210000004218 nerve net Anatomy 0.000 claims 1
- 238000012544 monitoring process Methods 0.000 abstract description 14
- 238000004364 calculation method Methods 0.000 abstract description 4
- 230000009286 beneficial effect Effects 0.000 abstract 1
- 238000003062 neural network model Methods 0.000 abstract 1
- 238000005516 engineering process Methods 0.000 description 6
- 238000000034 method Methods 0.000 description 6
- 235000019504 cigarettes Nutrition 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B17/00—Fire alarms; Alarms responsive to explosion
- G08B17/12—Actuation by presence of radiation or particles, e.g. of infrared radiation or of ions
- G08B17/125—Actuation by presence of radiation or particles, e.g. of infrared radiation or of ions by using a video camera to detect fire or smoke
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Fire-Detection Mechanisms (AREA)
Abstract
本发明涉及基于热成像和烟雾识别一体森林防火IA?PCNN算法。其特征在于:本发明中使用的IA?PCNN神经网络模型为双层结构,第一层使用径向基函数,计算输入数据和样本数据之间的灰度值∣RGB∣,并输出次灰度值向量,第二层为神经元计算层接受灰度值向量并通过经这个函数计算概率最大的数据元素作为输出。本发明型的有益效果是,在解决了森林防火视频监控不能主动及时的对森林火情进行自动报警的前提下,能够有效地降低火灾监控系统的误报、漏报率,实现报警准确率大于96.15%。
Description
技术领域
本发明涉及森林防火视频预警监控技术领域,尤其是涉及基于热成像和烟雾识别一体森林防火IA-PCNN算法。
背景技术
众所周知,传统的森林火灾监测是通过瞭望台或无人机等人工监测方法进行的,在对大面积森林进行监测时不但成本高,又难以保证监测质量,常常延误火情,造成巨大的财产损失及生态的破坏。
近年来信息技术,数字技术的长足发展,森林防火的技术手段出现了质的飞跃。模拟监控设备渐渐被数字监控设备取代,无线扩频通信技术和宽带网络视频监控技术的运用,地理信息系统的发展,数字云台技术的开发,为森林火灾自动识别定位问题的解决奠定了坚实的基础。林火识别定位技术随着传统林业向数字林业、智能林业过渡,而逐渐形成智能的数字监控方法。无线传感网络、机器视觉、物联网等新技术的应用,又为火点准确定位提供了有力的理论依据。同时结合视频监控、巡航拍摄、卫星遥感的新一代监控策略可以对森林火灾进行全方位的监控。但是真正能应用于森林林区特殊环境下的森林火灾监测系统很少。
发明内容
为了克服现有森林防火视频监控预警系统算法的不足,本发明提供一种基于热成像和烟雾自动识别一体的森林防火识别算法:数学模型(ImageAnalysis)+脉冲藕合神经网络(PCNN-PulseCoupledNeuralNetwork),以下简称IA-PCNN算法。
本发明解决其技术问题所采用的技术方案是:基于热成像和烟雾识别一体森林防火IA-PCNN算法,其特征在于:
(a)、首先通过对专用高清透雾摄像机连续拍摄传回的视频图像进行火情特征性的比对、计算和筛选,详见图1,对具有疑似火情特征性的图像点进行GIS自动定位,并自动与疑似火情点的经纬度、实时天气气象自动链接,自动校正和修正、排除天气对视频图像产生的干扰。对不具备火情特征性的图像,终止分析计算;对仍然确定具备火情特征的图像数据进行自动输出(R1)并组建数学模型(ImageAnalysis),建模并生成比对档案。
(b)、其次将上步数学模型中的图像数据输出(R1=R)再输入本发明的脉冲藕合神经网络(PCNN-PulseCoupledNeuralNetwork)进行运算分析,详见图2,得出该火情特征的图像神经元数,对比设置阈值,对超出设置阈值的典型特征量神经元进行超出量的定量输出,得到输出值Ck。
(c)、最后将Ck输出值进入本发明提出的超出设置阈值的典型特征量神经元输出值Ck加权计算,生成超出设置阈值的典型特征量神经元输出值Ck算术平均加权曲线详见图3,对超出预设报警值的火情点进行定性、定量自动报警。
Ck由下式求得:
式中,nAk是属于A类的训练样本向量个数,nBk是属于B类的训练样本向量个数;
IA为θ=θA时判定d(X)=θB损失函数,IB为θ=θB时判定d(X)=θA的损失函数,hA为θ=θA的先验概率,hB=1-hA为θ=θB的先验概率;
d(X)=θA的区域与d(X)=θB的区域的界限可用下式求得:
fA(X)=KfB(X)
式中K=hBIB/hAIA。
本发明型的有益效果是,在解决了森林防火视频监控不能主动及时的对森林火情进行自动报警的前提下,通过本发明上述三步计算和处理,能够有效地降低火灾监控系统的误报、漏报率,实现报警准确率大于96.15%。
下面结合附图和实施例对本发明进一步说明。
附图说明
图1;是本发明的原始烟雾图像和经IA-PCNN处理输出图像对比结构示意图
图2;是本发明的IA-PCNN算法模型结构示意图
图3:是本发明输出值Ck加权曲线图。
具体实施方式
为了使本发明的实施例的目的、技术方案和优点更加清楚明白,下面结合本发明的实施例做进一步详细地说明。在此,本发明的示意性实施例及其说明仅用于解释本发明,并不作为对本发明的限定。
实施例一
基于热成像和烟雾识别一体森林防火IA-PCNN算法,其特征在于:
(a)、首先通过对专用高清透雾摄像机连续拍摄传回的视频图像进行火情特征性的比对、计算和筛选,详见图1,对具有疑似火情特征性的图像点进行GIS自动定位,并自动与疑似火情点的经纬度、实时天气气象自动链接,自动校正和修正、排除天气对视频图像产生的干扰。对不具备火情特征性的图像,终止分析计算;对仍然确定具备火情特征的图像数据进行自动输出(R1)并组建数学模型(ImageAnalysis),建模并生成比对档案。
(b)、其次将上步数学模型中的图像数据输出(R1=R)再输入本发明的脉冲藕合神经网络(PCNN-PulseCoupledNeuralNetwork)进行运算分析,详见图2,得出该火情特征的图像神经元数,对比设置阈值,对超出设置阈值的典型特征量神经元进行超出量的定量输出,得到输出值Ck。
(c)、最后将Ck输出值进入本发明提出的超出设置阈值的典型特征量神经元输出值Ck加权计算,生成超出设置阈值的典型特征量神经元输出值Ck算术平均加权曲线详见图3,对超出预设报警值的火情点进行定性、定量自动报警。
Ck由下式求得:
式中,nAk是属于A类的训练样本向量个数,nBk是属于B类的训练样本向量个数;
IA为θ=θA时判定d(X)=θB损失函数,IB为θ=θB时判定d(X)=θA的损失函数,hA为θ=θA的先验概率,hB=1-hA为θ=θB的先验概率;
d(X)=θA的区域与d(X)=θB的区域的界限可用下式求得:
fA(X)=KfB(X)
式中K=hBIB/hAIA。实施例二
本发明是基于热成像和烟雾识别一体森林防火IA-PCNN算法。首先选择我国一些典型的林火烟雾视频图像,在这些森林火灾视频样本中重点选取了具有明显早期林火特点的林火烟雾视频,其中包括北京鹭峰、辽宁鞍子山、河南鞍坡山、浙江秀山、浙江隔山尖、内蒙古诺干诺尔、陕西光头山以及江西等地林区实际山火监控视频,也有从互联网上搜集、购买的国外林火烟雾视频资料,涉及不同森林环境条件(植被类型、覆盖密度、背景色彩等差异)、不同烟雾类型(黑烟、灰白烟、青烟等)、远景近景不同角度的视频资源,共计31组,将这些图像作为IA-PCNN算法对基础比特征数据,建立对比底层数学模型。
在本实施例一中,通过对本监控点采用的专用高清透雾摄像机连续拍摄传回的视频图像进行火情特征性的比对、计算和筛选详见图1,发现了疑似火情特征性的图像点,系统立即对该点进行GIS自动定位,并自动与疑似火情点的经纬度、实时天气气象自动链接,自动校正和修正、排除天气对视频图像产生的干扰后,仍然确定具备火情特征。系统即对该疑似火情点连续拍摄的图像数据进行自动输出并组建数学模型(ImageAnalysis)与数据库中的数据进行特征性比对,输出了图像数据(R1)。
上步输出图像数据(R1=R)再输入本发明的脉冲藕合神经网络(PCNN-PulseCoupledNeuralNetwork)进行运算分析,详见图2。得出了该火情特征的图像神经元数,对比设置的阈值2000(该阈值的设置根据天气和季节分别设置按照夏季天晴以2000为基准值,冬天加,春节减;晴天加雨天减的原则设置),实际输出的图像神经元数值为4750,超出量的定量输出2750,得到输出值Ck=2750。
系统将输出值Ck=2750进入本发明提出的超出设置阈值的典型特征量神经元输出值Ck加权计算,生成超出设置阈值的典型特征量神经元输出值Ck算术平均加权曲线见图3,对超出预设报警值的火情点进行定性、定量自动报警。不仅给出了火灾的确切发生地点,同时也通过Ck的大小来定义实时火情的大小。
实施例三
在本实施例三中,同样通过对本监控点采用的专用高清透雾摄像机连续拍摄传回的视频图像进行火情特征性的比对、计算和筛选,发现了疑似火情特征性的图像点,系统立即对该点进行GIS自动定位,并自动与疑似火情点的经纬度、实时天气气象自动链接,自动校正和修正、排除天气对视频图像产生的干扰后,确定不具备火情特征,系统即终止了计算分析。
Claims (1)
1.基于热成像和烟雾识别一体森林防火IA-PCNN算法,其特征在于:
(a)、首先通过对专用高清透雾摄像机连续拍摄传回的视频图像进行火情特征性的比对、计算和筛选,对具有疑似火情特征性的图像点进行GIS自动定位,并自动与疑似火情点的经纬度、实时天气气象自动链接,自动校正和修正、排除天气对视频图像产生的干扰;对不具备火情特征性的图像,终止分析计算;对仍然确定具备火情特征的图像数据进行自动输出(R1)并组建数学模型(ImageAnalysis),建模并生成比对档案;
(b)、其次将上步数学模型中的图像数据输出(R1=R)再输入本发明的脉冲藕合神经网络(PCNN-PulseCoupledNeuralNetwork)进行运算分析,得出该火情特征的图像神经元数,对比设置阈值,对超出设置阈值的典型特征量神经元进行超出量的定量输出,得到输出值Ck;
(c)、最后将Ck输出值进入本发明提出的超出设置阈值的典型特征量神经元输出值Ck加权计算,生成超出设置阈值的典型特征量神经元输出值Ck算术平均加权曲线,对超出预设报警值的火情点进行定性、定量自动报警;
Ck由下式求得:
式中,nAk是属于A类的训练样本向量个数,nBk是属于B类的训练样本向量个数;
IA为θ=θA时判定d(X)=θB损失函数,IB为θ=θB时判定d(X)=θA的损失函数,hA为θ=θA的先验概率,hB=1-hA为θ=θB的先验概率;
d(X)=θA的区域与d(X)=θB的区域的界限可用下式求得:
fA(X)=KfB(X)
式中K=hBIB/hAIA。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610044955.6A CN105741479A (zh) | 2016-01-25 | 2016-01-25 | 基于热成像和烟雾识别一体森林防火ia-pcnn算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610044955.6A CN105741479A (zh) | 2016-01-25 | 2016-01-25 | 基于热成像和烟雾识别一体森林防火ia-pcnn算法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105741479A true CN105741479A (zh) | 2016-07-06 |
Family
ID=56246409
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610044955.6A Pending CN105741479A (zh) | 2016-01-25 | 2016-01-25 | 基于热成像和烟雾识别一体森林防火ia-pcnn算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105741479A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106683038A (zh) * | 2016-11-17 | 2017-05-17 | 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 |
CN107481268A (zh) * | 2017-08-16 | 2017-12-15 | 北京信德智图科技有限公司 | 基于modis遥感数据的森林防火监控方法 |
CN108764264A (zh) * | 2018-03-16 | 2018-11-06 | 深圳中兴网信科技有限公司 | 烟雾检测方法、烟雾检测系统及计算机装置 |
CN111310636A (zh) * | 2020-02-10 | 2020-06-19 | 赣州市金电电子设备有限公司 | 一种基于热成像和烟雾识别一体森林防火ia-pcnn算法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101673448A (zh) * | 2009-09-30 | 2010-03-17 | 青岛科恩锐通信息技术有限公司 | 一种森林火灾探测方法及系统 |
CN103106766A (zh) * | 2013-01-14 | 2013-05-15 | 广东赛能科技有限公司 | 林火识别方法与系统 |
CN103870891A (zh) * | 2014-03-25 | 2014-06-18 | 安徽大学 | 基于网格流的输电线路火灾蔓延预测方法及系统 |
US20140192184A1 (en) * | 2011-06-09 | 2014-07-10 | Guangzhou Sat Infrared Technology Co., Ltd. | Forest fire early-warning system and method based on infrared thermal imaging technology |
KR101462247B1 (ko) * | 2014-03-10 | 2014-11-21 | 삼성영상보안주식회사 | 적외선 열영상 기반의 스마트 화재감지 시스템 및 자동소화장치 인터페이스 플랫폼 |
-
2016
- 2016-01-25 CN CN201610044955.6A patent/CN105741479A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101673448A (zh) * | 2009-09-30 | 2010-03-17 | 青岛科恩锐通信息技术有限公司 | 一种森林火灾探测方法及系统 |
US20140192184A1 (en) * | 2011-06-09 | 2014-07-10 | Guangzhou Sat Infrared Technology Co., Ltd. | Forest fire early-warning system and method based on infrared thermal imaging technology |
CN103106766A (zh) * | 2013-01-14 | 2013-05-15 | 广东赛能科技有限公司 | 林火识别方法与系统 |
KR101462247B1 (ko) * | 2014-03-10 | 2014-11-21 | 삼성영상보안주식회사 | 적외선 열영상 기반의 스마트 화재감지 시스템 및 자동소화장치 인터페이스 플랫폼 |
CN103870891A (zh) * | 2014-03-25 | 2014-06-18 | 安徽大学 | 基于网格流的输电线路火灾蔓延预测方法及系统 |
Non-Patent Citations (1)
Title |
---|
黄儒乐: "基于视频图像的林火烟雾识别方法的研究", 《中国博士学位论文全文数据库_信息科技辑》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106683038A (zh) * | 2016-11-17 | 2017-05-17 | 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 |
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 |
CN107481268A (zh) * | 2017-08-16 | 2017-12-15 | 北京信德智图科技有限公司 | 基于modis遥感数据的森林防火监控方法 |
CN107481268B (zh) * | 2017-08-16 | 2018-04-20 | 北京信德智图科技有限公司 | 基于modis遥感数据的森林防火监控方法 |
CN108764264A (zh) * | 2018-03-16 | 2018-11-06 | 深圳中兴网信科技有限公司 | 烟雾检测方法、烟雾检测系统及计算机装置 |
CN111310636A (zh) * | 2020-02-10 | 2020-06-19 | 赣州市金电电子设备有限公司 | 一种基于热成像和烟雾识别一体森林防火ia-pcnn算法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111967393B (zh) | 一种基于改进YOLOv4的安全帽佩戴检测方法 | |
CN103069434B (zh) | 用于多模式视频事件索引的方法和系统 | |
CN108109385B (zh) | 一种输电线防外破的车辆识别与危险行为判别系统与方法 | |
CN110084165B (zh) | 基于边缘计算的电力领域开放场景下异常事件的智能识别与预警方法 | |
CN105741479A (zh) | 基于热成像和烟雾识别一体森林防火ia-pcnn算法 | |
CN109344753A (zh) | 一种基于深度学习的航拍图像输电线路细小金具识别方法 | |
CN111047818A (zh) | 一种基于视频图像的森林火灾预警系统 | |
CN111832398B (zh) | 一种无人机影像的配电线路杆塔导地线断股图像检测方法 | |
CN102208018A (zh) | 一种基于视频差异分析的输电线路火灾识别方法 | |
CN111899452A (zh) | 基于边缘计算的森林防火预警系统 | |
CN116189103B (zh) | 基于视觉图像分析的设备监控自动控制方法及控制系统 | |
CN103090946B (zh) | 果树单树产量测量的方法和系统 | |
CN113099242B (zh) | 一种输电线路视频监测数据处理方法及系统 | |
CN114240868A (zh) | 一种基于无人机的巡检分析系统及方法 | |
CN112257500A (zh) | 一种基于云边协同技术的电力设备智能图像识别系统及识别方法 | |
CN112862150A (zh) | 一种基于图像与视频多模型的森林火情预警方法 | |
CN116415712A (zh) | 一种基于多数据源的火灾蔓延预测方法及系统 | |
CN112862766B (zh) | 一种基于图像数据扩充技术的绝缘子检测方法及系统 | |
CN113095160B (zh) | 基于人工智能和5g的电力系统人员安全行为识别方法及系统 | |
CN111931648A (zh) | 一种基于Himawari8波段数据的山火实时监测方法 | |
CN116611704A (zh) | 一种用于渔业资源监管的系统及方法 | |
CN115393900A (zh) | 一种基于物联网的智慧工地安全监管方法及系统 | |
CN103914842A (zh) | 一种基于Codebook背景差分法的前景检测方法 | |
Zhou et al. | Intelligent identification method for natural disasters along transmission lines based on inter-frame difference and regional convolution neural network | |
Adurkar et al. | Fire detection using HSV color picker: a review |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20160706 |
|
WD01 | Invention patent application deemed withdrawn after publication |