CN107330394A - 一种基于极限学习机的输电线路山火判识方法 - Google Patents
一种基于极限学习机的输电线路山火判识方法 Download PDFInfo
- Publication number
- CN107330394A CN107330394A CN201710498521.8A CN201710498521A CN107330394A CN 107330394 A CN107330394 A CN 107330394A CN 201710498521 A CN201710498521 A CN 201710498521A CN 107330394 A CN107330394 A CN 107330394A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- mtd
- mtr
- mountain fire
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10048—Infrared image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30232—Surveillance
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于极限学习机的输电线路山火判识方法,包括下述步骤:1)、对接收的输电线路山火监测红外图像集作图像分割和去燥预处理;2)、计算山火监测特征因子值,得到多个表征疑似山火区域特征的模型输入值;3)、构建山火判识神经网络模型,确定模型结构;4)、基于极限学习机理论选取模型最优参数值;5)根据模型输出判定是否发生山火。本发明提供的输电线路山火判识方法,通过引入极限学习机理论对神经网络模型参数训练过程进行简化,具有结构简单、学习速度快以及良好的泛化性能等优点,能有效提高山火判识效率和精度,可广泛应用于输电线路山火监测预警领域。
Description
技术领域
本发明属于电力工程技术领域,具体是指一种采用极限学习机对输电线路红外监测图像进行火焰判识方法。
背景技术
近年来,随着我国电力行业的不断扩大,越来越多的输电线路穿越林区,电网山火灾害频发。山火不仅烧毁大片林区,还可能造成大面积停电事件,对大电网的安全稳定运行构成了严重威胁。
目前,基于红外图像的热点监测技术在输电线路山火监测领域得到了广泛应用。在对输电线路红外热成像图像进行处理时,往往需对提取的红外热成像图像中发热区域进行特征识别。而山火的识别是一项比较复杂的工作,在火焰的燃烧过程中,会受到周围环境、大气条件和干扰物的影响,在实际工程应用中往往需要利用多种特征参数进行山火的识别,以提高山火识别的准确性。针对获取的现场图像山火识别,已有的多特征分析方法包括表决法、权重系数法和概率求和法。其中表决法中只要多数项的特征满足则表决通过为山火,该方法忽略了部分特征的一票否决可能;权重系数法中各项特征权重系数的设定具有很大人为因素;概率求和法中得到的总概率值不能综合地反映各特征分量的实际情况。
因此,有必要提供一种能够全面评估输电线路山火监测各特征分量内在关联,提高判识精度和告警效率的山火监测方法。
发明内容
本发明要解决的技术问题是,针对现有技术存在的不足,提出一种基于极限学习机的输电线路山火识别方法,可有效提高山火区域识别效率和准确性,对保障电网安全稳定运行具有重要意义。
为解决上述技术问题,本发明采用以下技术方案:
一种基于极限学习机的输电线路山火判识方法,包括以下步骤:
步骤1、选取要进行山火判识的一组监测图像,即时间间隔为L1秒的连续的L帧图像,对各帧图像进行失真校正和噪声抑制,并对各帧图像进行图像分割,提取图像上的疑似山火区域。
步骤2、提取该组监测图像的特征因子;判断该组监测图像中是否每一帧图像上的疑似山火区域内所有像素点均满足山火初判条件;若均满足山火初判条件,则计算该组监测图像的特征因子,并进入步骤3;否则,判定该组监测图像不是山火图像;
步骤3、以该组监测图像的特征因子作为模型输入,相应的山火判定结果作为模型输出,建立单隐藏层神经网络模型;
步骤4、利用极限学习机理论,进行模型参数训练,获取步骤3中单隐藏层神经网络模型的最优参数集;
步骤5、将步骤2中山火监测图像的特征因子输入步骤4训练好的单隐藏层神经网络模型,获取模型输出结果;若模型输出结果大于山火判定阈值,则判定为山火,给出告警信息。
进一步地,所述步骤1中,利用自适应小波滤波法对各帧图像进行失真校正和噪声抑制;采用最大熵函数法对各帧图像进行图像分割,提取图像上的疑似山火区域。
进一步地,所述步骤2中,山火初判条件为:R>G>B,其中,R、G和B分别为像素点颜色中红色、绿色和蓝色分量;RGB颜色空间中R值最大。
进一步地,所述步骤2中,一组监测图像的特征因子包括颜色特征因子、形态特征因子和动态特征因子;每一帧图像具有一个颜色特征因子和形态特征因子;一组监测图像对应一个动态特征因子;
所述颜色特征因子用图像上疑似山火区域内各像素红色比重值的方差来表征,形态特征因子用区域分散度来表征,动态特征因子用图像上疑似山火区域内各像素过零率的平均值来表征来表征;
所述像素红色比重值的计算公式为:
其中,fR(x,y)、fG(x,y)和fB(x,y)分别为图像上疑似山火区域内坐标(x,y)处的像素点颜色中红色、绿色和蓝色分量的值。山火发生时,从火焰的中心部位到火焰的外部温度是不断升高的,区域内各像素红色比重值应有波动。因此,计算疑似山火区域内各像素红色比重值的方差,并将其作为颜色特征因子的数值。
所述区域分散度的计算公式为:
其中,C和S分别为图像上疑似山火区域的周长和面积。由于火焰燃烧时呈现的不规则性和复杂性,使得火焰的圆形度较通道内干扰因素,如车灯、太阳、林区灯光具有较大的不同。
所述像素过零率的计算公式为:
其中,sgn(·)为符号函数,fRl(x,y)为该组监测图像中第l帧图像上疑似山火区域内坐标(x,y)处的像素点的颜色中红色分量的值,为L帧图像上坐标(x,y)处的像素点的颜色中红色分量的平均值。火灾发生时,观察火焰燃烧的闪动部分,会在背景和火焰之间交替出现,通过计算一段时间内信号波形通过横轴也就是过零点的次数,可以有效体现火焰的闪烁特征。
进一步地,所述步骤3中,单隐藏层神经网络模型结构为m-k-n,其中m为输入层节点数,n为输出层节点数,k为隐藏层节点数;k的计算公式如下:
其中,int(·)为取整函数。
进一步地,所述步骤3中,单隐藏层神经网络模型的数学表达式为:
其中,gi(·)为为第i个隐藏层节点的激活函数,wi为连接输入层节点和第i个隐藏层节点的输入权值,其为m维向量;bi为第i个隐藏层节点的偏置;βi为连接第i个隐藏层节点与输出层节点的输出权值,βi为待优化的参数;x为要进行山火判识的一组监测图像的特征因子,其为m维向量;t为该组监测图像的山火判定结果。
进一步地,所述步骤4中,在模型参数训练过程中,wi和bi随机赋值并保持不变,根据单隐藏层神经网络模型的数学表达式,构建线性系统矩阵函数,并求解其最小二乘解得到最优输出权值;其中线性系统矩阵函数为:
其中,N为训练样本总数,为N个已知的训练样本,每个训练样本对应一组监测图像,即时间间隔为L1秒的连续的L帧图像,其中xj为第j个训练样本对应的监测图像的特征因子,tj为第j个训练样本对应的山火判定结果。
进一步地,所述步骤4中,若某个训练样本对应一组火灾图像,则其对应的山火判定结果tj为1,若某个训练样本为对应一组非火灾图像,则其对应的山火判定结果tj为0。
进一步地,所述步骤5中,山火判定阈值设定为0.6。
进一步地,所述步骤1中,选取时间间隔为0.5秒的连续的6帧图像作为一组监测图像。
有益效果:
与现有技术相比,本发明的优点在于:本发明提出了一种基于神经网络模型的输电线路山火判识方法,并针对传统神经网络模型存在的收敛速度慢、计算负荷大等问题,提出了一种基于极限学习机的网络模型参数训练方法;与其他模式识别或映射方式相比较,该网络模型结构简单,实用性强,学习速度快以及良好的泛化性能等优点,解决了输电线路山火监测影像处理中疑似山火区域特征识别困难的问题,大大简化了山火识别中对各特征量复杂的计算过程;可综合考虑山火监测多特征信息内在联系;实现了对输电线路山火的快速、准确识别。本发明可广泛应用于输电线路山火监测预警领域,为输电线路走廊山火防治提供决策性建议,保障输电线路安全稳定运行。
附图说明
图1为本发明山火判识神经网络模型结构图。
图2为本发明实施例输电线路山火判识流程图。
具体实施方式
下面结合实施例对本发明作进一步的详细说明,但本发明的实施方式不限于此。如图2所示,一种基于极限学习机的输电线路山火判识方法,包含以下步骤:
步骤1:山火监测图像预处理。
对接收的输电线路山火监测红外图像集,选取图像集中时间间隔为0.5秒的连续6帧图像,其中包括线路山火红外图像和其他干扰光源的图像。利用自适应小波滤波法对图像进行失真校正和噪声抑制;并采用最大熵函数法对多帧视频红外图像进行图像分割,提取疑似山火区域。其中,最大熵阈值分割和小波滤波法为现有技术,在此不再赘述。
步骤2:山火监测特征因子信息提取。
对经过后续预处理的山火监测图像做基于RGB颜色空间中R值最大的条件判别,若为火焰像素点,R通道的值肯定是三个中最大的,从而可实现对山火是否发生的初判。当判定满足山火初判条件,即R>G>B,则计算疑似山火区域的像素红色比重值、区域分散度和像素过零率。
像素的红色比重值计算公式为:
其中,fR(x,y)、fG(x,y)和fB(x,y)分别为像素颜色中红绿蓝三个分量。基于上述各像素红色比重值,计算疑似山火区域红色像素值的方差,并将其作为颜色特征因子值。
图像区域分散度计算公式为:
其中C和S分别为图像中疑似山火区域的周长和面积。由公式可以看出,形状接近于圆的物体分散度的值就越小,越是复杂形状不规则的物体其分散度越大。可有效消除车灯、太阳、林区灯光等干扰因素。
像素过零率计算公式为:
其中,sgn(·)为符号函数,fRl(x,y)为第l帧图像上疑似山火内坐标(x,y)处的像素点的颜色中红色分量的值,为L帧图像上坐标(x,y)处的像素点的颜色中红色分量的平均值。基于上述各像素的像素过零率,计算疑似山火区域内各像素过零率的平均值,并将其作为动态特征因子值。
步骤3:山火判识神经网络模型构建。
以监测图像集的特征因子值作为模型输入,定义火灾图像的山火判定结果为1,非火灾图像的山火判定结果为0,建立单隐藏层前馈神经网络模型,模型结构为m-k-n;其中输入层节点数为m,输出层节点数为n,隐藏层节点数为k。本实施例中山火判识输入因子包含6个颜色特征值、6个形状特征值和1个运动特征值,m取值为13;由步骤3知输出因子数为1,n取值为1;隐藏层节点数k计算公式如下:
其中int()为取整函数,经计算k=6。
步骤4:利用极限学习机进行模型优化。
对步骤3中单隐藏层神经网络模型利用极限学习机理论,进行模型参数训练,获取模型最优参数集。计算过程如下:
设有N个已知训练样本每个训练样本包括一组监测图像,即时间间隔为T1秒的连续的T帧图像,其中xj代表第j组监测图像的特征因子值,tj代表第j组监测图像的山火判定结果,具有k个隐藏节点的网络模型数学表达式为:
其中,gi(·)为为第i个隐藏层节点的激活函数,wi为连接输入节点和隐藏层节点的输入权值,bi为隐藏层偏置,βi为连接隐藏层与输出层的输出权值,N为训练样本总数,tj为模型输出,即第j个训练样本的山火判定结果,xj为模型输入,即第j个训练样本的特征因子。在极限学习机模型训练中,输入权值wi和隐藏层偏置值bi随机赋值并保持不变,上述N个方程的矩阵形式可以简写为:
Hβ=T
其中,H为极端学习机的隐含层输出矩阵,T为期望输出向量。基于极限学习机的训练过程等价于求取线性系统Hβ=T的最小二乘解:
其中,为矩阵H的转置矩阵,为最优输出权值。
步骤5:判定是否发生山火。
基于步骤3和步骤4中获取的模型参数值,将步骤2中山火监测图像特征因子值作为输入,获取模型输出结果。若大于山火判定阈值,则判定为山火,给出告警信息。依据大量实验比较并且借鉴其它学者的研究成果,本发明中山火判定阈值取为0.6。
本实施例中选取了四组测试视频图像进行山火判识,分别为输电线路山火红外、太阳光、车灯、通道其他干扰光源,计算各图像集特征因子值,并基于优化后的神经网络模型进行山火判识,判识结果如下:
监测图像名称 | 图像总帧数 | 告警率 |
太阳光 | 516 | 2.15% |
车灯 | 570 | 0% |
线路山火 | 534 | 100% |
其他光源 | 372 | 2.89% |
可以看出,该方法能有效消除太阳光、灯光等干扰源影响,综合4类测试集数据表明,该方法能准确识别出每一次输电线路山火事故,山火告警误报率低,可广泛应用于输电线路山火监测预警领域,为输电线路现场山火监测防治提供可靠的技术支撑,有效降低输电线路山火跳闸概率。
Claims (10)
1.一种基于极限学习机的输电线路山火判识方法,其特征在于,包括以下步骤:
步骤1、选取要进行山火判识的一组监测图像,即时间间隔为L1秒的连续的L帧图像,对各帧图像进行失真校正和噪声抑制,并对各帧图像进行图像分割,提取图像上的疑似山火区域;
步骤2、提取该组监测图像的特征因子;判断该组监测图像中是否每一帧图像上的疑似山火区域内所有像素点均满足山火初判条件;若均满足山火初判条件,则计算该组监测图像的特征因子,并进入步骤3;否则,判定该组监测图像不是山火图像;
步骤3、以该组监测图像的特征因子作为模型输入,相应的山火判定结果作为模型输出,建立单隐藏层神经网络模型;;
步骤4、利用极限学习机理论,进行模型参数训练,获取步骤3中单隐藏层神经网络模型的最优参数集;
步骤5、将步骤2中山火监测图像的特征因子输入步骤4训练好的单隐藏层神经网络模型,获取模型输出结果;若模型输出结果大于山火判定阈值,则判定为山火,给出告警信息。
2.根据权利要求1所述的基于极限学习机的输电线路山火判识方法,其特征在于,所述步骤1中,利用自适应小波滤波法对各帧图像进行失真校正和噪声抑制;采用最大熵函数法对各帧图像进行图像分割,提取图像上的疑似山火区域。
3.根据权利要求1所述的基于极限学习机的输电线路山火判识方法,其特征在于,所述步骤2中,山火初判条件为:R>G>B,其中,R、G和B分别为像素点颜色中的红色、绿色和蓝色分量。
4.根据权利要求1所述的基于极限学习机的输电线路山火判识方法,其特征在于,所述步骤2中,一组监测图像的特征因子包括颜色特征因子、形态特征因子和动态特征因子;每一帧图像具有一个颜色特征因子和形态特征因子;一组监测图像对应一个动态特征因子;
所述颜色特征因子用图像上疑似山火区域内各像素的红色比重值的方差来表征,形态特征因子用区域分散度来表征,动态特征因子用图像上疑似山火区域内各像素过零率的平均值来表征;
所述像素的红色比重值的计算公式为:
<mrow>
<mi>r</mi>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>f</mi>
<mi>R</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>f</mi>
<mi>R</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msub>
<mi>f</mi>
<mi>G</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msub>
<mi>f</mi>
<mi>B</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
</mrow>
其中,fR(x,y)、fG(x,y)和fB(x,y)分别为图像上疑似山火区域内坐标(x,y)处的像素点颜色中红色、绿色和蓝色分量的值;
所述区域分散度的计算公式为:
<mrow>
<mi>d</mi>
<mo>=</mo>
<mfrac>
<msup>
<mi>C</mi>
<mn>2</mn>
</msup>
<mrow>
<mn>4</mn>
<mi>&pi;</mi>
<mi>S</mi>
</mrow>
</mfrac>
</mrow>
其中,C和S分别为图像上疑似山火区域的周长和面积;
所述像素过零率的计算公式为:
<mrow>
<mi>z</mi>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>l</mi>
<mo>=</mo>
<mn>2</mn>
</mrow>
<mi>L</mi>
</munderover>
<mrow>
<mo>(</mo>
<mo>|</mo>
<mi>sgn</mi>
<mo>&lsqb;</mo>
<msub>
<mi>f</mi>
<mrow>
<mi>R</mi>
<mi>l</mi>
</mrow>
</msub>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mover>
<msub>
<mi>f</mi>
<mi>R</mi>
</msub>
<mo>&OverBar;</mo>
</mover>
<mo>&rsqb;</mo>
<mo>-</mo>
<mi>sgn</mi>
<mo>&lsqb;</mo>
<msub>
<mi>f</mi>
<mrow>
<mi>R</mi>
<mrow>
<mo>(</mo>
<mi>l</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mover>
<msub>
<mi>f</mi>
<mi>R</mi>
</msub>
<mo>&OverBar;</mo>
</mover>
<mo>&rsqb;</mo>
<mo>|</mo>
<mo>)</mo>
</mrow>
1
<mrow>
<mi>sgn</mi>
<mrow>
<mo>(</mo>
<mo>&CenterDot;</mo>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mn>1</mn>
</mtd>
<mtd>
<mrow>
<mi>x</mi>
<mo>&GreaterEqual;</mo>
<mn>0</mn>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>x</mi>
<mo><</mo>
<mn>0</mn>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
其中,sgn(·)为符号函数,fRl(x,y)为该组监测图像中第l帧图像上疑似山火区域内坐标(x,y)处的像素点颜色中红色分量的值,为L帧图像上坐标(x,y)处的像素点颜色中红色分量的平均值。
5.根据权利要求1所述的基于极限学习机的输电线路山火判识方法,其特征在于,所述步骤3中,单隐藏层神经网络模型结构为m-k-n,其中m为输入层节点数,n为输出层节点数,k为隐藏层节点数;k的计算公式如下:
<mrow>
<mi>k</mi>
<mo>=</mo>
<mi>int</mi>
<mrow>
<mo>(</mo>
<msqrt>
<mrow>
<mi>m</mi>
<mo>+</mo>
<mi>n</mi>
</mrow>
</msqrt>
<mo>+</mo>
<msub>
<mi>log</mi>
<mn>2</mn>
</msub>
<mi>m</mi>
<mo>)</mo>
</mrow>
</mrow>
其中,int(·)为取整函数。
6.根据权利要求5所述的基于极限学习机的输电线路山火判识方法,其特征在于,所述步骤3中,单隐藏层神经网络模型的数学表达式为:
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>k</mi>
</munderover>
<msub>
<mi>&beta;</mi>
<mi>i</mi>
</msub>
<msub>
<mi>g</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>w</mi>
<mi>i</mi>
</msub>
<mo>&CenterDot;</mo>
<mi>x</mi>
<mo>+</mo>
<msub>
<mi>b</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>t</mi>
</mrow>
其中,gi(·)为为第i个隐藏层节点的激活函数;wi为连接输入层节点和第i个隐藏层节点的输入权值;bi为第i个隐藏层节点的偏置;βi为连接第i个隐藏层节点与输出层节点的输出权值,βi为待优化的参数;x为要进行山火判识的一组监测图像的特征因子,其为m维向量;t为该组监测图像的山火判定结果。
7.根据权利要求6所述的基于极限学习机的输电线路山火判识方法,其特征在于,所述步骤4中,在模型参数训练过程中,wi和bi随机赋值并保持不变,构建线性系统矩阵函数,并求解其最小二乘解得到最优输出权值;其中线性系统矩阵函数为:
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mi>H</mi>
<mi>&beta;</mi>
<mo>=</mo>
<mi>T</mi>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>H</mi>
<mo>=</mo>
<msub>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>g</mi>
<mn>1</mn>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>w</mi>
<mn>1</mn>
</msub>
<mo>&CenterDot;</mo>
<msub>
<mi>x</mi>
<mn>1</mn>
</msub>
<mo>+</mo>
<msub>
<mi>b</mi>
<mn>1</mn>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
<mtd>
<mo>...</mo>
</mtd>
<mtd>
<mrow>
<msub>
<mi>g</mi>
<mi>k</mi>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>w</mi>
<mi>k</mi>
</msub>
<mo>&CenterDot;</mo>
<msub>
<mi>x</mi>
<mn>1</mn>
</msub>
<mo>+</mo>
<msub>
<mi>b</mi>
<mi>k</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mtable>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
</mtable>
</mtd>
<mtd>
<mtable>
<mtr>
<mtd>
<mrow></mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>...</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow></mrow>
</mtd>
</mtr>
</mtable>
</mtd>
<mtd>
<mtable>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
</mtable>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>g</mi>
<mn>1</mn>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>w</mi>
<mn>1</mn>
</msub>
<mo>&CenterDot;</mo>
<msub>
<mi>x</mi>
<mi>N</mi>
</msub>
<mo>+</mo>
<msub>
<mi>b</mi>
<mn>1</mn>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
<mtd>
<mo>...</mo>
</mtd>
<mtd>
<mrow>
<msub>
<mi>g</mi>
<mi>k</mi>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>w</mi>
<mi>k</mi>
</msub>
<mo>&CenterDot;</mo>
<msub>
<mi>x</mi>
<mi>N</mi>
</msub>
<mo>+</mo>
<msub>
<mi>b</mi>
<mi>k</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mrow>
<mi>N</mi>
<mo>&times;</mo>
<mi>k</mi>
</mrow>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>&beta;</mi>
<mo>=</mo>
<msup>
<mrow>
<mo>&lsqb;</mo>
<msub>
<mi>&beta;</mi>
<mn>1</mn>
</msub>
<mo>...</mo>
<msub>
<mi>&beta;</mi>
<mi>k</mi>
</msub>
<mo>&rsqb;</mo>
</mrow>
<mi>T</mi>
</msup>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>T</mi>
<mo>=</mo>
<msup>
<mrow>
<mo>&lsqb;</mo>
<msub>
<mi>t</mi>
<mn>1</mn>
</msub>
<mo>...</mo>
<msub>
<mi>t</mi>
<mi>N</mi>
</msub>
<mo>&rsqb;</mo>
</mrow>
<mi>T</mi>
</msup>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
其中,N为训练样本总数,为N个已知的训练样本,每个训练样本对应一组监测图像,即时间间隔为L1秒的连续的L帧图像,其中xj为第j个训练样本对应的监测图像的特征因子,tj为第j个训练样本对应的山火判定结果。
8.根据权利要求7所述的基于极限学习机的输电线路山火判识方法,其特征在于,所述步骤4中,若某个训练样本对应一组火灾图像,则其对应的山火判定结果tj为1,若某个训练样本为对应一组非火灾图像,则其对应的山火判定结果tj为0。
9.根据权利要求8所述的基于极限学习机的输电线路山火判识方法,其特征在于,所述步骤5中,山火判定阈值设定为0.6。
10.根据权利要求1所述的基于极限学习机的输电线路山火判识方法,其特征在于,所述步骤1中,选取时间间隔为0.5秒的连续的6帧图像作为一组监测图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710498521.8A CN107330394A (zh) | 2017-06-27 | 2017-06-27 | 一种基于极限学习机的输电线路山火判识方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710498521.8A CN107330394A (zh) | 2017-06-27 | 2017-06-27 | 一种基于极限学习机的输电线路山火判识方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107330394A true CN107330394A (zh) | 2017-11-07 |
Family
ID=60198110
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710498521.8A Pending CN107330394A (zh) | 2017-06-27 | 2017-06-27 | 一种基于极限学习机的输电线路山火判识方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107330394A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109782091A (zh) * | 2019-01-30 | 2019-05-21 | 西华大学 | 基于深度小波极限学习机的多电平逆变器故障诊断方法 |
CN113536938A (zh) * | 2021-06-18 | 2021-10-22 | 云南电网有限责任公司 | 一种融合5g的输电线路山火智能预警方法及系统 |
CN113657238A (zh) * | 2021-08-11 | 2021-11-16 | 南京精益安防系统科技有限公司 | 基于神经网络的火灾早期预警方法、存储介质及终端设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101315667A (zh) * | 2008-07-04 | 2008-12-03 | 南京航空航天大学 | 室外早期火灾多种特征综合识别方法 |
CN101694652A (zh) * | 2009-09-30 | 2010-04-14 | 西安交通大学 | 一种基于极速神经网络的网络资源个性化推荐方法 |
CN102208018A (zh) * | 2011-06-01 | 2011-10-05 | 西安工程大学 | 一种基于视频差异分析的输电线路火灾识别方法 |
-
2017
- 2017-06-27 CN CN201710498521.8A patent/CN107330394A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101315667A (zh) * | 2008-07-04 | 2008-12-03 | 南京航空航天大学 | 室外早期火灾多种特征综合识别方法 |
CN101694652A (zh) * | 2009-09-30 | 2010-04-14 | 西安交通大学 | 一种基于极速神经网络的网络资源个性化推荐方法 |
CN102208018A (zh) * | 2011-06-01 | 2011-10-05 | 西安工程大学 | 一种基于视频差异分析的输电线路火灾识别方法 |
Non-Patent Citations (2)
Title |
---|
彭文健: "智能视频系统中的火焰检测算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
王礼云: "面向室内火灾监控的极限学习机算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109782091A (zh) * | 2019-01-30 | 2019-05-21 | 西华大学 | 基于深度小波极限学习机的多电平逆变器故障诊断方法 |
CN113536938A (zh) * | 2021-06-18 | 2021-10-22 | 云南电网有限责任公司 | 一种融合5g的输电线路山火智能预警方法及系统 |
CN113657238A (zh) * | 2021-08-11 | 2021-11-16 | 南京精益安防系统科技有限公司 | 基于神经网络的火灾早期预警方法、存储介质及终端设备 |
CN113657238B (zh) * | 2021-08-11 | 2024-02-02 | 南京精益安防系统科技有限公司 | 基于神经网络的火灾早期预警方法、存储介质及终端设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103778432B (zh) | 一种基于深信度网络的人车分类方法 | |
CN108898077A (zh) | 电力设备红外热图的识别方法和电力设备红外识别系统 | |
CN103886344B (zh) | 一种图像型火灾火焰识别方法 | |
CN109063728A (zh) | 一种火灾图像深度学习模式识别方法 | |
CN107330394A (zh) | 一种基于极限学习机的输电线路山火判识方法 | |
CN109637068A (zh) | 智能烟火识别系统 | |
CN110458844A (zh) | 一种低光照场景的语义分割方法 | |
CN102715889B (zh) | 一种脑力负荷检测方法 | |
CN111047818A (zh) | 一种基于视频图像的森林火灾预警系统 | |
CN108052900A (zh) | 一种通过监控视频自动判断着装规范的方法 | |
CN102622604B (zh) | 一种基于可变形部件加权的多角度人脸检测方法 | |
CN106447646A (zh) | 一种用于无人机图像的质量盲评价方法 | |
CN111626199B (zh) | 面向大型多人车厢场景的异常行为分析方法 | |
CN109272500A (zh) | 基于自适应卷积神经网络的织物分类方法 | |
CN102122357A (zh) | 一种基于人眼睁闭状态的疲劳检测方法 | |
CN107657619A (zh) | 一种低照度林火图像分割方法 | |
CN109583349A (zh) | 一种用于在真实环境对目标车辆的颜色进行识别的方法及系统 | |
CN107862692A (zh) | 一种基于卷积神经网络的织带断痕缺陷检测方法 | |
CN109389146A (zh) | 基于神经网络图像分类算法的设备状态反馈方法及系统 | |
CN107292883A (zh) | 一种基于局部特征的pcnn电力故障区域检测方法 | |
CN101980314B (zh) | 公交专座智能提示装置与方法 | |
CN108334902A (zh) | 一种基于深度学习的轨道列车设备间烟雾防火监测方法 | |
CN107169966A (zh) | 一种基于温度分布的输电线路山火辨识方法 | |
CN110276398A (zh) | 一种视频异常行为自动判断方法 | |
CN113570571A (zh) | 一种工业边缘端动力电池缺陷检测方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171107 |
|
RJ01 | Rejection of invention patent application after publication |