CN108877127B - 基于图像处理的森林火灾检测方法 - Google Patents
基于图像处理的森林火灾检测方法 Download PDFInfo
- Publication number
- CN108877127B CN108877127B CN201810395331.8A CN201810395331A CN108877127B CN 108877127 B CN108877127 B CN 108877127B CN 201810395331 A CN201810395331 A CN 201810395331A CN 108877127 B CN108877127 B CN 108877127B
- Authority
- CN
- China
- Prior art keywords
- pin
- resistor
- chip
- image
- module
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 68
- 238000012545 processing Methods 0.000 title claims abstract description 25
- 238000012544 monitoring process Methods 0.000 claims abstract description 78
- 230000005540 biological transmission Effects 0.000 claims abstract description 73
- 238000000034 method Methods 0.000 claims abstract description 41
- 239000000779 smoke Substances 0.000 claims abstract description 25
- 238000004891 communication Methods 0.000 claims abstract description 23
- 230000008569 process Effects 0.000 claims abstract description 23
- 238000010248 power generation Methods 0.000 claims abstract description 22
- 239000003990 capacitor Substances 0.000 claims description 74
- 239000002245 particle Substances 0.000 claims description 46
- 238000006243 chemical reaction Methods 0.000 claims description 33
- 238000002955 isolation Methods 0.000 claims description 18
- 230000000087 stabilizing effect Effects 0.000 claims description 18
- 230000008859 change Effects 0.000 claims description 12
- 230000008878 coupling Effects 0.000 claims description 12
- 238000010168 coupling process Methods 0.000 claims description 12
- 238000005859 coupling reaction Methods 0.000 claims description 12
- 230000003287 optical effect Effects 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 6
- 238000007599 discharging Methods 0.000 claims description 5
- 239000006185 dispersion Substances 0.000 claims description 5
- 230000005669 field effect Effects 0.000 claims description 5
- 229910044991 metal oxide Inorganic materials 0.000 claims description 5
- 150000004706 metal oxides Chemical class 0.000 claims description 5
- 239000004065 semiconductor Substances 0.000 claims description 5
- 241000764238 Isis Species 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 3
- 230000001133 acceleration Effects 0.000 claims 1
- 230000011218 segmentation Effects 0.000 description 14
- 238000010586 diagram Methods 0.000 description 11
- 230000004438 eyesight Effects 0.000 description 6
- 238000013461 design Methods 0.000 description 5
- 238000003709 image segmentation Methods 0.000 description 5
- 230000009977 dual effect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 229910001034 TMS-174 Inorganic materials 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000004297 night vision Effects 0.000 description 1
- 238000012856 packing Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
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
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B17/00—Fire alarms; Alarms responsive to explosion
- G08B17/06—Electric actuation of the alarm, e.g. using a thermally-operated switch
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B17/00—Fire alarms; Alarms responsive to explosion
- G08B17/10—Actuation by presence of smoke or gases, e.g. automatic alarm devices for analysing flowing fluid materials by the use of optical means
-
- 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
Abstract
本发明公开了一种基于图像处理的森林火灾检测方法，其采用的系统包括图像采集传输装置和监控计算机，图像采集传输装置包括红外摄像头、图像采集传输控制器和太阳能供电系统；太阳能供电系统包括太阳能光伏板、太阳能发电控制器和蓄电池；图像采集传输控制器包括图像采集传输微控制器模块、无线通信模块、温度传感器、烟雾浓度传感器和GPS定位模块；其方法包括步骤：一、构建存储在监控计算机中的火焰像素比对样本数据和非火焰像素比对样本数据；二、图像采集及传输；三、监控计算机调用火灾图像识别模块并采用KNN算法对其接收到的森林火灾图像进行分析处理，判断是否为火灾图像。本发明在分类精度与速度方面均有提高，实用性强。
Description
技术领域
本发明属于森林火灾检测技术领域，具体涉及一种基于图像处理的森林火灾检测方法。
背景技术
近年来，基于计算机视觉的林火检测技术已开始取代传统的基于传感器的林火检测方法。图像分割是计算机视觉技术应用的第一步也是非常重要的一步。在林火检测领域中，许多学者已提出多种算法用于检测图像或视频序列中的火灾，如Rudz S等人在2013年第24期第7卷期刊《Measurement Science&Technology》上发表的论文《Investigation ofa novel image segmentation method dedicated to forest fire applications》中提出的方法，蒋先刚等人在2017年第2期期刊《计算机工程与设计》的第494～499页上发表的论文《基于HOFHOG和RDF的火灾区域探测》中提出的方法，以及刘立等人在2016年第2期期刊《南华大学学报(自然科学版)》的第72～77页上发表的论文《基于YIQ颜色空间的火焰轮廓提取算法》中提出的方法；而且，近年来，随着大数据与人工智能的发展，以及并行计算技术的的提升，越来越多的领域都引入了计算机视觉技术。比如在火灾检测领域，就大有用计算机视觉替代传统传感器检测的趋势。
图像分割是计算机视觉中重要的一步，它是图像分析与理解的基础；目前已有许多学者对火灾图像分割进行了大量研究。王光耀等在2015年的硕士毕业论文《基于机器学习的火灾检测方法研究》中，基于大量实验研究，提出基于HSI颜色空间的火焰分割算法，该算法结果可得到疑似火焰，后期结合区域生长算法，扩大火焰区域的选择。罗媛媛在2013年的硕士毕业论文《基于YCbCr颜色空间的森林火灾探测技术的研究》中提出一种基于YCbCr空间与K均值聚类相结合的火焰分割算法，该算法对火焰在白天光线较强的情况下的分割效果较好，然而在火焰很少时可能会提取不出火焰，且算法效果和K值有关，重复的迭代不利于实时性。文献通过大量实验得到经验值，采用阈值方法分割得到火焰图像。类似算法还有在不同的颜色空间(RGB、YCbCr、YUV、L*a*b*、HSI、HSV)，采用不同的颜色标准进行分割。这些方法均是基于大量实验，得到经验阈值，然后对火焰区域进行分割。在此过程中无可避免的引入了人工设置阈值的步骤，降低了算法应用的自动化性能。现有技术中，还缺乏能够很好地应用计算机视觉进行森林火灾检测的系统及方法。
发明内容
本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种基于图像处理的森林火灾检测系统，其电路结构简单，设计合理，实现方便，节约能源，且能够保证稳定可靠的供电，能够很好地应用于森林火灾监控中，实用性强，使用效果好，便于推广使用。
为解决上述技术问题，本发明采用的技术方案是：一种基于图像处理的森林火灾检测系统，其特征在于：包括布设在森林中多个不同位置处的图像采集传输装置和设置在监控中心的监控计算机，所述图像采集传输装置包括支架以及安装在支架顶部的红外摄像头、图像采集传输控制器和太阳能供电系统；所述太阳能供电系统包括太阳能光伏板、太阳能发电控制器和蓄电池，所述太阳能发电控制器包括太阳能发电微控制器模块和用于将蓄电池输出的电压转换为太阳能发电控制器中各用电模块所需电压的第一电压转换电路，所述太阳能发电微控制器模块的输入端接有太阳能光伏板电压检测电路和蓄电池电压检测电路，所述太阳能光伏板电压检测电路与太阳能光伏板的输出端连接，所述蓄电池电压检测电路与蓄电池的输出端连接，所述太阳能发电微控制器模块的输出端接有充放电控制电路，所述充放电控制电路接在太阳能光伏板与蓄电池之间；所述图像采集传输控制器包括图像采集传输微控制器模块和用于将蓄电池输出的电压转换为图像采集传输控制器中各用电模块所需电压的第二电压转换电路，以及与图像采集传输微控制器模块相接的数据存储器和用于与监控计算机无线通信的无线通信模块，所述红外摄像头与图像采集传输微控制器模块的输入端连接，所述图像采集传输微控制器模块的输入端还接有温度传感器、烟雾浓度传感器和用于定位的GPS定位模块，所述图像采集传输微控制器模块的输出端接有声光报警器。
上述的基于图像处理的森林火灾检测系统，其特征在于：所述太阳能发电微控制器模块包括ARM微控制器LPC2131。
上述的基于图像处理的森林火灾检测系统，其特征在于：所述蓄电池电压检测电路包括电阻R19、电阻R20和电阻R21，所述电阻R19和电阻R20串联后接在所述蓄电池的正极电压输出端和负极电压输出端之间，所述电阻R21的一端与所述电阻R19和电阻R20的连接端连接，所述电阻R21的另一端与所述ARM微控制器LPC2131的第15引脚连接；
所述充放电控制电路包括防反充二极管D19、升压电路、续流二极管D20、充电控制电路和放电控制电路，所述升压电路包括芯片LM25716-ADJ，所述芯片LM25716-ADJ的第1引脚通过串联的电阻R13和非极性电容C2接地，所述芯片LM25716-ADJ的第4引脚通过串联的电阻R14和电阻R15接地，所述芯片LM25716-ADJ的第2引脚与电阻R14和电阻R15的连极端连接，所述芯片LM25716-ADJ的第4引脚与第5引脚之间接有电感L1，所述芯片LM25716-ADJ的第5引脚与防反充二极管D19的阴极连接，所述防反充二极管D19的阳极与所述太阳能光伏板的正极电压输出端连接；所述充电控制电路包括MOSFET管Q1和型号为TLP521的光耦隔离芯片U2，所述光耦隔离芯片U2的第1引脚通过电阻R22与所述ARM微控制器LPC2131的第1引脚连接，所述光耦隔离芯片U2的第4引脚通过电阻R24与所述芯片LM25716-ADJ的第4引脚连接，且通过电阻R25与MOSFET管Q1的栅极连接，所述MOSFET管Q1的漏极与所述芯片LM25716-ADJ的第4引脚连接，所述MOSFET管Q1的源极与蓄电池的正极连接；所述放电控制电路包括MOSFET管Q2和型号为TLP521的光耦隔离芯片U3，所述光耦隔离芯片U3的第1引脚通过电阻R23与所述ARM微控制器LPC2131的第19引脚连接，所述光耦隔离芯片U3的第4引脚通过电阻R26与蓄电池的正极连接，且通过电阻R27与MOSFET管Q2的栅极连接，所述MOSFET管Q2的漏极与蓄电池的负极连接，所述MOSFET管Q2的源极与第一电压转换电路和第二电压转换电路的负极电压输入端连接，所述第一电压转换电路的正极电压输入端和第二电压转换电路的正极电压输入端均与蓄电池的正极连接；所述续流二极管D20的正极与蓄电池的负极连接，所述续流二极管D20的负极与蓄电池的正极连接；
所述太阳能光伏板电压检测电路包括电阻R16、电阻R17和电阻R18组成，所述电阻R16和电阻R17串联后接在所述芯片LM25716-ADJ的第4引脚与地之间，所述电阻R18的一端与所述电阻R16和电阻R17的连接端连接，所述电阻R18的另一端与所述ARM微控制器LPC2131的第13引脚连接。
上述的基于图像处理的森林火灾检测系统，其特征在于：所述图像采集传输微控制器模块包括DSP数字信号处理器TMS320F2812。
上述的基于图像处理的森林火灾检测系统，其特征在于：所述数据存储器包括卡槽SDCARD-M和12针插头P4，所述卡槽SDCARD-M的第1引脚、第2引脚、第3引脚、第5引脚、第7引脚和第8引脚依次对应与12针插头P4的第6引脚、第5引脚、第4引脚、第3引脚、第2引脚和第1引脚连接，所述12针插头P4的第1引脚、第2引脚、第3引脚、第4引脚、第5引脚和第6引脚分别通过电阻R13、电阻R14、电阻R15、电阻R16、电阻R17和电阻R18与第二电压转换电路(5-2)的+3.3V电压输出端连接；所述卡槽SDCARD-M的第4引脚与第二电压转换电路(5-2)的+3.3V电压输出端连接，且通过电容C18接地；所述卡槽SDCARD-M的第6引脚、第10引脚和第11引脚均接地；所述12针插头P4的第8引脚、第9引脚、第10引脚和第11引脚依次对应与DSP数字信号处理器TMS320F2812的第40引脚、第41引脚、第34引脚和第35引脚连接。
上述的基于图像处理的森林火灾检测系统，其特征在于：所述无线通信模块包括异步通信电路、与异步通信电路连接的CDMA模块、与CDMA模块连接的UIM卡接口电路和接在UIM卡接口电路上的UIM卡，所述异步通信电路包括芯片SN74AHC245、非极性电容C13、电阻R9和电阻R10，所述芯片SN74AHC245的第1引脚、第10引脚和第19引脚均接地，所述芯片SN74AHC245的第2引脚与所述DSP数字信号处理器TMS320F2812的第91引脚连接，所述芯片SN74AHC245的第5引脚与所述DSP数字信号处理器TMS320F2812的第92引脚连接，所述芯片SN74AHC245的第7引脚与所述DSP数字信号处理器TMS320F2812的第93引脚连接，所述芯片SN74AHC245的第14引脚通过电阻R10与所述DSP数字信号处理器TMS320F2812的第174引脚连接，所述芯片SN74AHC245的第17引脚通过电阻R9与所述DSP数字信号处理器TMS320F2812的第90引脚连接，所述芯片SN74AHC245的第20引脚与第二电压转换电路的+3.3V电压输出端连接且通过非极性电容C13接地；
所述CDMA模块包括芯片CEM800、非极性电容C18、非极性电容C19、非极性电容C20和非极性电容C21，所述芯片CEM800的第1引脚、第3引脚、第5引脚和第7引脚均与第二电压转换电路的+3.3V电压输出端连接，所述芯片CEM800的第2引脚、第4引脚、第6引脚、第8引脚、第50引脚和第56引脚均接地，所述芯片CEM800的第30引脚与所述芯片SN74AHC245的第18引脚连接，所述芯片CEM800的第32引脚与所述芯片SN74AHC245的第3引脚连接，所述芯片CEM800的第36引脚与所述芯片SN74AHC245的第6引脚连接，所述芯片CEM800的第38引脚与所述芯片SN74AHC245的第13引脚连接，所述非极性电容C18、非极性电容C19、非极性电容C20、非极性电容C21和非极性电容C76并联接在第二电压转换电路的+3.3V电压输出端与地之间；
所述UIM卡接口电路包括用于插入UIM卡的UIM卡槽UIM、电阻R11、电阻R20、电阻R21、电阻R22、非极性电容C14、非极性电容C23、非极性电容C24、非极性电容C25、稳压二极管D4、稳压二极管D5、稳压二极管D6和稳压二极管D7，所述UIM卡槽UIM的第2引脚与所述芯片CEM800的第46引脚和电阻R11的一端连接，所述UIM卡槽UIM的第3引脚与所述电阻R22的一端连接，所述电阻R11的另一端、电阻R22的另一端、非极性电容C23的一端和稳压二极管D5的负极均与所述芯片CEM800的第44引脚连接，所述UIM卡槽UIM的第4引脚、非极性电容C14的一端和稳压二极管D4的负极均与所述芯片CEM800的第46引脚连接，所述UIM卡槽UIM的第5引脚与所述电阻R20的一端连接，所述电阻R20的另一端、非极性电容C24的一端和稳压二极管D6的负极均与所述芯片CEM800的第42引脚连接，所述UIM卡槽UIM的第6引脚与所述电阻R21的一端连接，所述电阻R21的另一端、非极性电容C25的一端和稳压二极管D7的负极均与所述芯片CEM800的第48引脚连接，所述UIM卡槽UIM的第1引脚、非极性电容C14的另一端、稳压二极管D4的正极、非极性电容C23的另一端、稳压二极管D5的正极、非极性电容C24的另一端、稳压二极管D6的正极、非极性电容C25的另一端和稳压二极管D7的正极均接地。
上述的基于图像处理的森林火灾检测系统，其特征在于：所述GPS定位模块为BD/GPS双模接收机模块ATGM332D，所述BD/GPS双模接收机模块ATGM332D的串口接收引脚RXD与所述DSP数字信号处理器TMS320F2812的第157引脚连接，所述BD/GPS双模接收机模块ATGM332D的串口发送引脚TXD与所述DSP数字信号处理器TMS320F2812的第155引脚连接，所述BD/GPS双模接收机模块ATGM332D的时间脉冲信号引脚PPS与所述DSP数字信号处理器TMS320F2812的第98引脚连接。
本发明还公开了一种方法步骤简单、实现方便、火灾报警位置准确、数据量小、检测效率高、精度高的森林火灾检测方法，其特征在于，该方法包括以下步骤：
步骤一、构建存储在监控计算机中的火焰像素比对样本数据和非火焰像素比对样本数据，具体过程为：
步骤101、将火灾图像数据集存储到监控计算机(2)中；
步骤102、监控计算机调用火焰像素与非火焰像素特征提取模块对火灾图像样本数据集进行特征提取，得到火灾图像样本数据集中各火灾图像的火焰像素颜色模型和非火焰像素颜色模型；
步骤103、监控计算机调用火焰像素分析模块并采用基于粒子群算法优化的K-中值算法分别对各火灾图像的火焰像素颜色模型进行聚类，得到各火灾图像的火焰像素颜色模型的K个聚类；具体过程为：
步骤1031、监控计算机定义各火灾图像的火焰像素颜色模型分别为样本X1,X2,…,Xn；其中，n为各火灾图像的火焰像素颜色模型的数量；
步骤1032、监控计算机调用初始聚类中心确定模块并采用粒子群算法确定出K个类别中心μ1,μ2,…,μK，其中，K为不大于n的正整数；
步骤1033、监控计算机根据相似度函数
计算样本与聚类中心的相似度，对每个样本Xi，找到与其最接近的聚类中心μj后，将其标记为聚类中心μj的类别；其中，i的取值为1～n的正整数，j的取值为1～K的正整数，D(Xi,μj)为待分类样本与已知样本之间的欧氏距离，C(Xi,μj)为待分类样本与已知样本之间的相关距离；
步骤1034、监控计算机根据公式
将每个类别中心更新为隶属该类别的所有样本的均值；其中，Nj为属于聚类中心μj的样本数；
步骤1035、重复步骤1033和步骤1034，直到类别中心的变化小于预先设定的类别中心变化阈值，并将K个更新后的类别中心定义为各火灾图像的火焰像素颜色模型的K个聚类；
步骤104、监控计算机调用非火焰像素分析模块并采用基于粒子群算法优化的K-中值算法分别对各火灾图像的非火焰像素颜色模型进行聚类，得到非火焰像素的
个聚类；具体过程为：
步骤1041、监控计算机(2)定义各火灾图像的非火焰像素颜色模型分别为样本X′1,X′2,…,X′n′；其中，n′为各火灾图像的非火焰像素颜色模型的数量；
步骤1042、监控计算机(2)调用初始聚类中心确定模块并采用粒子群算法确定出
个类别中心
其中，
为不大于n′的正整数；
步骤1043、监控计算机(2)根据相似度函数
计算样本与聚类中心的相似度，对每个样本X′i′，找到与其最接近的聚类中心μ′j′后，将其标记为聚类中心μ′j′的类别；其中，i′的取值为1～n′的正整数，j′的取值为
的正整数，D(X′i′,μ′j′)为待分类样本与已知样本之间的欧氏距离，C(X′i′,μ′j′)为待分类样本与已知样本之间的相关距离；
步骤1044、监控计算机(2)根据公式将每个类别中心更新为隶属该类别的所有样本的均值；其中，N′j′为属于聚类中心μ′j′的样本数；
步骤1045、重复步骤1043和步骤1044，直到类别中心的变化小于预先设定的类别中心变化阈值，并将个更新后的类别中心定义为各火灾图像的非火焰像素颜色模型的
个聚类；
步骤105、监控计算机定义各火灾图像的火焰像素颜色模型的K个聚类为火焰像素比对样本数据并存储，定义各火灾图像的非火焰像素颜色模型的
个聚类为非火焰像素比对样本数据并存储；
步骤二、图像采集及传输：图像采集传输装置中的温度传感器对其所处环境的温度进行实时检测并将检测到的信号输出给图像采集传输微控制器模块，烟雾浓度传感器对其所处环境的烟雾浓度进行实时检测，并将所检测到的信号输出给图像采集传输微控制器模块，图像采集传输微控制器模块将其接收到的温度检测数据与预先设定的温度阈值数据相比对，并将其接收到的烟雾浓度检测数据与预先设定的烟雾浓度阈值数据相比对，当温度检测数据大于温度阈值数据且烟雾浓度检测数据大于烟雾浓度阈值数据时，判断为可能发生了火灾，此时，图像采集传输微控制器模块输出启动控制信号给红外摄像头和GPS定位模块，红外摄像头接收到启动控制信号后，开始拍摄其所处环境中的森林火灾图像并将拍摄到的图像输出给图像采集传输微控制器模块，GPS定位模块进行其所处位置定位并将定位的位置信号输出给图像采集传输微控制器模块，图像采集传输微控制器模块将其接收到的森林火灾图像和位置信号通过无线通信模块打包发送给监控计算机；
步骤三、监控计算机调用火灾图像识别模块并采用KNN算法对其接收到的森林火灾图像进行分析处理，判断是否为火灾图像，具体过程为：
步骤301、监控计算机接收森林火灾图像；
步骤302、监控计算机计算图像中每个像素与火焰像素比对样本数据中每个样本之间的距离，以及每个像素与非火焰像素比对样本数据中每个样本之间的距离，并将计算出的距离进行从小到大排列；
步骤303、监控计算机提取距离最近的前K个样本，并判断距离最近的前K个样本分别是距离火焰像素比对样本数据之间的距离，还是距离非火焰像素比对样本之间的距离，并统计距离火焰像素比对样本数据之间的距离数量S1和距离非火焰像素比对样本数据之间的距离数量S2，当S1大于S2时，判定为火焰像素，并将改像素二值化为1，当S1不大于S2时，判定为非火焰像素，并将该像素二值化为0，得到二值化后的火灾图像BW；
步骤304、监控计算机统计图像BW中二值化为1的像素个数，当其大于预先设定的像素数阈值时，判断该图像为火灾图像，否则判断该图像为非火灾图像。
上述的方法，其特征在于：步骤1032中所述监控计算机调用初始聚类中心确定模块并采用粒子群算法确定出K个类别中心μ1,μ2,…,μK的具体过程与步骤1042中所述监控计算机调用初始聚类中心确定模块并采用粒子群算法确定出
个类别中心的具体过程相同且均为：
步骤A、初始化粒子群；即随机设定各粒子的初始位置和初始速度V；
步骤B、根据初始位置和速度产生各粒子新的位置；
步骤C、计算每个粒子的适应度值，采用的适应度函数表示为式fitness＝k/J，其中，J为总的类内离散度和，k为常数；
步骤D、对于每个粒子，比较它的适应度值和它经历过的最好位置Pid的适应度值，当适应度值更好时就更新；
步骤E、对于每个粒子，比较它的适应度值和群体所经历的最好位置Pgd的适应度值，当适应度值更好时就更新。
步骤F、根据公式vid(t+1)＝ωvid(t)+η1rand()(pid-zid(t))+η2rand()(pgd-zid(t))和公式zid(t+1)＝zid(t)+vid(t+1)调整粒子的速度和位置；其中，Pid为每个粒子当前搜索到的最优解，Pgd为全局目前最优解，vid(t+1)表示第i个粒子在t+1次迭代中第d维上的速度，vid(t)表示第i个粒子在t次迭代中第d维上的速度，zid(t+1)表示第i个粒子在t+1次迭代中第d维上的位置，zid(t)表示第i个粒子在t次迭代中第d维上的位置，ω为惯性权重，η1和η2均为加速常数，rand()为0-1之间的随机数；
步骤G、当达到最大迭代次数时结束，否则返回步骤C继续迭代执行。
本发明与现有技术相比具有以下优点：
1、本发明图像采集传输装置的电路采用了模块化的设计，电路结构简单，设计合理，实现方便。
2、本发明通过通过太阳能供电，节约能源；通过太阳能光伏板电压检测电路、充放电控制电路和蓄电池电压检测电路的合理设计，能够延长蓄电池的使用寿命，且能够保证稳定可靠的供电。
3、本发明的基于图像处理的森林火灾检测方法的方法步骤简单，实现方便；通过采用温度传感器、烟雾浓度传感器和红外摄像头相配合，能够在发生可疑火灾的情况下才采集并发送图像给远程监控计算机，再通过GPS定位模块进行精确定位，火灾报警位置准确，且数据量小，检测效率高，精度高。
4、本发明基于大量火灾图像像素，采用改进的K-中值算法对其进行离线训练，然后利用KNN算法对火灾图像中的像素进行分类，最终判断出火焰图像，判断精度高。
5、将本发明应用于森林火灾实时检测中，将能够有效减少森林火灾的危害，本发明的实用性强，使用效果好，便于推广使用。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明基于图像处理的森林火灾检测系统的电路原理图。
图2为本发明图像采集传输装置的结构示意图。
图3为本发明图像采集传输装置和太阳能供电系统的电路连接框图。
图4为本发明太阳能发电微控制器模块的电路原理图。
图5为本发明太阳能光伏板、太阳能光伏板电压检测电路、充放电控制电路、蓄电池电压检测电路和蓄电池的电路连接图。
图6为本发明图像采集传输微控制器模块的电路原理图。
图7为本发明数据存储器的电路原理图。
图8为本发明异步通信电路的电路原理图。
图9为本发明CDMA模块的电路原理图。
图10为本发明UIM卡接口电路的电路原理图。
图11为本发明GPS定位模块的电路原理图。
图12A至图12E为原始拍摄图像的5张示例图。
图13A至图13E为采用现有技术中的第一种方法处理后的5张图。
图14A至图14E为采用现有技术中的第二种方法处理后的5张图。
图15A至图15E为采用本发明中的方法处理后的5张图。
图16为监控计算机调用火焰像素与非火焰像素特征提取模块对火灾图像样本数据集进行特征提取的方法流程框图。
具体实施方式
如图1所示，本发明的基于图像处理的森林火灾检测系统，包括布设在森林中多个不同位置处的图像采集传输装置1和设置在监控中心的监控计算机2，结合图2，所述图像采集传输装置1包括支架3以及安装在支架3顶部的红外摄像头4、图像采集传输控制器5和太阳能供电系统；结合图3，所述太阳能供电系统包括太阳能光伏板6-1、太阳能发电控制器6-2和蓄电池6-3，所述太阳能发电控制器6-2包括太阳能发电微控制器模块6-21和用于将蓄电池6-3输出的电压转换为太阳能发电控制器6-2中各用电模块所需电压的第一电压转换电路6-25，所述太阳能发电微控制器模块6-21的输入端接有太阳能光伏板电压检测电路6-22和蓄电池电压检测电路6-23，所述太阳能光伏板电压检测电路6-22与太阳能光伏板6-1的输出端连接，所述蓄电池电压检测电路6-23与蓄电池6-3的输出端连接，所述太阳能发电微控制器模块6-21的输出端接有充放电控制电路6-24，所述充放电控制电路6-24接在太阳能光伏板6-1与蓄电池6-3之间；所述图像采集传输控制器5包括图像采集传输微控制器模块5-1和用于将蓄电池6-3输出的电压转换为图像采集传输控制器5中各用电模块所需电压的第二电压转换电路5-2，以及与图像采集传输微控制器模块5-1相接的数据存储器5-8和用于与监控计算机2无线通信的无线通信模块5-3，所述红外摄像头4与图像采集传输微控制器模块5-1的输入端连接，所述图像采集传输微控制器模块5-1的输入端还接有温度传感器5-4、烟雾浓度传感器5-5和用于定位的GPS定位模块5-6，所述图像采集传输微控制器模块5-1的输出端接有声光报警器5-7。
本实施例中，如图4所示，所述太阳能发电微控制器模块6-21包括ARM微控制器LPC2131。
本实施例中，如图5所示，所述蓄电池电压检测电路6-23包括电阻R19、电阻R20和电阻R21，所述电阻R19和电阻R20串联后接在所述蓄电池6-3的正极电压输出端和负极电压输出端之间，所述电阻R21的一端与所述电阻R19和电阻R20的连接端连接，所述电阻R21的另一端与所述ARM微控制器LPC2131的第15引脚连接；
本实施例中，如图5所示，所述充放电控制电路6-24包括防反充二极管D19、升压电路、续流二极管D20、充电控制电路和放电控制电路，所述升压电路包括芯片LM25716-ADJ，所述芯片LM25716-ADJ的第1引脚通过串联的电阻R13和非极性电容C2接地，所述芯片LM25716-ADJ的第4引脚通过串联的电阻R14和电阻R15接地，所述芯片LM25716-ADJ的第2引脚与电阻R14和电阻R15的连极端连接，所述芯片LM25716-ADJ的第4引脚与第5引脚之间接有电感L1，所述芯片LM25716-ADJ的第5引脚与防反充二极管D19的阴极连接，所述防反充二极管D19的阳极与所述太阳能光伏板6-1的正极电压输出端连接；所述充电控制电路包括MOSFET管Q1和型号为TLP521的光耦隔离芯片U2，所述光耦隔离芯片U2的第1引脚通过电阻R22与所述ARM微控制器LPC2131的第1引脚连接，所述光耦隔离芯片U2的第4引脚通过电阻R24与所述芯片LM25716-ADJ的第4引脚连接，且通过电阻R25与MOSFET管Q1的栅极连接，所述MOSFET管Q1的漏极与所述芯片LM25716-ADJ的第4引脚连接，所述MOSFET管Q1的源极与蓄电池6-3的正极连接；所述放电控制电路包括MOSFET管Q2和型号为TLP521的光耦隔离芯片U3，所述光耦隔离芯片U3的第1引脚通过电阻R23与所述ARM微控制器LPC2131的第19引脚连接，所述光耦隔离芯片U3的第4引脚通过电阻R26与蓄电池6-3的正极连接，且通过电阻R27与MOSFET管Q2的栅极连接，所述MOSFET管Q2的漏极与蓄电池6-3的负极连接，所述MOSFET管Q2的源极与第一电压转换电路6-25和第二电压转换电路5-2的负极电压输入端连接，所述第一电压转换电路6-25的正极电压输入端和第二电压转换电路5-2的正极电压输入端均与蓄电池6-3的正极连接；所述续流二极管D20的正极与蓄电池6-3的负极连接，所述续流二极管D20的负极与蓄电池6-3的正极连接；
如图5所示，所述太阳能光伏板电压检测电路6-22包括电阻R16、电阻R17和电阻R18组成，所述电阻R16和电阻R17串联后接在所述芯片LM25716-ADJ的第4引脚与地之间，所述电阻R18的一端与所述电阻R16和电阻R17的连接端连接，所述电阻R18的另一端与所述ARM微控制器LPC2131的第13引脚连接。
本实施例中，如图6所示，所述图像采集传输微控制器模块5-1包括DSP数字信号处理器TMS320F2812。
本实施例中，如图7所示，所述数据存储器5-8包括卡槽SDCARD-M和12针插头P4，所述卡槽SDCARD-M的第1引脚、第2引脚、第3引脚、第5引脚、第7引脚和第8引脚依次对应与12针插头P4的第6引脚、第5引脚、第4引脚、第3引脚、第2引脚和第1引脚连接，所述12针插头P4的第1引脚、第2引脚、第3引脚、第4引脚、第5引脚和第6引脚分别通过电阻R13、电阻R14、电阻R15、电阻R16、电阻R17和电阻R18与第二电压转换电路5-2的+3.3V电压输出端连接；所述卡槽SDCARD-M的第4引脚与第二电压转换电路5-2的+3.3V电压输出端连接，且通过电容C18接地；所述卡槽SDCARD-M的第6引脚、第10引脚和第11引脚均接地；所述12针插头P4的第8引脚、第9引脚、第10引脚和第11引脚依次对应与DSP数字信号处理器TMS320F2812的第40引脚、第41引脚、第34引脚和第35引脚连接。
本实施例中，所述无线通信模块5-3包括异步通信电路、与异步通信电路连接的CDMA模块、与CDMA模块连接的UIM卡接口电路和接在UIM卡接口电路上的UIM卡，如图8所示，所述异步通信电路包括芯片SN74AHC245、非极性电容C13、电阻R9和电阻R10，所述芯片SN74AHC245的第1引脚、第10引脚和第19引脚均接地，所述芯片SN74AHC245的第2引脚与所述DSP数字信号处理器TMS320F2812的第91引脚连接，所述芯片SN74AHC245的第5引脚与所述DSP数字信号处理器TMS320F2812的第92引脚连接，所述芯片SN74AHC245的第7引脚与所述DSP数字信号处理器TMS320F2812的第93引脚连接，所述芯片SN74AHC245的第14引脚通过电阻R10与所述DSP数字信号处理器TMS320F2812的第174引脚连接，所述芯片SN74AHC245的第17引脚通过电阻R9与所述DSP数字信号处理器TMS320F2812的第90引脚连接，所述芯片SN74AHC245的第20引脚与第二电压转换电路5-2的+3.3V电压输出端连接且通过非极性电容C13接地；
如图9所示，所述CDMA模块包括芯片CEM800、非极性电容C18、非极性电容C19、非极性电容C20和非极性电容C21，所述芯片CEM800的第1引脚、第3引脚、第5引脚和第7引脚均与第二电压转换电路5-2的+3.3V电压输出端连接，所述芯片CEM800的第2引脚、第4引脚、第6引脚、第8引脚、第50引脚和第56引脚均接地，所述芯片CEM800的第30引脚与所述芯片SN74AHC245的第18引脚连接，所述芯片CEM800的第32引脚与所述芯片SN74AHC245的第3引脚连接，所述芯片CEM800的第36引脚与所述芯片SN74AHC245的第6引脚连接，所述芯片CEM800的第38引脚与所述芯片SN74AHC245的第13引脚连接，所述非极性电容C18、非极性电容C19、非极性电容C20、非极性电容C21和非极性电容C76并联接在第二电压转换电路5-2的+3.3V电压输出端与地之间；
如图10所示，所述UIM卡接口电路包括用于插入UIM卡的UIM卡槽UIM、电阻R11、电阻R20、电阻R21、电阻R22、非极性电容C14、非极性电容C23、非极性电容C24、非极性电容C25、稳压二极管D4、稳压二极管D5、稳压二极管D6和稳压二极管D7，所述UIM卡槽UIM的第2引脚与所述芯片CEM800的第46引脚和电阻R11的一端连接，所述UIM卡槽UIM的第3引脚与所述电阻R22的一端连接，所述电阻R11的另一端、电阻R22的另一端、非极性电容C23的一端和稳压二极管D5的负极均与所述芯片CEM800的第44引脚连接，所述UIM卡槽UIM的第4引脚、非极性电容C14的一端和稳压二极管D4的负极均与所述芯片CEM800的第46引脚连接，所述UIM卡槽UIM的第5引脚与所述电阻R20的一端连接，所述电阻R20的另一端、非极性电容C24的一端和稳压二极管D6的负极均与所述芯片CEM800的第42引脚连接，所述UIM卡槽UIM的第6引脚与所述电阻R21的一端连接，所述电阻R21的另一端、非极性电容C25的一端和稳压二极管D7的负极均与所述芯片CEM800的第48引脚连接，所述UIM卡槽UIM的第1引脚、非极性电容C14的另一端、稳压二极管D4的正极、非极性电容C23的另一端、稳压二极管D5的正极、非极性电容C24的另一端、稳压二极管D6的正极、非极性电容C25的另一端和稳压二极管D7的正极均接地。
本实施例中，如图11所示，所述GPS定位模块5-6为BD/GPS双模接收机模块ATGM332D，所述BD/GPS双模接收机模块ATGM332D的串口接收引脚RXD与所述DSP数字信号处理器TMS320F2812的第157引脚连接，所述BD/GPS双模接收机模块ATGM332D的串口发送引脚TXD与所述DSP数字信号处理器TMS320F2812的第155引脚连接，所述BD/GPS双模接收机模块ATGM332D的时间脉冲信号引脚PPS与所述DSP数字信号处理器TMS320F2812的第98引脚连接。
具体实施时，所述红外摄像头4为带有夜视功能的红外摄像头，所述红外摄像头4的信号输出端与DSP数字信号处理器TMS320F2812的I/O输入端口连接，所述温度传感器5-4为数字式温度传感器DS18B20，所述数字式温度传感器DS18B20的信号输出端与DSP数字信号处理器TMS320F2812的I/O输入端口连接，所述烟雾浓度传感器5-5为MQ-2烟雾浓度传感器，所述MQ-2烟雾浓度传感器的模拟信号输出端口与DSP数字信号处理器TMS320F2812的模拟信号输入端口(即内部A/D转换器的信号输入端口)连接。
本发明的基于图像处理的森林火灾检测方法，包括以下步骤：
步骤一、构建存储在监控计算机2中的火焰像素比对样本数据和非火焰像素比对样本数据，具体过程为：
步骤101、将火灾图像数据集存储到监控计算机2中；具体实施时，所述火灾图像数据集为Tom Toulouse等人建立的火灾图像数据集，或自己拍摄的火灾图像数据集；
步骤102、监控计算机2调用David Martin等人提出的基于人工分割自然图像方法的火焰像素与非火焰像素特征提取模块对火灾图像样本数据集进行特征提取，得到火灾图像样本数据集中各火灾图像的火焰像素颜色模型和非火焰像素颜色模型；
具体实施时，所述火焰像素与非火焰像素特征提取模块进行特征提取采用的方法为David Martin等人提出的基于人工分割自然图像方法；流程框图如图16所示。
步骤103、监控计算机2调用火焰像素分析模块并采用基于粒子群算法优化的K-中值算法分别对各火灾图像的火焰像素颜色模型进行聚类，得到各火灾图像的火焰像素颜色模型的K个聚类；具体过程为：
步骤1031、监控计算机2定义各火灾图像的火焰像素颜色模型分别为样本X1,X2,…,Xn；其中，n为各火灾图像的火焰像素颜色模型的数量；
步骤1032、监控计算机2调用初始聚类中心确定模块并采用粒子群算法确定出K个类别中心μ1,μ2,…,μK，其中，K为不大于n的正整数；
步骤1033、监控计算机2根据相似度函数
计算样本与聚类中心的相似度，对每个样本Xi，找到与其最接近的聚类中心μj后，将其标记为聚类中心μj的类别；其中，i的取值为1～n的正整数，j的取值为1～K的正整数，D(Xi,μj)为待分类样本与已知样本之间的欧氏距离，C(Xi,μj)为待分类样本与已知样本之间的相关距离；
步骤1034、监控计算机2根据公式
将每个类别中心更新为隶属该类别的所有样本的均值；其中，Nj为属于聚类中心μj的样本数；
步骤1035、重复步骤1033和步骤1034，直到类别中心的变化小于预先设定的类别中心变化阈值，并将K个更新后的类别中心定义为各火灾图像的火焰像素颜色模型的K个聚类；
步骤104、监控计算机2调用非火焰像素分析模块并采用基于粒子群算法优化的K-中值算法分别对各火灾图像的非火焰像素颜色模型进行聚类，得到非火焰像素的个聚类；具体过程为：
步骤1041、监控计算机(2)定义各火灾图像的非火焰像素颜色模型分别为样本X′1,X′2,…,X′n′；其中，n′为各火灾图像的非火焰像素颜色模型的数量；
步骤1042、监控计算机(2)调用初始聚类中心确定模块并采用粒子群算法确定出
个类别中心
其中，
为不大于n′的正整数；
步骤1043、监控计算机(2)根据相似度函数
计算样本与聚类中心的相似度，对每个样本X′i′，找到与其最接近的聚类中心μ′j′后，将其标记为聚类中心μ′j′的类别；其中，i′的取值为1～n′的正整数，j′的取值为
的正整数，D(X′i′,μ′j′)为待分类样本与已知样本之间的欧氏距离，C(X′i′,μ′j′)为待分类样本与已知样本之间的相关距离；
步骤1044、监控计算机(2)根据公式
将每个类别中心更新为隶属该类别的所有样本的均值；其中，N′j′为属于聚类中心μ′j′的样本数；
步骤1045、重复步骤1043和步骤1044，直到类别中心的变化小于预先设定的类别中心变化阈值，并将
个更新后的类别中心定义为各火灾图像的非火焰像素颜色模型的
个聚类；
步骤105、监控计算机2定义各火灾图像的火焰像素颜色模型的K个聚类为火焰像素比对样本数据并存储，定义各火灾图像的非火焰像素颜色模型的
个聚类为非火焰像素比对样本数据并存储；
步骤二、图像采集及传输：图像采集传输装置1中的温度传感器5-4对其所处环境的温度进行实时检测并将检测到的信号输出给图像采集传输微控制器模块5-1，烟雾浓度传感器5-5对其所处环境的烟雾浓度进行实时检测，并将所检测到的信号输出给图像采集传输微控制器模块5-1，图像采集传输微控制器模块5-1将其接收到的温度检测数据与预先设定的温度阈值数据相比对，并将其接收到的烟雾浓度检测数据与预先设定的烟雾浓度阈值数据相比对，当温度检测数据大于温度阈值数据且烟雾浓度检测数据大于烟雾浓度阈值数据时，判断为可能发生了火灾，此时，图像采集传输微控制器模块5-1输出启动控制信号给红外摄像头4和GPS定位模块5-6，红外摄像头4接收到启动控制信号后，开始拍摄其所处环境中的森林火灾图像并将拍摄到的图像输出给图像采集传输微控制器模块5-1，GPS定位模块5-6进行其所处位置定位并将定位的位置信号输出给图像采集传输微控制器模块5-1，图像采集传输微控制器模块5-1将其接收到的森林火灾图像和位置信号通过无线通信模块5-3打包发送给监控计算机2；
步骤三、监控计算机2调用火灾图像识别模块并采用KNN算法对其接收到的森林火灾图像进行分析处理，判断是否为火灾图像，具体过程为：
步骤301、监控计算机2接收森林火灾图像；
步骤302、监控计算机2计算图像中每个像素与火焰像素比对样本数据中每个样本之间的距离，以及每个像素与非火焰像素比对样本数据中每个样本之间的距离，并将计算出的距离进行从小到大排列；
步骤303、监控计算机2提取距离最近的前K个样本，并判断距离最近的前K个样本分别是距离火焰像素比对样本数据之间的距离，还是距离非火焰像素比对样本之间的距离，并统计距离火焰像素比对样本数据之间的距离数量S1和距离非火焰像素比对样本数据之间的距离数量S2，当S1大于S2时，判定为火焰像素，并将改像素二值化为1，当S1不大于S2时，判定为非火焰像素，并将该像素二值化为0，得到二值化后的火灾图像BW；
步骤304、监控计算机2统计图像BW中二值化为1的像素个数，当其大于预先设定的像素数阈值时，判断该图像为火灾图像，否则判断该图像为非火灾图像。
本实施例中，步骤1032中所述监控计算机2调用初始聚类中心确定模块并采用粒子群算法确定出K个类别中心μ1,μ2,…,μK的具体过程与步骤1042中所述监控计算机2调用初始聚类中心确定模块并采用粒子群算法确定出
个类别中心
的具体过程相同且均为：
步骤A、初始化粒子群；即随机设定各粒子的初始位置(即K-中值算法的聚类中心)和初始速度V；
步骤B、根据初始位置和速度产生各粒子新的位置；
步骤C、计算每个粒子的适应度值，采用的适应度函数表示为式fitness＝k/J，其中，J为总的类内离散度和，k为常数；即粒子所代表的聚类划分的总类间离散度越小，粒子的适应度越大；
步骤D、对于每个粒子，比较它的适应度值和它经历过的最好位置Pid的适应度值，当适应度值更好时就更新；
步骤E、对于每个粒子，比较它的适应度值和群体所经历的最好位置Pgd的适应度值，当适应度值更好时就更新。
步骤F、根据公式vid(t+1)＝ωvid(t)+η1rand()(pid-zid(t))+η2rand()(pgd-zid(t))和公式zid(t+1)＝zid(t)+vid(t+1)调整粒子的速度和位置；其中，Pid为每个粒子当前搜索到的最优解，Pgd为全局目前最优解，vid(t+1)表示第i个粒子在t+1次迭代中第d维上的速度，vid(t)表示第i个粒子在t次迭代中第d维上的速度，zid(t+1)表示第i个粒子在t+1次迭代中第d维上的位置，zid(t)表示第i个粒子在t次迭代中第d维上的位置，ω为惯性权重，η1和η2均为加速常数，rand()为0-1之间的随机数；
步骤G、当达到最大迭代次数时结束，否则返回步骤C继续迭代执行。
为了验证本发明中的火焰分割算法部分能够产生的效果，采用MATLAB软件对本发明火焰分割算法部分进行了仿真，原图分别如图12A、图12B、图12C、图12D和图12E所示，采用文献
T,Demirel H.Fire detection in video sequences using a genericcolor model[J].Fire Safety Journal,2009,44(2):147-158.中的算法获得的图分别如图13A、图13B、图13C、图13D和图13E所示，采用文献陈天炎,曾思通,吴海彬的基于YCbCr颜色空间的火焰图像分割方法[J]，传感器与微系统,2011,30(10):62-64.中的算法获得的图分别如图14A、图14B、图14C、图14D和图14E所示，采用本发明中的算法获得的图分别如图15A、图15B、图15C、图15D和图15E所示，从结果可以直观看出，本发明火焰分割算法部分结果较其他两种算法结果较优，所得火焰区域更为完整，边缘形状更为细致。
本发明火焰分割算法部分与其他图像分割算法之间的比较如表1：
表1本文火焰分割算法部分与其他算法效率比较
表1比较了本发明火焰分割算法部分和现有技术中的两种算法，其中作者
等的文献是根据150张图像在RGB颜色空间生成了判定规则，满足条件即为火焰像素；作者陈天炎等的文献是在YCbCr空间分析火焰像素分布特征，总结出火焰的颜色决策规则。由表1可以看出，本发明火焰分割算法在准确率、召回率等方面，性能均优于其他算法。
(2)本本发明火焰分割算法与传统算法在时间方面的效率分析：
在相同条件下(实验环境相同；针对同一幅图像，大小为1024*768*3；样本数量为629,324个火灾像素数据与1,271,188个非火灾像素数据)，传统KNN算法与本文改进的KNN算法对火灾图像分割的耗时对比如表2所示：
表2传统KNN与本本发明火焰分割算法的对比
由表2可以看出，本文改进的KNN算法耗时远远小于传统的KNN算法，大大提升了算法的执行速度，其中“+”表示大于，“-”表示小于。
综上所述，本发明采用改进的K-中值算法对其进行离线训练，然后利用KNN算法对火灾图像中的像素进行分类，最终判断出火焰图像，判断精度高。
以上所述，仅是本发明的较佳实施例，并非对本发明作任何限制，凡是根据本发明技术实质对以上实施例所作的任何简单修改、变更以及等效结构变化，均仍属于本发明技术方案的保护范围内。
Claims (8)
1.一种基于图像处理的森林火灾检测方法，其采用的系统包括布设在森林中多个不同位置处的图像采集传输装置(1)和设置在监控中心的监控计算机(2)，所述图像采集传输装置(1)包括支架(3)以及安装在支架(3)顶部的红外摄像头(4)、图像采集传输控制器(5)和太阳能供电系统；所述太阳能供电系统包括太阳能光伏板(6-1)、太阳能发电控制器(6-2)和蓄电池(6-3)，所述太阳能发电控制器(6-2)包括太阳能发电微控制器模块(6-21)和用于将蓄电池(6-3)输出的电压转换为太阳能发电控制器(6-2)中各用电模块所需电压的第一电压转换电路(6-25)，所述太阳能发电微控制器模块(6-21)的输入端接有太阳能光伏板电压检测电路(6-22)和蓄电池电压检测电路(6-23)，所述太阳能光伏板电压检测电路(6-22)与太阳能光伏板(6-1)的输出端连接，所述蓄电池电压检测电路(6-23)与蓄电池(6-3)的输出端连接，所述太阳能发电微控制器模块(6-21)的输出端接有充放电控制电路(6-24)，所述充放电控制电路(6-24)接在太阳能光伏板(6-1)与蓄电池(6-3)之间；所述图像采集传输控制器(5)包括图像采集传输微控制器模块(5-1)和用于将蓄电池(6-3)输出的电压转换为图像采集传输控制器(5)中各用电模块所需电压的第二电压转换电路(5-2)，以及与图像采集传输微控制器模块(5-1)相接的数据存储器(5-8)和用于与监控计算机(2)无线通信的无线通信模块(5-3)，所述红外摄像头(4)与图像采集传输微控制器模块(5-1)的输入端连接，所述图像采集传输微控制器模块(5-1)的输入端还接有温度传感器(5-4)、烟雾浓度传感器(5-5)和用于定位的GPS定位模块(5-6)，所述图像采集传输微控制器模块(5-1)的输出端接有声光报警器(5-7)；其特征在于，该方法包括以下步骤：
步骤一、构建存储在监控计算机(2)中的火焰像素比对样本数据和非火焰像素比对样本数据，具体过程为：
步骤101、将火灾图像数据集存储到监控计算机(2)中；
步骤102、监控计算机(2)调用火焰像素与非火焰像素特征提取模块对火灾图像样本数据集进行特征提取，得到火灾图像样本数据集中各火灾图像的火焰像素颜色模型和非火焰像素颜色模型；
步骤103、监控计算机(2)调用火焰像素分析模块并采用基于粒子群算法优化的K-中值算法分别对各火灾图像的火焰像素颜色模型进行聚类，得到各火灾图像的火焰像素颜色模型的K个聚类；具体过程为：
步骤1031、监控计算机(2)定义各火灾图像的火焰像素颜色模型分别为样本X1,X2,…,Xn；其中，n为各火灾图像的火焰像素颜色模型的数量；
步骤1032、监控计算机(2)调用初始聚类中心确定模块并采用粒子群算法确定出K个类别中心μ1,μ2,…,μK，其中，K为不大于n的正整数；
步骤1033、监控计算机(2)根据相似度函数计算样本与聚类中心的相似度，对每个样本Xi，找到与其最接近的聚类中心μj后，将其标记为聚类中心μj的类别；其中，i的取值为1～n的正整数，j的取值为1～K的正整数，D(Xi,μj)为待分类样本与已知样本之间的欧氏距离，C(Xi,μj)为待分类样本与已知样本之间的相关距离；
步骤1034、监控计算机(2)根据公式
将每个类别中心更新为隶属该类别的所有样本的均值；其中，Nj为属于聚类中心μj的样本数；
步骤1035、重复步骤1033和步骤1034，直到类别中心的变化小于预先设定的类别中心变化阈值，并将K个更新后的类别中心定义为各火灾图像的火焰像素颜色模型的K个聚类；
步骤104、监控计算机(2)调用非火焰像素分析模块并采用基于粒子群算法优化的K-中值算法分别对各火灾图像的非火焰像素颜色模型进行聚类，得到非火焰像素的
个聚类；具体过程为：
步骤1041、监控计算机(2)定义各火灾图像的非火焰像素颜色模型分别为样本X′1,X′2,…,X′n′；其中，n′为各火灾图像的非火焰像素颜色模型的数量；
步骤1042、监控计算机(2)调用初始聚类中心确定模块并采用粒子群算法确定出
个类别中心
其中，
为不大于n′的正整数；
步骤1043、监控计算机(2)根据相似度函数
计算样本与聚类中心的相似度，对每个样本X′i′，找到与其最接近的聚类中心μ′j′后，将其标记为聚类中心μ′j′的类别；其中，i′的取值为1～n′的正整数，j′的取值为
的正整数，D(X′i′,μ′j′)为待分类样本与已知样本之间的欧氏距离，C(X′i′,μ′j′)为待分类样本与已知样本之间的相关距离；
步骤1044、监控计算机(2)根据公式
将每个类别中心更新为隶属该类别的所有样本的均值；其中，N′j′为属于聚类中心μ′j′的样本数；
步骤1045、重复步骤1043和步骤1044，直到类别中心的变化小于预先设定的类别中心变化阈值，并将
个更新后的类别中心定义为各火灾图像的非火焰像素颜色模型的
个聚类；
步骤105、监控计算机(2)定义各火灾图像的火焰像素颜色模型的K个聚类为火焰像素比对样本数据并存储，定义各火灾图像的非火焰像素颜色模型的
个聚类为非火焰像素比对样本数据并存储；
步骤二、图像采集及传输：图像采集传输装置(1)中的温度传感器(5-4)对其所处环境的温度进行实时检测并将检测到的信号输出给图像采集传输微控制器模块(5-1)，烟雾浓度传感器(5-5)对其所处环境的烟雾浓度进行实时检测，并将所检测到的信号输出给图像采集传输微控制器模块(5-1)，图像采集传输微控制器模块(5-1)将其接收到的温度检测数据与预先设定的温度阈值数据相比对，并将其接收到的烟雾浓度检测数据与预先设定的烟雾浓度阈值数据相比对，当温度检测数据大于温度阈值数据且烟雾浓度检测数据大于烟雾浓度阈值数据时，判断为可能发生了火灾，此时，图像采集传输微控制器模块(5-1)输出启动控制信号给红外摄像头(4)和GPS定位模块(5-6)，红外摄像头(4)接收到启动控制信号后，开始拍摄其所处环境中的森林火灾图像并将拍摄到的图像输出给图像采集传输微控制器模块(5-1)，GPS定位模块(5-6)进行其所处位置定位并将定位的位置信号输出给图像采集传输微控制器模块(5-1)，图像采集传输微控制器模块(5-1)将其接收到的森林火灾图像和位置信号通过无线通信模块(5-3)打包发送给监控计算机(2)；
步骤三、监控计算机(2)调用火灾图像识别模块并采用KNN算法对其接收到的森林火灾图像进行分析处理，判断是否为火灾图像，具体过程为：
步骤301、监控计算机(2)接收森林火灾图像；
步骤302、监控计算机(2)计算图像中每个像素与火焰像素比对样本数据中每个样本之间的距离，以及每个像素与非火焰像素比对样本数据中每个样本之间的距离，并将计算出的距离进行从小到大排列；
步骤303、监控计算机(2)提取距离最近的前K个样本，并判断距离最近的前K个样本分别是距离火焰像素比对样本数据之间的距离，还是距离非火焰像素比对样本之间的距离，并统计距离火焰像素比对样本数据之间的距离数量S1和距离非火焰像素比对样本数据之间的距离数量S2，当S1大于S2时，判定为火焰像素，并将改像素二值化为1，当S1不大于S2时，判定为非火焰像素，并将该像素二值化为0，得到二值化后的火灾图像BW；
步骤304、监控计算机(2)统计图像BW中二值化为1的像素个数，当其大于预先设定的像素数阈值时，判断该图像为火灾图像，否则判断该图像为非火灾图像。
2.按照权利要求1所述的基于图像处理的森林火灾检测方法，其特征在于：所述太阳能发电微控制器模块(6-21)包括ARM微控制器LPC2131。
3.按照权利要求2所述的基于图像处理的森林火灾检测方法，其特征在于：所述蓄电池电压检测电路(6-23)包括电阻R19、电阻R20和电阻R21，所述电阻R19和电阻R20串联后接在所述蓄电池(6-3)的正极电压输出端和负极电压输出端之间，所述电阻R21的一端与所述电阻R19和电阻R20的连接端连接，所述电阻R21的另一端与所述ARM微控制器LPC2131的第15引脚连接；
所述充放电控制电路(6-24)包括防反充二极管D19、升压电路、续流二极管D20、充电控制电路和放电控制电路，所述升压电路包括芯片LM25716-ADJ，所述芯片LM25716-ADJ的第1引脚通过串联的电阻R13和非极性电容C2接地，所述芯片LM25716-ADJ的第4引脚通过串联的电阻R14和电阻R15接地，所述芯片LM25716-ADJ的第2引脚与电阻R14和电阻R15的连极端连接，所述芯片LM25716-ADJ的第4引脚与第5引脚之间接有电感L1，所述芯片LM25716-ADJ的第5引脚与防反充二极管D19的阴极连接，所述防反充二极管D19的阳极与所述太阳能光伏板(6-1)的正极电压输出端连接；所述充电控制电路包括MOSFET管Q1和型号为TLP521的光耦隔离芯片U2，所述光耦隔离芯片U2的第1引脚通过电阻R22与所述ARM微控制器LPC2131的第1引脚连接，所述光耦隔离芯片U2的第4引脚通过电阻R24与所述芯片LM25716-ADJ的第4引脚连接，且通过电阻R25与MOSFET管Q1的栅极连接，所述MOSFET管Q1的漏极与所述芯片LM25716-ADJ的第4引脚连接，所述MOSFET管Q1的源极与蓄电池(6-3)的正极连接；所述放电控制电路包括MOSFET管Q2和型号为TLP521的光耦隔离芯片U3，所述光耦隔离芯片U3的第1引脚通过电阻R23与所述ARM微控制器LPC2131的第19引脚连接，所述光耦隔离芯片U3的第4引脚通过电阻R26与蓄电池(6-3)的正极连接，且通过电阻R27与MOSFET管Q2的栅极连接，所述MOSFET管Q2的漏极与蓄电池(6-3)的负极连接，所述MOSFET管Q2的源极与第一电压转换电路(6-25)和第二电压转换电路(5-2)的负极电压输入端连接，所述第一电压转换电路(6-25)的正极电压输入端和第二电压转换电路(5-2)的正极电压输入端均与蓄电池(6-3)的正极连接；所述续流二极管D20的正极与蓄电池(6-3)的负极连接，所述续流二极管D20的负极与蓄电池(6-3)的正极连接；
所述太阳能光伏板电压检测电路(6-22)包括电阻R16、电阻R17和电阻R18组成，所述电阻R16和电阻R17串联后接在所述芯片LM25716-ADJ的第4引脚与地之间，所述电阻R18的一端与所述电阻R16和电阻R17的连接端连接，所述电阻R18的另一端与所述ARM微控制器LPC2131的第13引脚连接。
4.按照权利要求1所述的基于图像处理的森林火灾检测方法，其特征在于：所述图像采集传输微控制器模块5-1包括DSP数字信号处理器TMS320F2812。
5.按照权利要求4所述的基于图像处理的森林火灾检测方法，其特征在于：所述数据存储器(5-8)包括卡槽SDCARD-M和12针插头P4，所述卡槽SDCARD-M的第1引脚、第2引脚、第3引脚、第5引脚、第7引脚和第8引脚依次对应与12针插头P4的第6引脚、第5引脚、第4引脚、第3引脚、第2引脚和第1引脚连接，所述12针插头P4的第1引脚、第2引脚、第3引脚、第4引脚、第5引脚和第6引脚分别通过电阻R13、电阻R14、电阻R15、电阻R16、电阻R17和电阻R18与第二电压转换电路(5-2)的+3.3V电压输出端连接；所述卡槽SDCARD-M的第4引脚与第二电压转换电路(5-2)的+3.3V电压输出端连接，且通过电容C18接地；所述卡槽SDCARD-M的第6引脚、第10引脚和第11引脚均接地；所述12针插头P4的第8引脚、第9引脚、第10引脚和第11引脚依次对应与DSP数字信号处理器TMS320F2812的第40引脚、第41引脚、第34引脚和第35引脚连接。
6.按照权利要求4所述的基于图像处理的森林火灾检测方法，其特征在于：所述无线通信模块(5-3)包括异步通信电路、与异步通信电路连接的CDMA模块、与CDMA模块连接的UIM卡接口电路和接在UIM卡接口电路上的UIM卡，所述异步通信电路包括芯片SN74AHC245、非极性电容C13、电阻R9和电阻R10，所述芯片SN74AHC245的第1引脚、第10引脚和第19引脚均接地，所述芯片SN74AHC245的第2引脚与所述DSP数字信号处理器TMS320F2812的第91引脚连接，所述芯片SN74AHC245的第5引脚与所述DSP数字信号处理器TMS320F2812的第92引脚连接，所述芯片SN74AHC245的第7引脚与所述DSP数字信号处理器TMS320F2812的第93引脚连接，所述芯片SN74AHC245的第14引脚通过电阻R10与所述DSP数字信号处理器TMS320F2812的第174引脚连接，所述芯片SN74AHC245的第17引脚通过电阻R9与所述DSP数字信号处理器TMS320F2812的第90引脚连接，所述芯片SN74AHC245的第20引脚与第二电压转换电路(5-2)的+3.3V电压输出端连接且通过非极性电容C13接地；
所述CDMA模块包括芯片CEM800、非极性电容C18、非极性电容C19、非极性电容C20和非极性电容C21，所述芯片CEM800的第1引脚、第3引脚、第5引脚和第7引脚均与第二电压转换电路(5-2)的+3.3V电压输出端连接，所述芯片CEM800的第2引脚、第4引脚、第6引脚、第8引脚、第50引脚和第56引脚均接地，所述芯片CEM800的第30引脚与所述芯片SN74AHC245的第18引脚连接，所述芯片CEM800的第32引脚与所述芯片SN74AHC245的第3引脚连接，所述芯片CEM800的第36引脚与所述芯片SN74AHC245的第6引脚连接，所述芯片CEM800的第38引脚与所述芯片SN74AHC245的第13引脚连接，所述非极性电容C18、非极性电容C19、非极性电容C20、非极性电容C21和非极性电容C76并联接在第二电压转换电路(5-2)的+3.3V电压输出端与地之间；
所述UIM卡接口电路包括用于插入UIM卡的UIM卡槽UIM、电阻R11、电阻R20、电阻R21、电阻R22、非极性电容C14、非极性电容C23、非极性电容C24、非极性电容C25、稳压二极管D4、稳压二极管D5、稳压二极管D6和稳压二极管D7，所述UIM卡槽UIM的第2引脚与所述芯片CEM800的第46引脚和电阻R11的一端连接，所述UIM卡槽UIM的第3引脚与所述电阻R22的一端连接，所述电阻R11的另一端、电阻R22的另一端、非极性电容C23的一端和稳压二极管D5的负极均与所述芯片CEM800的第44引脚连接，所述UIM卡槽UIM的第4引脚、非极性电容C14的一端和稳压二极管D4的负极均与所述芯片CEM800的第46引脚连接，所述UIM卡槽UIM的第5引脚与所述电阻R20的一端连接，所述电阻R20的另一端、非极性电容C24的一端和稳压二极管D6的负极均与所述芯片CEM800的第42引脚连接，所述UIM卡槽UIM的第6引脚与所述电阻R21的一端连接，所述电阻R21的另一端、非极性电容C25的一端和稳压二极管D7的负极均与所述芯片CEM800的第48引脚连接，所述UIM卡槽UIM的第1引脚、非极性电容C14的另一端、稳压二极管D4的正极、非极性电容C23的另一端、稳压二极管D5的正极、非极性电容C24的另一端、稳压二极管D6的正极、非极性电容C25的另一端和稳压二极管D7的正极均接地。
7.按照权利要求4所述的基于图像处理的森林火灾检测方法，其特征在于：所述GPS定位模块(5-6)为BD/GPS双模接收机模块ATGM332D，所述BD/GPS双模接收机模块ATGM332D的串口接收引脚RXD与所述DSP数字信号处理器TMS320F2812的第157引脚连接，所述BD/GPS双模接收机模块ATGM332D的串口发送引脚TXD与所述DSP数字信号处理器TMS320F2812的第155引脚连接，所述BD/GPS双模接收机模块ATGM332D的时间脉冲信号引脚PPS与所述DSP数字信号处理器TMS320F2812的第98引脚连接。
8.按照权利要求1所述的基于图像处理的森林火灾检测方法，其特征在于：步骤1032中所述监控计算机(2)调用初始聚类中心确定模块并采用粒子群算法确定出K个类别中心μ1,μ2,…,μK的具体过程与步骤1042中所述监控计算机(2)调用初始聚类中心确定模块并采用粒子群算法确定出
个类别中心
的具体过程相同且均为：
步骤A、初始化粒子群；即随机设定各粒子的初始位置(即K-中值算法的聚类中心)和初始速度V；
步骤B、根据初始位置和速度产生各粒子新的位置；
步骤C、计算每个粒子的适应度值，采用的适应度函数表示为式fitness＝k/J，其中，J为总的类内离散度和，k为常数；即粒子所代表的聚类划分的总类间离散度越小，粒子的适应度越大；
步骤D、对于每个粒子，比较它的适应度值和它经历过的最好位置Pid的适应度值，当适应度值更好时就更新；
步骤E、对于每个粒子，比较它的适应度值和群体所经历的最好位置Pgd的适应度值，当适应度值更好时就更新；
步骤F、根据公式vid(t+1)＝ωvid(t)+η1rand()(pid-zid(t))+η2rand()(pgd-zid(t))和公式zid(t+1)＝zid(t)+vid(t+1)调整粒子的速度和位置；其中，Pid为每个粒子当前搜索到的最优解，Pgd为全局目前最优解，vid(t+1)表示第i个粒子在t+1次迭代中第d维上的速度，vid(t)表示第i个粒子在t次迭代中第d维上的速度，zid(t+1)表示第i个粒子在t+1次迭代中第d维上的位置，zid(t)表示第i个粒子在t次迭代中第d维上的位置，ω为惯性权重，η1和η2均为加速常数，rand()为0-1之间的随机数；
步骤G、当达到最大迭代次数时结束，否则返回步骤C继续迭代执行。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810395331.8A CN108877127B (zh) | 2018-04-27 | 2018-04-27 | 基于图像处理的森林火灾检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810395331.8A CN108877127B (zh) | 2018-04-27 | 2018-04-27 | 基于图像处理的森林火灾检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108877127A CN108877127A (zh) | 2018-11-23 |
| CN108877127B true CN108877127B (zh) | 2020-02-07 |
Family
ID=64327475
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810395331.8A Active CN108877127B (zh) | 2018-04-27 | 2018-04-27 | 基于图像处理的森林火灾检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108877127B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109272703B (zh) * | 2018-12-03 | 2020-10-30 | 商丘师范学院 | 一种基于ZigBee技术的火灾监测预警系统 |
| CN110675588B (zh) * | 2019-09-30 | 2021-06-01 | 北方民族大学 | 一种森林火灾检测装置和方法 |
| CN111489317B (zh) * | 2020-05-12 | 2021-09-14 | 江西天境精藏科技有限公司 | 一种骨灰盒智能存放系统 |
| CN113298048B (zh) * | 2021-07-08 | 2021-11-02 | 环球数科集团有限公司 | 一种基于计算机视觉的森林火灾检测及预警系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102231227A (zh) * | 2011-06-14 | 2011-11-02 | 文创太阳能(福建)科技有限公司 | 太阳能网格化林业防火监控预警系统 |
| CN103745549A (zh) * | 2013-12-20 | 2014-04-23 | 北京雷迅通科技有限公司 | 一种森林防火监控巡查系统 |
| CN205301614U (zh) * | 2016-01-12 | 2016-06-08 | 长安大学 | 一种高速公路路域气象信息监测装置 |
| KR20170037375A (ko) * | 2015-09-25 | 2017-04-04 | 국민대학교산학협력단 | 영상의 색상정보를 이용한 실시간 화재 감지 시스템 및 방법 |
| CN106781176A (zh) * | 2016-11-10 | 2017-05-31 | 陈德才 | 一种森林火灾监控系统 |
-
2018
- 2018-04-27 CN CN201810395331.8A patent/CN108877127B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102231227A (zh) * | 2011-06-14 | 2011-11-02 | 文创太阳能(福建)科技有限公司 | 太阳能网格化林业防火监控预警系统 |
| CN103745549A (zh) * | 2013-12-20 | 2014-04-23 | 北京雷迅通科技有限公司 | 一种森林防火监控巡查系统 |
| KR20170037375A (ko) * | 2015-09-25 | 2017-04-04 | 국민대학교산학협력단 | 영상의 색상정보를 이용한 실시간 화재 감지 시스템 및 방법 |
| CN205301614U (zh) * | 2016-01-12 | 2016-06-08 | 长安大学 | 一种高速公路路域气象信息监测装置 |
| CN106781176A (zh) * | 2016-11-10 | 2017-05-31 | 陈德才 | 一种森林火灾监控系统 |
Non-Patent Citations (1)
| Title |
|---|
| 基于图像特征的煤矿火灾检测与识别研究;王媛彬;《中国博士学位论文全文数据库 信息科技辑》;20170215;I138-203 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108877127A (zh) | 2018-11-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108877127B (zh) | 基于图像处理的森林火灾检测方法 | |
| CN112949673B (zh) | 一种基于全局注意力的特征融合目标检测与识别方法 | |
| CN102880873B (zh) | 基于图像分割和语义提取实现人员行为识别的系统及方法 | |
| CN106250877A (zh) | 近红外人脸识别方法及装置 | |
| CN104537336A (zh) | 一种具备自学习功能的人脸识别方法和系统 | |
| CN206790592U (zh) | 基于fpga的工业智能相机 | |
| CN103020655A (zh) | 一种基于单训练样本人脸识别的远程身份认证方法 | |
| CN109508395B (zh) | 一种基于车型检索的智能串并案的方法 | |
| CN110415267A (zh) | 一种低功耗在线热红外目标识别装置及工作方法 | |
| Feng et al. | Garbage disposal of complex background based on deep learning with limited hardware resources | |
| CN112435414A (zh) | 一种基于人脸识别的安防监控系统及其监控方法 | |
| CN109272496B (zh) | 一种煤矿火灾视频监控用火灾图像识别方法 | |
| CN101196984B (zh) | 一种快速人脸检测方法 | |
| CN107220634A (zh) | 基于改进d‑p算法与多模板匹配的手势识别方法 | |
| CN102750521A (zh) | 一种基于人脸的身份识别系统 | |
| CN109085099B (zh) | 能见度传感器、能见度检测方法及能见度传感器的应用 | |
| CN112487851A (zh) | 一种基于人工智能视频识别的司法场所异常行为监测方法 | |
| CN107330512B (zh) | 预测蛋白质序列的远同源性关系的系统及方法 | |
| CN111340149B (zh) | 基于背景差分法和深度学习的挖掘机实时检测方法和系统 | |
| Wang et al. | Design of static human posture recognition algorithm based on CNN | |
| CN110909682A (zh) | 一种基于回收装备的废旧移动终端智能识别方法 | |
| CN110349373A (zh) | 基于二元传感器的行为识别方法、装置及存储介质 | |
| CN111898680A (zh) | 一种基于检材多视角形态图像和深度学习的生物鉴别方法 | |
| CN111428695A (zh) | 一种基于深度学习与地域特征的秸秆燃烧检测方法 | |
| CN205621024U (zh) | 一种基于嵌入式平台的人脸检测识别系统 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |