CN110147758A - 一种基于深度学习的森林防火方法 - Google Patents
一种基于深度学习的森林防火方法 Download PDFInfo
- Publication number
- CN110147758A CN110147758A CN201910413598.XA CN201910413598A CN110147758A CN 110147758 A CN110147758 A CN 110147758A CN 201910413598 A CN201910413598 A CN 201910413598A CN 110147758 A CN110147758 A CN 110147758A
- Authority
- CN
- China
- Prior art keywords
- picture
- target
- training
- deep learning
- method based
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Emergency Management (AREA)
- Business, Economics & Management (AREA)
- Biodiversity & Conservation Biology (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种基于深度学习的森林防火方法,将烟雾和明火的图片数据输入到图片生成模型进行训练,图片生成模型训练成熟后再输入固定格式的编码即可生成大量目标图片数据,再将由图片生成模型的生成的目标图片数据进行标注,标注后的图片数据进行归一化处理,再将归一化处理后的目标图片数据输入到目标检测模型进行训练,目标检测模型训练成熟后待用;在森林陆地上设置铁塔,上空布置无人机,铁塔和无人机进行视频数据采集,将采集到的视频数据输入到训练成熟的目标检测模型,目标检测模型分析处理后输出发生火灾的概率值,当概率值大于监控中心设置的阈值时即触发报警器,本发明抗干扰能力强,检测精度高。
Description
技术领域
本发明涉及森林防火领域,具体涉及一种基于深度学习的森林防火方法。
背景技术
森林资源是人类的重要资源,不仅给人类提供多种多样的生存物品,而且对地球的气候和环境发挥巨大的作用,构成人类生存与发展的基本保障。在我国,每年因森林火灾而产生的损失也非常巨大。森林火灾不仅给人类的经济建设造成巨大损失,破坏生态环境,而且还会威胁到人民生命财产安全,因此,对森林火灾进行实时有效地检测是非常必要的。
早期的森林火灾预防仅仅是靠人工台瞭望技术来对森林火灾进行观察,这种监测方法不仅准确性低而且实时性差。后来随着技术的发展,传感技术在森林火灾预防中得到广泛应用,然而,对于大面积的森林空间而言,传统的传感技术并不十分有效,大空间距离使得传感器无法迅速采集到烟雾变化信息,因而导致无法及时有效地检测火灾情况。目前采用较多的森林火灾检测方法是红外检测法,其特点是对火灾检测精度较高,但是红外检测系统的探测算法受干扰较大,火灾初期烟雾较弱的情况下其检测精度较低。
发明内容
本发明的目的在于克服现有技术中的不足,提供一种基于深度学习的森林防火方法,抗干扰能力强,检测精度高。
本发明的目的是通过以下技术方案来实现的:一种基于深度学习的森林防火方法,其特征在于,包括以下步骤;
S1:输入烟雾和明火的原始图片数据到图片生成模型,所述图片生成模型生成大量目标训练图片,执行S2;
S2:将生成的目标训练图片进行标注,执行S3;
S3:将标注好的目标训练图片进行归一化处理,执行S4;
S4:将归一化处理后的目标训练图片数据输入到目标检测模型进行训练,目标检测模型训练成熟后与输入设备连接,执行S5;
S5:在所保护的林区陆地上设置若干铁塔,林区上空布置若干无人机,执行S6;
S6:在若干所述铁塔和若干所述无人机上均设置摄像头进行视频采集,并传输至监控中心执行S7;
S7:将采集的视频数据输入到训练好后的目标检测模型进行检测,若所述目标检测模型输出的概率值大于预设的发生火灾的概率阈值,执行S8,否则,执行S9;
S8:触发报警器,并对数据进行存储,执行S10;
S9:存储数据;
S10:根据火灾发生的位置通知相关人员进行灭火。
通过上述技术手段,首先通过将烟雾和明火的图片数据输入到图片生成模型进行训练,图片生成模型训练成熟后再输入固定格式的编码即可生成大量目标图片数据,以此降低寻找大量训练图片数据的成本,再将由图片生成模型的生成的目标图片数据根据需求进行标注,标注后的图片数据进行归一化处理,加快网络训练的收敛性;再将归一化处理后的目标图片数据输入到目标检测模型进行训练,目标检测模型训练成熟后即可连接至输入设备待用;在森林陆地上设置若干铁塔,森林上空布置若干无人机,若干所述铁塔和若干所述无人机均设置摄像头进行视频数据采集,其中铁塔上的摄像头可全方位旋转,实现对森林监控的全方面覆盖;铁塔和无人机将数据传输到监控中心,再将采集到的视频数据输入到训练成熟的目标检测模型,目标检测模型分析处理后输出发生火灾的概率值,当概率值大于监控中心预设的发生火灾的阈值时即触发报警器通知相关人员,相关人员根据视频显示的位置即可快速组织灭火人员进行灭火,采用视频采集和深度学习算法相结合的方式抗干扰能力强,检测精度高。
优选的,所述图片生成模型为Gan网络。
通过上述技术手段,Gan网络至少包括G网络和D网络,在训练过程中,生成网络G的目标就是尽量生成真实的图片去欺骗判别网络D,而D的目标就是尽量把G生成的图片和真实的图片分别开来。这样,G和D构成了一个动态的“博弈过程”。最理想状态下,G可以生成足以“以假乱真”的图片G(z)。将烟雾和明火的图片数据输入到Gan网络进行训练,训练成熟后生成编码网络和解码网络,编码网络输出固定格式的编码,这样我们只需要输入与编码网络输出的相同格式的编码到解码网络即可生成大量足以“以假乱真”的图片,以此来降低寻找原始图片数据进行目标检测模型训练的成本。
优选的,所述摄像头为双目摄像头,所述双目摄像头包括红外摄像头和高清摄像头,所述红外摄像头用于夜晚,所述高清摄像头用于白天。
通过上述技术手段,由于光线的影响,将夜晚和白天分别用不同的摄像头进行视频采集,提高视频采集的精度。
优选的,所述S2还包括以下步骤;
S21:设置若干类别,所述类别包括明火和烟雾,执行S22;
S22:在所述目标训练图片上分别用不同颜色的矩形框框出不同的类别。
通过上述技术手段,设置多种类别,输入每种类别的图片训练数据,火灾主要的特征是明火和烟雾,输入明火和烟雾的训练图片数据即可达到检测效果,也可加入其他干扰因素的类别,例如“灯光”使训练的目标检测模型精度更高。
优选的,所述目标检测模型为yolov3目标检测模型。
通过上述技术手段,yolov3目标检测模型引用更加强大的特征提取网络darknet-53使得计算速度大大加快,对象分类引用logsitic支持多标签以此增加检测精度。
优选的,所述S7还包括以下步骤;
S71:将采集的视频数据分帧成待检测的图片数据,所述视频分帧技术为SLIC图像分割技术。
通过上述技术手段,生成的超像素如同细胞一般紧凑整齐,邻域特征比较容易表达。在运行速度、生成超像素的紧凑度、轮廓保持方面都比较理想。
优选的,所述归一化处理包括,坐标中心化、x-shering归一化、缩放归一化、旋转归一化。
通过上述技术手段,使得图像数据可以抵抗几何变换的攻击,增加目标检测模型的检测精度。
优选的,所述铁塔上还设置有太阳能供电模块,所述太阳能供电模块包括若干光伏电池板、稳压模块、蓄电池组,将所述太阳能电池板与所述稳压模块的输入端电连接,再将所述稳压模块的输出端与所述蓄电池的输入端连接,最后用所述蓄电池为所述摄像头提供备用电源。
通过上述技术手段,设置太阳能供电模块作为摄像头的备用电源,以防有线电路出现线路损坏时工作人员排查故障用时过长导致铁塔上的摄像头停止工作时间太长而影响监控效果。
优选的,所述稳压模块包括桥式整流电路、滤波电路和LM317稳压芯片,将经过所述桥式整流的交流电变为不同极性的电源,再经过所述滤波电路滤除高频噪声最后与所述LM317稳压芯片的输入端连接,经过所述LM317稳压芯片输出稳定的直流电源到所述蓄电池组。
通过上述技术手段,稳压电路用LM317稳压芯片以及其外围电路构成,电路结构设计简单,输出的直流电源稳定。
本发明的有益效果是:
1.本发明的图片生成模型使用Gan网络,Gan网络至少包括G网络和D网络,在训练过程中,生成网络G的目标就是尽量生成真实的图片去欺骗判别网络D,而D的目标就是尽量把G生成的图片和真实的图片分别开来。这样,G和D构成了一个动态的“博弈过程”。最理想状态下,G可以生成足以“以假乱真”的图片G(z)。将烟雾和明火的图片数据输入到Gan网络进行训练,训练成熟后生成编码网络和解码网络,编码网络输出固定格式的编码,这样我们只需要输入与编码网络输出的相同格式的编码到解码网络即可生成大量足以“以假乱真”的图片,以此来降低寻找原始图片数据进行目标检测模型训练的成本;
2.本发明的目标检测模型为yolov3目标检测模型,yolov3目标检测模型引用更加强大的特征提取网络darknet-53使得计算速度大大加快,对象分类引用logsitic支持多标签以此增加检测精度。
附图说明
图1为本发明的工作流程图;
图2为本发明一个残差组件结构示意图;
图3为本发明SLIC搜索的限制范围示意图;
图4为本发明darknet-53结构示意图;
图5为本发明一个实施例的工作流程图。
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。
实施例1
一种基于深度学习的森林防火方法,如图1所示,包括以下步骤;
S1:输入烟雾和明火的原始图片数据到图片生成模型,图片生成模型生成大量目标训练图片,执行S2;
S2:将生成的目标训练图片进行标注,执行S3;
S3:将标注好的目标训练图片进行归一化处理,执行S4;
S4:将归一化处理后的目标训练图片数据输入到目标检测模型进行训练,目标检测模型训练成熟后与输入设备连接,执行S5;
S5:在所保护的林区陆地上设置若干铁塔,林区上空布置若干无人机,执行S6;
S6:在若干铁塔和若干无人机上均设置摄像头进行视频采集,并传输至监控中心执行S7;
S7:将采集的视频数据输入到训练好后的目标检测模型进行检测,若目标检测模型输出的概率值大于预设的发生火灾的概率阈值,执行S8,否则,执行S9;
S8:触发报警器,并对数据进行存储,执行S10;
S9:存储数据;
S10:根据火灾发生的位置通知相关人员进行灭火。
首先通过将烟雾和明火的图片数据输入到图片生成模型进行训练,图片生成模型训练成熟后再输入固定格式的编码即可生成大量目标图片数据,以此降低寻找大量训练图片数据的成本,再将由图片生成模型的生成的目标图片数据根据需求进行标注,标注后的图片数据进行归一化处理,加快网络训练的收敛性;再将归一化处理后的目标图片数据输入到目标检测模型进行训练,目标检测模型训练成熟后即可连接至输入设备待用;在森林陆地上设置若干铁塔,森林上空布置若干无人机,若干铁塔和若干无人机均设置摄像头进行视频数据采集,其中铁塔上的摄像头可全方位旋转,实现对森林监控的全方面覆盖;铁塔和无人机将数据传输到监控中心,再将采集到的视频数据输入到训练成熟的目标检测模型,目标检测模型分析处理后输出发生火灾的概率值,当概率值大于监控中心预设的发生火灾的阈值时即触发报警器通知相关人员,相关人员根据视频显示的位置即可快速组织灭火人员进行灭火,采用视频采集和深度学习算法相结合的方式抗干扰能力强,检测精度高。
图片生成模型为Gan网络。Gan网络至少包括G网络和D网络,在训练过程中,生成网络G的目标就是尽量生成真实的图片去欺骗判别网络D,而D的目标就是尽量把G生成的图片和真实的图片分别开来。这样,G和D构成了一个动态的“博弈过程”。最理想状态下,G可以生成足以“以假乱真”的图片G(z)。将烟雾和明火的图片数据输入到Gan网络进行训练,训练成熟后生成编码网络和解码网络,编码网络输出固定格式的编码,这样我们只需要输入与编码网络输出的相同格式的编码到解码网络即可生成大量足以“以假乱真”的图片,以此来降低寻找原始图片数据进行目标检测模型训练的成本。
其中,Gan的判别公式为:整个式子由两项构成,x表示真实图片,z表示输入G网络的噪声,而G(z)表示G网络生成的图片。D(x)表示D网络判断真实图片是否真实的概率(因为x就是真实的,所以对于D来说,这个值越接近1越好)。而D(G(z))是D网络判断G生成的图片的是否真实的概率。G的目的:上面提到过,D(G(z))是D网络判断G生成的图片是否真实的概率,G应该希望自己生成的图片“越接近真实越好”。也就是说,G希望D(G(z))尽可能得大,这时V(D,G)会变小。因此我们看到式子的最前面的记号是D的目的:D的能力越强,D(x)应该越大,D(G(x))应该越小。这时V(D,G)会变大。因此式子对于D来说是求最大
摄像头为双目摄像头,双目摄像头包括红外摄像头和高清摄像头,红外摄像头用于夜晚,高清摄像头用于白天。由于光线的影响,将夜晚和白天分别用不同的摄像头进行视频采集,提高视频采集的精度。
S2还包括以下步骤;
S21:设置若干类别,类别包括明火和烟雾,执行S22;
S22:在目标训练图片上分别用不同颜色的矩形框框出不同的类别。
设置多种类别,输入每种类别的图片训练数据,火灾主要的特征是明火和烟雾,输入明火和烟雾的训练图片数据即可达到检测效果,为了使训练的目标检测模型精度更高,加入其他干扰因素的类别:不同颜色的灯光、部分遮挡的明火。
目标检测模型为yolov3目标检测模型。yolov3目标检测模型引用更加强大的特征提取网络darknet-53使得计算速度大大加快,如图4所示,为darknet-53的网络结构,包含53个卷基层,借鉴了残差网络residual network的做法,在一些层之间设置了快捷链路,最左侧那一列的1、2、8等数字表示多少个重复的残差组件,每个残差组件有两个卷基层和一个快捷链路,残差组件结构如图2所示。yolov3网路使用了darknet-53的前面的52层,yolov3这个网络是一个全卷积网络,大量使用残差的跳层连接。使用这种残差结构的好处是,保证网络结构在很深的情况下,仍能收敛;网络越深,表达的特征越好,分类和检测的效果都会提升;由于大量减少了参数量,进一步减少了计算量。对象分类引用logsitic支持多标签以此增加检测精度。
S7还包括以下步骤;
S71:将采集的视频数据分帧成待检测的图片数据,视频分帧技术为SLIC图像分割技术。生成的超像素如同细胞一般紧凑整齐,邻域特征比较容易表达。在运行速度、生成超像素的紧凑度、轮廓保持方面都比较理想。
其中SLIC图像分割技术的步骤为:
S711:初始化聚类中心:按照设定的超像素个数,在图像内均匀的分配种子点。设图片总共有N个像素点,预分割为K个相同尺寸的超像素,那么每个超像素的大小为N/K,则相邻种子点的步长近似为S=sqrt(N/K),执行S712。
S712:在种子点的n*n邻域内重新选择种子点。具体方法为:计算该邻域内所有像素点的梯度值,将种子点移到该邻域内梯度最小的地方,执行S713。
S713:在每个种子点周围的邻域内为每个像素点分配类标签(即属于哪个聚类中心)。SLIC的搜索范围限制为2S*2S,可以加速算法收敛,如图3所示,执行S714。
S714:距离度量。包括颜色距离和空间距离。对于每个搜索到的像素点,分别计算它和该种子点的距离。距离计算方法如下:
其中,其中,dc代表颜色距离,ds代表空间距离,Ns是类内最大空间距离,定义为Ns=S=sqrt(N/K),适用于每个聚类。最大的颜色距离Nc既随图片不同而不同,也随聚类不同而不同,所以我们取一个固定常数m(取值范围[1,40],一般取10)代替。最终的距离度量D'如下:
由于每个像素点都会被多个种子点搜索到,所以每个像素点都会有一个与周围种子点的距离,取最小值对应的种子点作为该像素点的聚类中心,执行S715。
S715:迭代优化。理论上上述步骤不断迭代直到误差收敛,实践发现10次迭代对绝大部分图片都可以得到较理想效果,所以一般迭代次数取10,执行S716。
S716:增强连通性。经过上述迭代优化可能出现以下瑕疵:出现多连通情况、超像素尺寸过小,单个超像素被切割成多个不连续超像素等,这些情况可以通过增强连通性解决。主要思路是:新建一张标记表,表内元素均为-1,按照“Z”型走向(从左到右,从上到下顺序)将不连续的超像素、尺寸过小超像素重新分配给邻近的超像素,遍历过的像素点分配给相应的标签,直到所有点遍历完毕为止。
归一化处理包括,坐标中心化、x-shering归一化、缩放归一化、旋转归一化。
这里本实施例公开最常见的最大最小值归一化方法,公式如下:
其中,xi表示图像像素点值,min(x)为像素的最小值,max(x)为像素的最大值。
经过openCV归一化处理,取值范围从0~255已经转化为0~1之间了,这个对于后续的神经网络或者卷积神经网络处理有很大的好处,经过坐标中心化、x-shering归一化、缩放归一化、旋转归一化后使得图像数据可以抵抗几何变换的攻击,增加目标检测模型的检测精度。
铁塔上还设置有太阳能供电模块,太阳能供电模块包括若干光伏电池板、稳压模块、蓄电池组,将太阳能电池板与稳压模块的输入端电连接,再将稳压模块的输出端与蓄电池的输入端连接,最后用蓄电池为摄像头提供备用电源。
设置太阳能供电模块作为摄像头的备用电源,在晴天时存储太阳能,以防有线电路出现线路损坏时工作人员排查故障用时过长导致铁塔上的摄像头停止工作时间太长而影响监控效果。
稳压模块包括桥式整流电路、滤波电路和LM317稳压芯片,将经过桥式整流的交流电变为不同极性的电源,再经过滤波电路滤除高频噪声最后与LM317稳压芯片的输入端连接,经过LM317稳压芯片输出稳定的直流电源到蓄电池组。
稳压电路用LM317稳压芯片以及其外围电路构成,电路结构设计简单,输出的直流电源稳定。
本发明的实施原理,首先将烟雾和明火的图片数据输入到Gan网络进行训练,训练成熟后生成编码网络和解码网络,编码网络输出固定格式的编码,再输入与编码网络输出的相同格式的编码到解码网络生成大量足以“以假乱真”的图片,再将由Gan网络生成的目标图片数据根据需求进行标注,标注后的图片数据进行归一化处理,再将归一化处理后的目标图片数据输入到yolov3目标检测模型进行训练,yolov3目标检测模型训练成熟后即可连接至输入设备待用;通过铁塔和无人机采集视频数据传输至监控中心,监控中心利用SLIC图像分割技术对视频进行分帧,分帧后的视频数据变为待检测的图片数据,再将待检测图片数据输入到训练成熟的yolov3目标检测模型,yolov3目标检测模型经过分析处理,输出一系列框图和发生火灾的概率值,当输出的概率值大于监控中心设置的发生火灾的阈值时触发报警器并通知相关人员,相关人员根据视频中记录的位置即可快速组织灭火人员进行灭火,当未达到报警的阈值时将数据进行存储,流程如图5所示。
以上仅是本发明的优选实施方式,应当理解本发明并非局限于本文所披露的形式,不应看作是对其他实施例的排除,而可用于各种其他组合、修改和环境,并能够在本文构想范围内,通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围,则都应在本发明所附权利要求的保护范围内。
Claims (9)
1.一种基于深度学习的森林防火方法,其特征在于,包括以下步骤;
S1:输入烟雾和明火的原始图片数据到图片生成模型,所述图片生成模型生成大量目标训练图片,执行S2;
S2:将生成的目标训练图片进行标注,执行S3;
S3:将标注好的目标训练图片进行归一化处理,执行S4;
S4:将归一化处理后的目标训练图片数据输入到目标检测模型进行训练,目标检测模型训练成熟后与输入设备连接,执行S5;
S5:在所保护的林区陆地上设置若干铁塔,林区上空布置若干无人机,执行S6;
S6:在若干所述铁塔和若干所述无人机上均设置摄像头进行视频采集,并传输至监控中心,执行S7;
S7:将采集的视频数据输入到训练好后的目标检测模型进行检测,若所述目标检测模型输出的概率值大于设置的发生火灾的概率阈值,执行S8,否则,执行S9;
S8:触发报警器,并对数据进行存储,执行S10;
S9:存储数据;
S10:根据火灾发生的位置通知相关人员进行灭火。
2.根据权利要求1所述的一种基于深度学习的森林防火方法,其特征在于,所述图片生成模型为Gan网络。
3.根据权利要求1所述的一种基于深度学习的森林防火方法,其特征在于,所述摄像头为双目摄像头,所述双目摄像头包括红外摄像头和高清摄像头,所述红外摄像头用于夜晚,所述高清摄像头用于白天。
4.根据权利要求1所述的一种基于深度学习的森林防火方法,其特征在于,所述S2还包括以下步骤;
S21:设置若干类别,所述类别包括明火和烟雾,执行S22;
S22:在所述目标训练图片上分别用不同颜色的矩形框框出不同的类别。
5.根据权利要求1所述的一种基于深度学习的森林防火方法,其特征在于,所述目标检测模型为yolov3目标检测模型。
6.根据权利要求1所述的一种基于深度学习的森林防火方法,其特征在于,所述S7还包括以下步骤;
S71:将采集的视频数据分帧成待检测的图片数据,所述视频分帧技术为SLIC图像分割技术。
7.根据权利要求1所述的一种基于深度学习的森林防火方法,其特征在于,所述归一化处理包括,坐标中心化、x-shering归一化、缩放归一化、旋转归一化。
8.根据权利要求1所述的一种基于深度学习的森林防火方法,其特征在于,所述铁塔上还设置有太阳能供电模块,所述太阳能供电模块包括若干光伏电池板、稳压模块、蓄电池组,将所述太阳能电池板与所述稳压模块的输入端电连接,再将所述稳压模块的输出端与所述蓄电池的输入端连接,最后用所述蓄电池为所述摄像头提供备用电源。
9.根据权利要求8所述的一种基于深度学习的森林防火方法,其特征在于,所述稳压模块包括桥式整流电路、滤波电路和LM317稳压芯片,将经过所述桥式整流的交流电变为不同极性的电源,再经过所述滤波电路滤除高频噪声最后与所述LM317稳压芯片的输入端连接,经过所述LM317稳压芯片输出稳定的直流电源到所述蓄电池组。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910413598.XA CN110147758A (zh) | 2019-05-17 | 2019-05-17 | 一种基于深度学习的森林防火方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910413598.XA CN110147758A (zh) | 2019-05-17 | 2019-05-17 | 一种基于深度学习的森林防火方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110147758A true CN110147758A (zh) | 2019-08-20 |
Family
ID=67595699
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910413598.XA Pending CN110147758A (zh) | 2019-05-17 | 2019-05-17 | 一种基于深度学习的森林防火方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110147758A (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110889399A (zh) * | 2019-12-23 | 2020-03-17 | 北京航天泰坦科技股份有限公司 | 基于深度学习的高分辨率遥感影像弱小目标检测方法 |
CN111046728A (zh) * | 2019-11-01 | 2020-04-21 | 武汉纺织大学 | 一种基于特征金字塔网络的秸秆燃烧检测方法 |
CN111580425A (zh) * | 2020-04-27 | 2020-08-25 | 华南农业大学 | 一种适用于林场火险监测的系统及方法 |
CN111710121A (zh) * | 2020-08-07 | 2020-09-25 | 胡靖� | 森林火灾地空一体监控预警系统及预警方法 |
CN112071016A (zh) * | 2020-09-14 | 2020-12-11 | 广州市几米物联科技有限公司 | 火灾监控方法、装置、设备及存储介质 |
CN112511978A (zh) * | 2020-12-02 | 2021-03-16 | 南京森林警察学院 | 一种用于收集森林防火监控数据的无人机部署方法 |
CN112906481A (zh) * | 2021-01-23 | 2021-06-04 | 招商新智科技有限公司 | 一种基于无人机实现森林火情检测的方法 |
CN113111746A (zh) * | 2021-03-31 | 2021-07-13 | 电子科技大学成都学院 | 一种基于机器视觉的微表情检测系统 |
CN114037910A (zh) * | 2021-11-29 | 2022-02-11 | 东北林业大学 | 一种无人机森林火灾检测系统 |
CN115100838A (zh) * | 2022-05-31 | 2022-09-23 | 杭州鸿泉物联网技术股份有限公司 | 车辆起火预警方法、装置、设备、介质及计算机程序产品 |
CN115223324A (zh) * | 2022-06-16 | 2022-10-21 | 中电云数智科技有限公司 | 一种烟雾实时监控方法及系统 |
CN116362944A (zh) * | 2023-05-31 | 2023-06-30 | 四川三思德科技有限公司 | 基于差异性的抗飞防作业干扰处理方法、装置及介质 |
CN117372940A (zh) * | 2022-07-01 | 2024-01-09 | 深圳市创客工场科技有限公司 | 火灾识别方法、装置和桌面激光加工设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104573719A (zh) * | 2014-12-31 | 2015-04-29 | 国家电网公司 | 基于图像智能分析的山火检测方法 |
CN108921039A (zh) * | 2018-06-07 | 2018-11-30 | 南京启德电子科技有限公司 | 基于多尺寸卷积核的深度卷积模型的森林火灾检测方法 |
CN109460708A (zh) * | 2018-10-09 | 2019-03-12 | 东南大学 | 一种基于生成对抗网络的林火图像样本生成方法 |
CN109543740A (zh) * | 2018-11-14 | 2019-03-29 | 哈尔滨工程大学 | 一种基于生成对抗网络的目标检测方法 |
-
2019
- 2019-05-17 CN CN201910413598.XA patent/CN110147758A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104573719A (zh) * | 2014-12-31 | 2015-04-29 | 国家电网公司 | 基于图像智能分析的山火检测方法 |
CN108921039A (zh) * | 2018-06-07 | 2018-11-30 | 南京启德电子科技有限公司 | 基于多尺寸卷积核的深度卷积模型的森林火灾检测方法 |
CN109460708A (zh) * | 2018-10-09 | 2019-03-12 | 东南大学 | 一种基于生成对抗网络的林火图像样本生成方法 |
CN109543740A (zh) * | 2018-11-14 | 2019-03-29 | 哈尔滨工程大学 | 一种基于生成对抗网络的目标检测方法 |
Non-Patent Citations (1)
Title |
---|
SHIXIAO WU 等: "Using Popular Object Detection Methods for Real Time Forest Fire Detection", 《2018 11TH INTERNATIONAL SYMPOSIUM ON COMPUTATIONAL INTELLIGENCE AND DESIGN (ISCID)》 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111046728A (zh) * | 2019-11-01 | 2020-04-21 | 武汉纺织大学 | 一种基于特征金字塔网络的秸秆燃烧检测方法 |
CN110889399B (zh) * | 2019-12-23 | 2023-03-31 | 北京航天泰坦科技股份有限公司 | 基于深度学习的高分辨率遥感影像弱小目标检测方法 |
CN110889399A (zh) * | 2019-12-23 | 2020-03-17 | 北京航天泰坦科技股份有限公司 | 基于深度学习的高分辨率遥感影像弱小目标检测方法 |
CN111580425A (zh) * | 2020-04-27 | 2020-08-25 | 华南农业大学 | 一种适用于林场火险监测的系统及方法 |
CN111710121A (zh) * | 2020-08-07 | 2020-09-25 | 胡靖� | 森林火灾地空一体监控预警系统及预警方法 |
CN112071016A (zh) * | 2020-09-14 | 2020-12-11 | 广州市几米物联科技有限公司 | 火灾监控方法、装置、设备及存储介质 |
CN112511978A (zh) * | 2020-12-02 | 2021-03-16 | 南京森林警察学院 | 一种用于收集森林防火监控数据的无人机部署方法 |
CN112511978B (zh) * | 2020-12-02 | 2024-01-30 | 南京森林警察学院 | 一种用于收集森林防火监控数据的无人机部署方法 |
CN112906481A (zh) * | 2021-01-23 | 2021-06-04 | 招商新智科技有限公司 | 一种基于无人机实现森林火情检测的方法 |
CN113111746A (zh) * | 2021-03-31 | 2021-07-13 | 电子科技大学成都学院 | 一种基于机器视觉的微表情检测系统 |
CN114037910A (zh) * | 2021-11-29 | 2022-02-11 | 东北林业大学 | 一种无人机森林火灾检测系统 |
CN115100838A (zh) * | 2022-05-31 | 2022-09-23 | 杭州鸿泉物联网技术股份有限公司 | 车辆起火预警方法、装置、设备、介质及计算机程序产品 |
CN115223324A (zh) * | 2022-06-16 | 2022-10-21 | 中电云数智科技有限公司 | 一种烟雾实时监控方法及系统 |
CN117372940A (zh) * | 2022-07-01 | 2024-01-09 | 深圳市创客工场科技有限公司 | 火灾识别方法、装置和桌面激光加工设备 |
CN116362944A (zh) * | 2023-05-31 | 2023-06-30 | 四川三思德科技有限公司 | 基于差异性的抗飞防作业干扰处理方法、装置及介质 |
CN116362944B (zh) * | 2023-05-31 | 2023-07-28 | 四川三思德科技有限公司 | 基于差异性的抗飞防作业干扰处理方法、装置及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110147758A (zh) | 一种基于深度学习的森林防火方法 | |
CN111259892B (zh) | 一种指示灯状态的巡检方法、装置、设备和介质 | |
CN110147743A (zh) | 一种复杂场景下的实时在线行人分析与计数系统及方法 | |
CN111696075A (zh) | 一种基于双光谱图像的风机叶片缺陷智能检测方法 | |
CN107665498A (zh) | 基于典型示例挖掘的全卷积网络飞机检测方法 | |
CN108037770A (zh) | 基于人工智能的无人机输电线路巡检系统和方法 | |
CN110348304A (zh) | 一种可搭载于无人机的海事遇险人员搜索系统以及目标识别方法 | |
CN109919058A (zh) | 一种基于Yolo V3的多源视频影像重点目标快速检测方法 | |
CN108710913A (zh) | 一种基于深度学习的开关柜图像开关状态自动识别方法 | |
CN105160669A (zh) | 一种无人机巡检输电线路图像中绝缘子缺陷的检测和定位方法 | |
CN108648169A (zh) | 高压输电塔绝缘子缺陷自动识别的方法及装置 | |
CN101846503A (zh) | 一种基于立体视觉的行李信息在线获取系统及其方法 | |
CN107610128A (zh) | 一种油位计的巡检方法和装置 | |
CN109002752A (zh) | 一种基于深度学习的复杂公共场景快速行人检测方法 | |
CN110245695A (zh) | 一种基于卷积神经网络的tbm岩渣大小等级识别方法 | |
CN111046728A (zh) | 一种基于特征金字塔网络的秸秆燃烧检测方法 | |
CN107844897A (zh) | 一种基于分治法的电网山火监测告警杆塔计算方法 | |
CN106250835A (zh) | 基于特征识别的输电线路上的鸟巢识别方法 | |
Lianqiao et al. | Recognition and application of infrared thermal image among power facilities based on yolo | |
CN113485432A (zh) | 一种基于无人机的光伏电站电致发光智能诊断系统及方法 | |
Song et al. | Intrusion detection of foreign objects in high-voltage lines based on YOLOv4 | |
Chen et al. | Insulator recognition method for distribution network overhead transmission lines based on modified yolov3 | |
CN110706365A (zh) | 一种用于电力设备图像特征数据建模方法 | |
CN106228172A (zh) | 基于聚类分析的破损绝缘子图像提取方法 | |
Lian et al. | Insulator defect detection algorithm based on improved YOLOv5 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190820 |