CN111539325A - 基于深度学习的森林火灾探测方法 - Google Patents
基于深度学习的森林火灾探测方法 Download PDFInfo
- Publication number
- CN111539325A CN111539325A CN202010328119.7A CN202010328119A CN111539325A CN 111539325 A CN111539325 A CN 111539325A CN 202010328119 A CN202010328119 A CN 202010328119A CN 111539325 A CN111539325 A CN 111539325A
- Authority
- CN
- China
- Prior art keywords
- fire
- fire detection
- conv
- dcnn
- sizes
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 48
- 238000013135 deep learning Methods 0.000 title claims abstract description 14
- 238000012549 training Methods 0.000 claims abstract description 15
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 14
- 238000000605 extraction Methods 0.000 claims description 20
- 238000011176 pooling Methods 0.000 claims description 12
- 230000004913 activation Effects 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 2
- 238000000034 method Methods 0.000 abstract description 9
- 230000000694 effects Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000010223 real-time analysis Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0463—Neocognitrons
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种基于深度学习的森林火灾探测方法，包括：自建火灾数据集，在自建的火点数据集中训练第一DCNN火点探测模型，待误差减小到一定阀值时停止训练保存所有卷积层的权重；给定新的数据集并定义模型，使用步骤1中预训练的权重初始化新定义的模型，使用新的数据集训练第二DCNN火点探测模型；任意给定一张图片，使用训练完成的第二DCNN火点探测模型进行预测，即可判断该图像是否存在火点。本发明与其他基于卷积神经网络的森林火灾探测方法相比，能够有效的降低火灾误报率。
Description
技术领域
本发明涉及森林火灾探测领域，特别涉及一种基于深度学习的森林火灾探测方法。
背景技术
目前对于森林火灾的防范主要是依靠人工进行巡查，或者在林区内间隔一定的距离设立瞭望塔并且布置摄像机并将图像传输到监控中心，并且由人工查看来实现全区域的实时监控，但是由人工巡查和人工的视频查看这样不仅会耗费大量的人力和精力。由于人的精力是有限的，观察者很难在较长的时间内保持着较高的注意力，发现火灾并及时处理。
当今森林火灾的发生越来越频繁，损失也越来越大，火灾的预防比扑救显得更加重要。由于火灾发生的原因是不确定的，且火灾的形成和发展易受周围环境的影响，因此传统的火灾探测器例如烟雾传感器、温湿度传感器采集到的数据和信息也会受到这些不确定因素的影响，从而降低了火灾探测的灵敏度，加大了火灾识别的难度，火源的位置也不易找到。另一种火灾探测方法是通过卫星云图进行观察，这种探测方式有一定的局限性，只能对大规模的火灾进行探测，对初期火灾探测的效果不理想，而且时效性差，小规模的火灾或者初始阶段的火灾一般的特征在高空的探测下并不会太过于明显，容易被忽视掉。若不在开始阶段发现并扑灭就有可能对该区域内的植造成严重的破坏，同时也会对人民的生命财产带来重大的损失。
森林火灾一旦发生将对区域内的植被造成严重的破坏，同时也会对人民的生命财产带来重大的损失，因此有效预防、及时发现森林火灾是极其重要的。由于光照、颜色等外界因素的影响，传统的基于图像处理的森林火灾识别技术存在识别精度低、误报率高问题。随着计算机视觉技术的快速发展，尤其是深度学习技术在图像识别领域获得极大成功，众多研究者开始利用深度卷积神经网络进行森林火灾识别。因此，针对森林火灾识别误报率高问题，本发明提出一种基于深度学习知识库的森林火灾特征提取方法。通过收集互联网已有的森林火灾图片自建火灾图像知识库，搭建深度卷积神经网络模型进行训练，保存模型所有卷积层的权重，利用模型的卷积层完成森林火灾卷积特征的提取，从而提高森林火灾识别率和较低的误报率。
发明内容
本发明提供了一种基于深度学习的森林火灾探测方法，以解决至少一个上述技术问题。
为解决上述问题，作为本发明的一个方面，提供了一种基于深度学习的森林火灾探测方法，包括：
步骤1，自建火灾数据集，在自建的火点数据集中训练第一DCNN火点探测模型，待误差减小到一定阀值时停止训练保存所有卷积层的权重；
步骤2，给定新的数据集并定义模型，使用步骤1中预训练的权重初始化新定义的模型，使用新的数据集训练第二DCNN火点探测模型；
步骤3，任意给定一张图片，使用训练完成的第二DCNN火点探测模型进行预测，即可判断该图像是否存在火点。
优选地，第一DCNN火点探测模型和第二DCNN火点探测模型包括：特征提取模块和分类器，特征提取模块采用层次结构式的特征提取方式，分类器使用多层感知机。
优选地，特征提取模块采用卷积层提取图像的特征表示。
优选地，所述分类器由两个全连接层构成，第一个全连接层使用Relu作为激活函数，第二个全连接层使用softmax作为激活函数。
优选地，第一DCNN火点探测模型和第二DCNN火点探测模型为基于深度卷积神经网络的森林火灾探测模型：
首先，对输入图像进行预处理，统一输入图像大小为224x224x3，网络中所有卷积层的卷积核的大小均为3x3，padding设置为same，其中，conv_1和conv_2的卷积核大小为16，conv_3和conv_4的卷积核大小为32，conv_5和conv_6的卷积核大小为64，conv_7和conv_8的卷积核大小为128，最后conv_9和conv_10的卷积核大小为256，网络中所有池化层的卷积核大小固定为2x2,步长为2，进行2倍大小的降维处理；
其次，在分类器部分，首先是跟上均值池化，目的是对前面卷积层的特征图进一步降维，当每一个特征图的维度很低时，再跟上全局池化层，以有效的避免因为特征图过大而造成的全局池化后特征信息的丢失。
本发明与其他基于卷积神经网络的森林火灾探测方法相比，能够有效的降低火灾误报率。
附图说明
图1示意性地示出了本发明的流程图。
具体实施方式
以下对本发明的实施例进行详细说明，但是本发明可以由权利要求限定和覆盖的多种不同方式实施。
随着我国森林覆盖率不断增加的同时，森林火灾发生的机率也在不断上升，森林火灾一旦发生将对人民的生命财产带来重大损失，如何有效的避免森林火灾的发生显得尤为重要。本发明从减少人力成本、提高森林火灾识别精度、降低森林火灾误报率的角度出发，提出一种利用深度学习算法探测森林火灾的方法。
如图1所示，本发明提出了一种利用自建火点数据集训练DCNN模型来提取火点深度卷积特征。为了考查火点检测模型的精度、火灾误报的数量等指标，分析了提取不同类型特征以及特征融合下的深度卷积神经网络的火点探测模型。
1.特征点提取
人工提取火点特征是一件非常繁琐的事情，同时也是一件非常耗时的特征工程，并且由于光照、阴影、火点相似物体等外界因素造成的影响，使得这种火点探测方式十困难挑战较大。而基于浅层卷积神经网络自动提取特征的方式虽然能够避免繁琐的手工特征提取，但是由于提取的特征不够充分，导致误报率很大且检测率不高。另外一些基于底层的图像特征提取算法如HOG、LBP等虽然也能够较好的提取到图像的边缘、纹理等特征，但是泛化效果较差，这些低级的图像特征只在某些特定的数据集上表现较好。
好的特征提取对于分类器来说是至关重要的，特征的好坏直接决定了分类器性能好坏。前面介绍的HOG特征和LBP特征虽然能够有效的提取图像的形状、纹理等特征，但是这种特征只是表面的、浅层的特征表示，并未完全反应图像的本质，因此在某些较为复杂的图像数据集中，分类效果的表现不尽人意。卷积层能够有效的提取图像的特征表示，而且是一种多层次、具有继承结构关系的特征提取。后面的卷积层能够在前面卷积层提取的图像特征的基础上进一步的提取抽象的特征，这种层次结构的特征提取方式是以往任何传统的图像处理特征提取方式所不具备的。因此随着卷积层层数的增加，能够逐层提取到更加抽象、高级和能够揭示图像本质的特征信息。
2.训练DCNN权重
基于预训练的深度卷积神经网络的火点探测模型。首先在自建的火点数据集中训练DCNN模型，待误差减小到一定阀值时停止训练保存所有卷积层的权重，给定新的数据集，定义模型，使用前面预训练的权重初始化新定义模型，使用少量数据集进行训练即可获得较好的火点识别效果。任意给定一张图片，使用训练完成的模型进行预测，即可判断该图像是否存在火点
3.森林火灾探测模型
森林火灾探测模型由特征提取和分类器两部分构成，其中特征提取的方法如前面所述，火灾探测模型的分类器使用多层感知机(MLP)，该分类器由两个全连接层构成，其中第一个全连接层使用Relu作为激活函数，第二个全连接层使用softmax作为激活函数。
基于深度卷积神经网络的森林火灾探测模型如图1所示，首先是对输入图像进行预处理，统一输入图像大小为224x224x3，网络中所有卷积层的卷积核的大小均为3x3，padding设置为same，其中conv_1和conv_2的卷积核大小为16，conv_3和conv_4的卷积核大小为32，conv_5和conv_6的卷积核大小为64，conv_7和conv_8的卷积核大小为128，最后conv_9和conv_10的卷积核大小为256。网络中所有池化层的卷积核大小固定为2x2,步长为2，进行2倍大小的降维处理。在分类器部分，并没有采用传统的方式直接跟上全连接层，而是首先是跟上均值池化，目的是对前面卷积层的特征图进一步降维，当每一个特征图的维度很低时，再跟上全局池化层。这样做可以有效的避免因为特征图过大而造成的全局池化后特征信息的丢失。
本发明具有以下有益效果：
1)降低人力成本开销。
通过无人机等搭载视频监控设备获取区域内森林图像，利用计算机视觉技术进行在线实时分析，获得森林火灾预警信息，极大的减少了人为干预的程度，降低人力成本，实现自动火灾预警。
2)提前预警，降低火灾造成的损失。
通过深度卷积神经网络确定在该摄像头所监视的区域是否发生火灾，若发生火灾，将通过系统的信息平台发出预警，并警示管理人员及时处理，并在人员处理期间内持续观察着火区域，给出火势变化曲线，为管理人员进行决策提出参考。
3)提高火灾识别精度。
通过自建的火灾图片库，提取出森林火灾特征，可以有效提高在实际情况下发生火灾的识别精度和识别能力。
4)降低火灾误报率。
本文提出的方法与其他基于卷积神经网络的森林火灾探测方法相比，能够有效的降低火灾误报率。
本发明中的方法主要的创新点有：
1.提出一种通过爬虫下载互联网已有的森林火灾图像数据集的方法搭建森林火灾图像知识库的方法。
2.基于上述森林火灾图像知识库，提出一种深度卷积神经网络模型，通过该模型可以有效的提取森林火灾的图像特征。
3.提出一种森林火灾小样本深度卷积神经网络模型，该模型使用少量的训练集数据进行训练，在测试集上就可以获得较高的森林火灾识别率(30％的数据用于训练，70％的数据用于测试)和较低的误报率。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于深度学习的森林火灾探测方法，其特征在于，包括
步骤1，自建火灾数据集，在自建的火点数据集中训练第一DCNN火点探测模型，待误差减小到一定阀值时停止训练保存所有卷积层的权重；
步骤2，给定新的数据集并定义模型，使用步骤1中预训练的权重初始化新定义的模型，使用新的数据集训练第二DCNN火点探测模型；
步骤3，任意给定一张图片，使用训练完成的第二DCNN火点探测模型进行预测，即可判断该图像是否存在火点。
2.根据权利要求1所述的基于深度学习的森林火灾探测方法，其特征在于，第一DCNN火点探测模型和第二DCNN火点探测模型包括：特征提取模块和分类器，特征提取模块采用层次结构式的特征提取方式，分类器使用多层感知机。
3.根据权利要求2所述的基于深度学习的森林火灾探测方法，其特征在于，特征提取模块采用卷积层提取图像的特征表示。
4.根据权利要求3所述的基于深度学习的森林火灾探测方法，其特征在于，所述分类器由两个全连接层构成，第一个全连接层使用Relu作为激活函数，第二个全连接层使用softmax作为激活函数。
5.根据权利要求4所述的基于深度学习的森林火灾探测方法，其特征在于，第一DCNN火点探测模型和第二DCNN火点探测模型为基于深度卷积神经网络的森林火点探测模型：
首先，对输入图像进行预处理，统一输入图像大小为224x224x3，网络中所有卷积层的卷积核的大小均为3x3，padding设置为same，其中，conv_1和conv_2的卷积核大小为16，conv_3和conv_4的卷积核大小为32，conv_5和conv_6的卷积核大小为64，conv_7和conv_8的卷积核大小为128，最后conv_9和conv_10的卷积核大小为256，网络中所有池化层的卷积核大小固定为2x2,步长为2，进行2倍大小的降维处理；
其次，在分类器部分，首先是跟上均值池化，目的是对前面卷积层的特征图进一步降维，当每一个特征图的维度很低时，再跟上全局池化层，以有效的避免因为特征图过大而造成的全局池化后特征信息的丢失。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010328119.7A CN111539325A (zh) | 2020-04-23 | 2020-04-23 | 基于深度学习的森林火灾探测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010328119.7A CN111539325A (zh) | 2020-04-23 | 2020-04-23 | 基于深度学习的森林火灾探测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111539325A true CN111539325A (zh) | 2020-08-14 |
Family
ID=71977174
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010328119.7A Pending CN111539325A (zh) | 2020-04-23 | 2020-04-23 | 基于深度学习的森林火灾探测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111539325A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112309068A (zh) * | 2020-10-29 | 2021-02-02 | 电子科技大学中山学院 | 一种基于深度学习的森林火灾预警方法 |
| CN112396023A (zh) * | 2020-11-30 | 2021-02-23 | 北京华正明天信息技术股份有限公司 | 基于机器学习的火灾检测方法 |
| CN113112510A (zh) * | 2021-04-29 | 2021-07-13 | 五邑大学 | 一种语义分割的森林火灾检测方法、控制器及存储介质 |
| CN113657233A (zh) * | 2021-08-10 | 2021-11-16 | 东华大学 | 一种基于计算机视觉的无人机森林火灾烟雾探测方法 |
| CN117935021A (zh) * | 2024-01-30 | 2024-04-26 | 北京中卓时代消防装备科技有限公司 | 基于深度学习的现场火灾图像分析模型训练方法及系统 |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106651830A (zh) * | 2016-09-28 | 2017-05-10 | 华南理工大学 | 一种基于并行卷积神经网络的图像质量测试方法 |
| CN108764142A (zh) * | 2018-05-25 | 2018-11-06 | 北京工业大学 | 基于3dcnn的无人机影像森林烟雾检测和分类方法 |
| 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 |
| CN109522819A (zh) * | 2018-10-29 | 2019-03-26 | 西安交通大学 | 一种基于深度学习的火灾图像识别方法 |
| CN109977790A (zh) * | 2019-03-04 | 2019-07-05 | 浙江工业大学 | 一种基于迁移学习的视频烟雾检测与识别方法 |
| CN110210538A (zh) * | 2019-05-22 | 2019-09-06 | 雷恩友力数据科技南京有限公司 | 一种家居图像多目标识别方法及装置 |
| CN110490813A (zh) * | 2019-07-05 | 2019-11-22 | 特斯联（北京）科技有限公司 | 卷积神经网络的特征图增强方法、装置、设备及介质 |
| CN110659718A (zh) * | 2019-09-12 | 2020-01-07 | 中南大学 | 基于深度卷积神经网络的小卷积核细胞计数方法及系统 |
| CN110717856A (zh) * | 2019-09-03 | 2020-01-21 | 天津大学 | 一种用于医学成像的超分辨率重建算法 |
| CN110728312A (zh) * | 2019-09-29 | 2020-01-24 | 浙江大学 | 一种基于区域自适应注意力网络的干眼症分级系统 |
| CN110781850A (zh) * | 2019-10-31 | 2020-02-11 | 深圳金信诺高新技术股份有限公司 | 道路识别的语义分割系统和方法、计算机存储介质 |
| CN110796308A (zh) * | 2019-10-29 | 2020-02-14 | 四川旅游学院 | 基于模糊蚁群算法的旅游线路优化方法 |
| CN110827208A (zh) * | 2019-09-19 | 2020-02-21 | 重庆特斯联智慧科技股份有限公司 | 卷积神经网络的通用池化增强方法、装置、设备及介质 |
| CN110852347A (zh) * | 2019-10-17 | 2020-02-28 | 天津大学 | 采用改进YOLO v3的火灾检测方法 |
-
2020
- 2020-04-23 CN CN202010328119.7A patent/CN111539325A/zh active Pending
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106651830A (zh) * | 2016-09-28 | 2017-05-10 | 华南理工大学 | 一种基于并行卷积神经网络的图像质量测试方法 |
| CN108764142A (zh) * | 2018-05-25 | 2018-11-06 | 北京工业大学 | 基于3dcnn的无人机影像森林烟雾检测和分类方法 |
| 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 |
| CN109522819A (zh) * | 2018-10-29 | 2019-03-26 | 西安交通大学 | 一种基于深度学习的火灾图像识别方法 |
| CN109977790A (zh) * | 2019-03-04 | 2019-07-05 | 浙江工业大学 | 一种基于迁移学习的视频烟雾检测与识别方法 |
| CN110210538A (zh) * | 2019-05-22 | 2019-09-06 | 雷恩友力数据科技南京有限公司 | 一种家居图像多目标识别方法及装置 |
| CN110490813A (zh) * | 2019-07-05 | 2019-11-22 | 特斯联（北京）科技有限公司 | 卷积神经网络的特征图增强方法、装置、设备及介质 |
| CN110717856A (zh) * | 2019-09-03 | 2020-01-21 | 天津大学 | 一种用于医学成像的超分辨率重建算法 |
| CN110659718A (zh) * | 2019-09-12 | 2020-01-07 | 中南大学 | 基于深度卷积神经网络的小卷积核细胞计数方法及系统 |
| CN110827208A (zh) * | 2019-09-19 | 2020-02-21 | 重庆特斯联智慧科技股份有限公司 | 卷积神经网络的通用池化增强方法、装置、设备及介质 |
| CN110728312A (zh) * | 2019-09-29 | 2020-01-24 | 浙江大学 | 一种基于区域自适应注意力网络的干眼症分级系统 |
| CN110852347A (zh) * | 2019-10-17 | 2020-02-28 | 天津大学 | 采用改进YOLO v3的火灾检测方法 |
| CN110796308A (zh) * | 2019-10-29 | 2020-02-14 | 四川旅游学院 | 基于模糊蚁群算法的旅游线路优化方法 |
| CN110781850A (zh) * | 2019-10-31 | 2020-02-11 | 深圳金信诺高新技术股份有限公司 | 道路识别的语义分割系统和方法、计算机存储介质 |
Non-Patent Citations (3)
| Title |
|---|
| 傅天驹: ""复杂背景下基于深度卷积神经网络的森林火灾识别"", 《计算机与现代化》 * |
| 傅天驹: "复杂背景下基于深度卷积神经网络的森林火灾识别", 《计算机与现代化》 * |
| 富雅捷: "基于迁移学习的卷积神经网络森林火灾检测方法", 《激光与光电子学进展》 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112309068A (zh) * | 2020-10-29 | 2021-02-02 | 电子科技大学中山学院 | 一种基于深度学习的森林火灾预警方法 |
| CN112396023A (zh) * | 2020-11-30 | 2021-02-23 | 北京华正明天信息技术股份有限公司 | 基于机器学习的火灾检测方法 |
| CN113112510A (zh) * | 2021-04-29 | 2021-07-13 | 五邑大学 | 一种语义分割的森林火灾检测方法、控制器及存储介质 |
| CN113112510B (zh) * | 2021-04-29 | 2023-07-25 | 五邑大学 | 一种语义分割的森林火灾检测方法、控制器及存储介质 |
| CN113657233A (zh) * | 2021-08-10 | 2021-11-16 | 东华大学 | 一种基于计算机视觉的无人机森林火灾烟雾探测方法 |
| CN117935021A (zh) * | 2024-01-30 | 2024-04-26 | 北京中卓时代消防装备科技有限公司 | 基于深度学习的现场火灾图像分析模型训练方法及系统 |
| CN117935021B (zh) * | 2024-01-30 | 2024-06-28 | 北京中卓时代消防装备科技有限公司 | 基于深度学习的现场火灾图像分析模型训练方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111539325A (zh) | 基于深度学习的森林火灾探测方法 | |
| Shen et al. | Flame detection using deep learning | |
| CN108734143A (zh) | 一种巡检机器人的基于双目视觉的输电线路在线检测方法 | |
| CN112307884A (zh) | 基于连续时序遥感态势数据的林火蔓延预测方法及电子设备 | |
| CN115761537B (zh) | 一种面向动态特征补充机制的输电线路异物入侵识别方法 | |
| CN111047565A (zh) | 一种用于森林云雾图像分割的方法、存储介质和设备 | |
| Yandouzi et al. | Investigation of combining deep learning object recognition with drones for forest fire detection and monitoring | |
| Qiang et al. | Forest fire smoke detection under complex backgrounds using TRPCA and TSVB | |
| CN114202646A (zh) | 一种基于深度学习的红外图像吸烟检测方法与系统 | |
| KR20240028290A (ko) | 산불 검출 장치 및 방법 | |
| CN116258980A (zh) | 一种基于视觉的无人机分布式光伏电站巡检方法 | |
| Song et al. | Deformable YOLOX: Detection and rust warning method of transmission line connection fittings based on image processing technology | |
| CN114898238A (zh) | 一种野生动物遥感识别方法及装置 | |
| CN116206223A (zh) | 一种基于无人机边缘计算的火灾检测方法及系统 | |
| CN115311601A (zh) | 一种基于视频分析技术的火灾探测分析方法 | |
| CN116846059A (zh) | 一种用于电网巡检和监控的边缘检测系统 | |
| CN114998783A (zh) | 一种用于烟火及人员行为视频分析的前端设备 | |
| Wang et al. | Forest fire detection method based on deep learning | |
| CN113378638A (zh) | 基于人体关节点检测和d-gru网络的轮机员异常行为识别方法 | |
| CN115083229B (zh) | 基于ai视觉识别的飞行训练设备智能识别与警示系统 | |
| CN117649741A (zh) | 基于深度学习的变电站周围高危动物实时监测系统及方法 | |
| Rajan et al. | Forest fire detection using machine learning | |
| Lestari et al. | Comparison of two deep learning methods for detecting fire | |
| Praneash et al. | Forest fire detection using computer vision | |
| CN109558771B (zh) | 海上船舶的行为状态识别方法、装置、设备及存储介质 |
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: 20200814 |
|
| RJ01 | Rejection of invention patent application after publication |