CN111639825B - 基于A-Star算法的森林火灾指示逃生路径方法及系统 - Google Patents
基于A-Star算法的森林火灾指示逃生路径方法及系统 Download PDFInfo
- Publication number
- CN111639825B CN111639825B CN202010621806.8A CN202010621806A CN111639825B CN 111639825 B CN111639825 B CN 111639825B CN 202010621806 A CN202010621806 A CN 202010621806A CN 111639825 B CN111639825 B CN 111639825B
- Authority
- CN
- China
- Prior art keywords
- fire
- point
- flame
- target
- image
- 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
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 75
- 238000000034 method Methods 0.000 title claims abstract description 64
- 238000012545 processing Methods 0.000 claims abstract description 47
- 238000003062 neural network model Methods 0.000 claims abstract description 30
- 230000006870 function Effects 0.000 claims description 11
- 238000012216 screening Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 8
- 238000003708 edge detection Methods 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 12
- 238000004891 communication Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 238000012937 correction Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000033001 locomotion Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001603 reducing effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 231100000279 safety data Toxicity 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/045—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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
- Y02A40/28—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture specially adapted for farming
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Human Resources & Organizations (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例涉及一种基于A‑Star算法的森林火灾指示逃生路径方法及系统,通过图像采集设备采集灭火人员灭火区域的目标图像,对目标图像进行处理得到图像中火焰的面积增长率、火焰圆形度和火焰尖角宽度三个数据,将三个数据输入BP神经网络模型识别与目标图像对应位置是否发生火灾,根据地理位置以及识别的目标图像结构建立栅格化地图,采用A‑Star算法在栅格化地图上搜索灭火人员的逃生路径,该逃生路径作为灭火人员安全走出火灾现场的指示,保证灭火人员的安全,解决了现有对火灾现场逃生路线规划的系统或方法主要是对室内,对于森林火灾等室外火灾并没有,致使灭火人员处于危险中的技术问题。
Description
技术领域
本发明涉及消防安全数据处理技术领域,尤其涉及一种基于A-Star算法的森林火灾指示逃生路径方法及系统。
背景技术
在消防人员扑灭火时,由于森林环境的不确定与实际风向的变化,森林火灾的蔓延程度很多时候会超乎人民想象,阻断灭火人员后退路径,致使灭火人员处于极度的危险之中。
如中国知识产权局公开的申请号为201410471493.7,公开号为CN104239636A、发明名称为“一种火灾应急疏散模拟方法”的发明专利,该模拟方法是在建立真实火灾三维场景的基础上,以为火灾场景内多个体进行实时逃生导航为目标,围绕基于向量场的全局运动规划算法展开研究,首先算法实时计算出基于向量场的安全场,然后结合基于社会力模型的局部碰撞避免算法,构建火灾场景下的人群行为模型,最后依据此模型为为场景中每个逃生个体提供火灾逃生指导。但是该方法主要应用于室内,对于室外缺乏规划能力,并且该方法缺少火灾检测装置,只是依赖于数学模型,无法根据根据实际情况指定逃生路线。
如中国知识产权局公开的申请号为201310335585.8,公开号为CN103394171A、发明名称为“大型高层建筑室内火灾紧急疏散指示逃生方法及系统”的发明专利,该方法和系统基于具体火情而制定消防逃生路径,缩短了疏散时间;从根本上解决了发生火灾时消防疏散逃生通道的拥挤、低时效、混乱、易发生踩踏事件等现存问题,对提高大型高层建筑安全疏散性能,减少大型高层建筑火灾造成的财产损失和人员伤亡有较强的现实意义。但是该方法和系统的应用场所是室内,缺乏对室外火灾的逃生规划能力,并且其应用场所布置相关传感器,铺设复杂,其使用成本较高,不便于大规模使用。
发明内容
本发明实施例提供了一种基于A-Star算法的森林火灾指示逃生路径方法及系统,用于解决现有对火灾现场逃生路线规划的系统或方法主要是对室内,对于森林火灾等室外火灾并没有,致使灭火人员处于危险中的技术问题。
为了实现上述目的,本发明实施例提供如下技术方案:
一种基于A-Star算法的森林火灾指示逃生路径系统,包括以下步骤:
S1.通过图像采集设备对灭火人员灭火的目标区域进行图像采集,获得目标图像和灭火人员的地理位置;
S2.对所述目标图像进行处理,得到目标图像中火焰的面积增长率、火焰圆形度和火焰尖角宽度,将所述目标图像中火焰的面积增长率、火焰圆形度和火焰尖角宽度作为输入层输入BP神经网络模型识别所有目标图像是否发生火灾;
S3.根据所述BP神经网络模型识别所有目标图像是否发生火灾以及对应火灾的所述目标位置建立栅格化地图;
S4.根据所述地理位置在所述栅格化地图上采用A-Star算法计算规划,得到灭火人员的逃生路径。
优选地,还包括:所述BP神经网络模型的输出层输出的数值记为Q,若Q∈[0,0.85),则所述目标区域没有发生火灾,在所述栅格化地图上标记为0;若Q∈[0.85,1],则所述目标区域发生火灾,在所述栅格化地图上标记为1。
优选地,对所述目标图像处理的步骤具体包括:
对所述目标图像根据RGB颜色取值范围进行分割,得到分割图像并对所述分割图像进行筛选,得到目标分割图像;
根据所有的所述目标分割图像计算目标图像中火焰的面积增长率。
优选地,对所述目标图像处理的步骤还包括:
对所述目标图像根据火灾的干扰源提取特征,得到特征图像;
根据所述特征图像的面积和周长计算,得到所述目标区域的火焰圆形度。
优选地,对所述目标图像处理的步骤还包括:
对所述目标图像中火焰进行边缘检测,得到边缘图像;
沿着所述边缘图像中火焰边缘逐个火焰点进行扫描,得到每个火焰点的高度,若一个火焰点边缘连续50个火焰点的高度均小于该火焰点的高度,那么该火焰点记为尖角点;
将与所述尖角点相邻第25个火焰点的距离记为第一距离,以及与所述尖角点相邻第50个火焰点的距离记为第二距离,根据所述第一距离与所述第二距离计算所述尖角点的宽度,得到所述目标区域的火焰尖角宽度。
优选地,根据所述BP神经网络模型识别目标区域是否发生火灾,在所述栅格化地图上设置有火灾点和非火灾点;规划灭火人员的逃生路径具体包括:
S41.将所述灭火人员的地理位置作为A-Star算法的起点,并将起点放入封闭列表中;
S42.在所述栅格化地图中搜索所述起点相邻的非火灾点,得到至少一个相邻的非火灾点,根据估价函数计算点P与每个相邻的非火灾点之间的距离,得到距离数据以及由距离数据组成的距离数据集合;
S43.从所述距离数据集合中筛选出距离数据最小的非火灾点,并将该非火灾点作为起点,重复执行步骤S42和步骤S43,直至筛选出距离数据最小的非火灾点为目标点时,将所有筛选出的距离数据最小的非火灾点依次连接成为规划灭火人员的逃生路径;
其中,所述目标点为灭火人员逃生的安全点。
优选地,还包括:在步骤S42中,若在所述栅格化地图中搜索所述起点相邻的非火灾点过程中,搜索不到相邻的非火灾点,则规划灭火人员的逃生路径失败。
本发明还提供一种基于A-Star算法的森林火灾指示逃生路径系统,包括数据处理设备以及与所述数据处理设备连接的图像采集设备和显示设备;
所述图像采集设备,用于对目标区域进行图像采集并将采集的目标图像传送至所述数据处理设备;
所述数据处理设备,用于执行如权利要求1-7任意一项所述的基于A-Star算法的森林火灾指示逃生路径方法对所述目标图像进行处理,判断所述目标区域是否发生火灾和规划灭火人员的逃生路径,并将规划灭火人员的逃生路径传送至所述显示设备;
所述显示设备,用于显示栅格化地图并在所述栅格化地图上显示规划灭火人员的逃生路径。
优选地,所述数据处理设备上设置有接收器和发送器。
本发明还提供一种终端设备,包括处理器以及存储器:
所述存储器,用于存储程序代码,并将所述程序代码传输给所述处理器;
所述处理器,用于根据所述程序代码中的指令执行上述的基于A-Star算法的森林火灾指示逃生路径方法。
从以上技术方案可以看出,本发明实施例具有以下优点:
1.该基于A-Star算法的森林火灾指示逃生路径方法通过图像采集设备采集灭火人员灭火区域的目标图像,对目标图像进行处理得到图像中火焰的面积增长率、火焰圆形度和火焰尖角宽度三个数据,将三个数据输入BP神经网络模型识别与目标图像对应位置是否发生火灾,根据地理位置以及识别的目标图像结构建立栅格化地图,采用A-Star算法在栅格化地图上搜索灭火人员的逃生路径,该逃生路径作为灭火人员安全走出火灾现场的指示,保证灭火人员的安全,该方法适用于化工产业灭火、农业灭火、森林灭火等具有火情复杂、变化快速特点的场所,解决了现有对火灾现场逃生路线规划的系统或方法主要是对室内,对于森林火灾等室外火灾并没有,致使灭火人员处于危险中的技术问题。
2.该基于A-Star算法的森林火灾指示逃生路径系统通过图像采集设备采集灭火人员灭火区域的目标图像传送至数据处理设备中,数据处理设备对目标图像进行处理得到图像中火焰的面积增长率、火焰圆形度和火焰尖角宽度三个数据,将三个数据输入BP神经网络模型识别与目标图像对应位置是否发生火灾,根据地理位置以及识别的目标图像结构建立栅格化地图,采用A-Star算法在栅格化地图上搜索灭火人员的逃生路径并传送至显示设备,显示设备显示逃生路径为灭火人员安全走出火灾现场作出指示,保证灭火人员的安全,该系统适用于化工产业灭火、农业灭火、森林灭火等具有火情复杂、变化快速特点的场所,解决了现有对火灾现场逃生路线规划的系统或方法主要是对室内,对于森林火灾等室外火灾并没有,致使灭火人员处于危险中的技术问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其它的附图。
图1为本发明实施例所述的基于A-Star算法的森林火灾指示逃生路径方法的步骤流程图。
图2为本发明实施例中所述的基于A-Star算法的森林火灾指示逃生路径方法BP神经网络模型的示意图。
图3为本发明实施例中所述的基于A-Star算法的森林火灾指示逃生路径方法规划逃生路径的步骤流程图。
图4为本发明实施例中所述的基于A-Star算法的森林火灾指示逃生路径方法逃生路径的示意图。
图5为本发明实施例中所述的基于A-Star算法的森林火灾指示逃生路径方法A-Star算法的示意图。
图6为本发明实施例所述的基于A-Star算法的森林火灾指示逃生路径系统的框架图。
图7为本发明实施例所述的基于A-Star算法的森林火灾指示逃生路径系统无人机的结构示意图。
图8为本发明实施例所述的基于A-Star算法的森林火灾指示逃生路径系统显示设备的结构示意图。
具体实施方式
为使得本发明的发明目的、特征、优点能够更加的明显和易懂,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,下面所描述的实施例仅仅是本发明一部分实施例,而非全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
本申请实施例提供了一种基于A-Star算法的森林火灾指示逃生路径方法及系统,通过采用无人机的图像采集设备对灭火人员灭火的目标区域上空进行实时监测,获取火情蔓延的目标图像,并件目标图像发送至数据处理设备对灭火人员撤退路径实时规划,并将规划灭火人员的逃生路径发送至显示设备上,显示设备设置在灭火人员上,保证灭火人员的灭火安全,同时该方法和系统可应用于化工产业灭火、农业灭火等具有火情复杂、变化快速特点的生产场所,用于解决了现有对火灾现场逃生路线规划的系统或方法主要是对室内,对于森林火灾等室外火灾并没有,致使灭火人员处于危险中的技术问题。本在实施例中,该基于A-Star算法的森林火灾指示逃生路径方法及系统是以森林火灾作为案例进行说明。
实施例一:
图1为本发明实施例所述的基于A-Star算法的森林火灾指示逃生路径方法的步骤流程图。
如图1所示,本发明实施例提供了一种基于A-Star算法的森林火灾指示逃生路径方法,包括以下步骤:
S1.通过图像采集设备对灭火人员灭火的目标区域进行图像采集,获得目标图像和灭火人员的地理位置;
S2.对目标图像进行处理,得到目标图像中火焰的面积增长率、火焰圆形度和火焰尖角宽度,将目标图像中火焰的面积增长率、火焰圆形度和火焰尖角宽度作为输入层输入BP神经网络模型识别所有目标图像是否发生火灾;
S3.根据BP神经网络模型识别所有目标图像是否发生火灾以及对应火灾的目标位置建立栅格化地图;
S4.根据地理位置在栅格化地图上采用A-Star算法计算规划,得到灭火人员的逃生路径。
在本发明实施例的步骤S1中,主要是获取灭火人员灭森林火灾区域的目标图像以及灭火人员的地理位置。
需要说明的是,图像采集设备可以为摄像机,也可以为CMOS摄像头、相机、扫描仪、或带有拍照功能的设备(手机、平板电脑)等。目标区域是指灭火人员进行灭火的地区。在本实施例中,图像采集设备设置在无人机上,无人机飞行过程中图像采集设备采集灭火人员灭火区域的目标图像,无人机搭载图像采集设备飞于火灾上方时,能够拍摄储存图像信息,同时记录当前的图像拍摄时的位置信息。
在本发明实施例的步骤S2中,主要是对获取的目标图像进行处理,得到需要分析目标区域是否发生火灾数据,数据包含有目标图像中火焰的面积增长率、火焰圆形度和火焰尖角宽度;将面积增长率、火焰圆形度和火焰尖角宽度这三个数据作为BP神经网络模型输出层的参数输入,经过BP神经网络模型分析后输出一个数值,根据BP神经网络模型输出的数据判断目标区域是否发生火灾。其中,将BP神经网络模型输出层输出的数值记为Q,若Q∈[0,0.85),说明目标区域没有发生火灾;若Q∈[0.85,1],则目标区域发生火灾。
需要说明的是,BP神经网络模型是基于BP神经网络算法组成的模型,BP神经网络算法是一种按照误差逆向传播算法训练的多层前馈神经网络,其算法称为BP算法。
在本发明实施例的步骤S3中,主要将通过图像采集设备采集所有目标图像经过BP神经网络模型识别是否发生火灾以及与目标图像对应的位置建立栅格化地图,并在栅格化地图上标记发生火灾为1,没有发生火灾为0。
在本发明实施例中的步骤S4中,采用A-Star算法在栅格化地图上搜索灭火人员的逃生路径,该逃生路径作为灭火人员安全走出火灾现场的指示,保证灭火人员的安全。
本发明提供的一种基于A-Star算法的森林火灾指示逃生路径方法通过图像采集设备采集灭火人员灭火区域的目标图像,对目标图像进行处理得到图像中火焰的面积增长率、火焰圆形度和火焰尖角宽度三个数据,将三个数据输入BP神经网络模型识别与目标图像对应位置是否发生火灾,根据地理位置以及识别的目标图像结构建立栅格化地图,采用A-Star算法在栅格化地图上搜索灭火人员的逃生路径,该逃生路径作为灭火人员安全走出火灾现场的指示,保证灭火人员的安全,该方法适用于化工产业灭火、农业灭火、森林灭火等具有火情复杂、变化快速特点的场所,解决了现有对火灾现场逃生路线规划的系统或方法主要是对室内,对于森林火灾等室外火灾并没有,致使灭火人员处于危险中的技术问题。
在本发明的一个实施例中,对目标图像处理的步骤具体包括:
对目标图像根据RGB颜色取值范围进行分割,得到分割图像并对分割图像进行筛选,得到目标分割图像;
根据所有的目标分割图像计算目标图像中火焰的面积增长率。
需要说明的是,在对目标图像处理前,首先利用图像中火焰的颜色RGB各分量取值范围对目标图像进行分割,得到分割图像,对分割图像进行筛选,保留符合如下范围的颜色,主要是去除目标图像的背景信息和不必要的干扰的图像,提高该基于A-Star算法的森林火灾指示逃生路径方法识别发生火灾的准确率,筛选的范围为:
R>200,G<200,B<100
式中,R、G、B分别对应目标图像中红、绿、蓝三通道的颜色,R、G、B颜色变化的范围取值为0~255。
根据RGB颜色筛选的范围得到目标分割图像,并计算目标图像中火焰面积的增长率η的计算公式如下:
式中,St为t时刻目标分割图像的火灾区域面积,为t0时刻目标分割图像的火灾区域面积。
在本发明的一个实施例中,对目标图像处理的步骤还包括:
对目标图像根据火灾的干扰源提取特征,得到特征图像;
根据特征图像的面积和周长计算,得到目标区域的火焰圆形度。
需要说明的是,火灾发生时,火灾的形状呈现不规则特性,然而大部分干扰源的形状是具有规则的特性,所以选择圆形度作为火灾特征之一。对于目标区域的火焰圆形度的计算公式为:
式中,C为火焰圆形度,S为去除目标图像的背景信息和不必要的干扰计算得到的特征图像的面积,P为特征图像区域的周长。
在本发明的一个实施例中,对目标图像处理的步骤还包括:
对目标图像中火焰进行边缘检测,得到边缘图像;
沿着边缘图像中火焰边缘逐个火焰点进行扫描,得到每个火焰点的高度,若一个火焰点边缘连续50个火焰点的高度均小于该火焰点的高度,那么该火焰点记为尖角点;
将与尖角点相邻第25个火焰点的距离记为第一距离,以及与尖角点相邻第50个火焰点的距离记为第二距离,根据第一距离与第二距离计算尖角点的宽度,得到目标区域的火焰尖角宽度。
需要说明的是,在森林发生火灾时,火灾火焰产生边缘抖动,使得其成像出现不规则的边界出现了很多凹凸不平的尖角点,在获取目标图像后,首先对目标图像中的火焰进行边缘检测,得到火焰的边缘图像,并沿着火焰的边缘逐个火焰点进行扫描,如果一个火焰点的左右连续的50个火焰点的高度都小于该火焰点,则该火焰点被认为疑似的尖角点,并记录该火焰点,要确定该疑似从火焰点的尖角点,要满足一定的宽度和高度条件,尖角的宽度公式如下:
式中:l为尖角点的宽度,l1为与所述尖角点相邻第25个火焰点的距离,l2为与所述尖角点相邻第50个火焰点的距离。
图2为本发明实施例中所述的基于A-Star算法的森林火灾指示逃生路径方法BP神经网络模型的示意图。
在本发明的实施例中,有上述可知,得到目标区域火焰的面积增长率η、火焰圆形度C和火焰尖角宽度l这三个数据,根据这三个数据输入BP神经网络模型中分析输出一个数值去判断目标区域是否发生火灾。其中,如图2所示,BP神经网络由输入层、隐藏层和输出层这三层组成,图中表示输入层xj第个j节点的输入,j=1,...,M;(其中x1=η,x2=C,x3=l),M的数值为3。wij表示隐含层第i个节点到输入层第j个节点之间的权值;θi表示隐含层第i个节点的阈值;φ(x)表示隐含层的激励函数,这里为Sigmoid函数,φ=1/(1+e-x);wki表示输出层第k个节点到隐含层第i个节点之间的权值,i=1,…,q;ak表示输出层第k个节点的阈值,k=1,…,L;ψ(x)表示输出层的激励函数;Ok表示输出层第k个节点的输出。
需要说明的是,其中根据误差梯度下降法依次修正输出层权值的修正量Δwki,输出层阈值的修正量Δak,隐含层权值的修正量Δwij,隐含层阈值的修正量Δθi,得到如下公式:
隐含层第i个节点的输入neti:
输出层第k个节点的输入netk:
输出层权值调整公式:
输出层阈值调整公式:
隐含层权值调整公式:
隐含层阈值调整公式:
获得输出层第k个节点的输出:
最终在输出层,当输出的数值Ok∈[0,0.85)时,则判断目标区域正常,未发生火灾;当输出的数值Ok∈[0.85,1]时,则判断目标区域发生火灾。在本发明实施例中,该基于A-Star算法的森林火灾指示逃生路径方法利用BP神经网络模型对所获得的五个数据进行融合分析,避免了识别过程中数据的干扰,从而提高基于A-Star算法的森林火灾指示逃生路径方法识别火灾的准确性。
需要说明的是,BP神经网络模型的输入有图像输入和特征输入,由于图像作为输入需要大量的训练图像。在本实施例中选取火焰的面积增长率、火焰圆形度、火焰尖角宽度三个特征数作为BP神经网络模型输入层的输入信号;在BP神经网络模型的输出层,根据输出的结果对区域标记“着火/火灾(标记为1)”和“非着火/没有火灾(标记为0)”作为输出层的两个输出信号。
图3为本发明实施例中所述的基于A-Star算法的森林火灾指示逃生路径方法规划逃生路径的步骤流程图,图4为本发明实施例中所述的基于A-Star算法的森林火灾指示逃生路径方法逃生路径的示意图。
如图3和图4所示,在本发明的一个实施例中,根据BP神经网络模型识别目标区域是否发生火灾,在栅格化地图上设置有火灾点和非火灾点;规划灭火人员的逃生路径具体包括:
S41.将灭火人员的地理位置作为A-Star算法的起点,并将起点放入封闭列表中;
S42.在栅格化地图中搜索起点相邻的非火灾点,得到至少一个相邻的非火灾点,根据估价函数计算点P与每个相邻的非火灾点之间的距离,得到距离数据以及由距离数据组成的距离数据集合;
S43.从距离数据集合中筛选出距离数据最小的非火灾点,并将该非火灾点作为起点,重复执行步骤S42和步骤S43,直至筛选出距离数据最小的非火灾点为目标点时,将所有筛选出的距离数据最小的非火灾点依次连接成为规划灭火人员的逃生路径;
其中,目标点为灭火人员逃生的安全点。
需要说明的是,目标点是灭火人员在对森林火灾灭火之前已经设定的安全点,例如在灭火之前把消防车停在安全的位置,这一个位置就是灭火人员最后要到达的安全灭火点,即目标点。
在本发明实施例中,还包括:在步骤S42中,若在栅格化地图中搜索起点相邻的非火灾点过程中,搜索不到相邻的非火灾点,则规划灭火人员的逃生路径失败。其中,火灾点表示灭火人员不能安全通过火灾区域,非火灾点能够安全通过火灾区域。
图5为本发明实施例中所述的基于A-Star算法的森林火灾指示逃生路径方法A-Star算法的示意图。
需要说明的是,如图5所示,将灭火人员所在地理位置点记录为当前点P,将当前点P放入封闭列表并将当前点P记为起点,在栅格化地图中搜寻点P周围可以到达的非火灾点(即在BP神经网络模型识别的标记为0的点),假如某邻近点既没有在开放列表或封闭列表里面,则采用估价函数计算出该邻近点的F值,并设父节点n,然后将父节点n放入开放列表(F值是一个估计值,用F(n)=G(n)+H(n)表示估价函数表示,F值代表起点与目标点的距离。其中G(n)表示由起点到父节点n的预估消耗,即起点与相邻的非火灾点的距离;H(n)表示父节点n到目标点估计消耗,即相邻的非火灾点与目标点的距离,这里H(n)使用的是曼哈顿距离,只允许上下左右移动。故F(n)就表示由起点经过父节点n到达目标点的总消耗。判断栅格化地图中的开放列表是否已经没有非火灾点了,如果没有说明在达到目标点前已经找完了所有可能的路径点,寻找逃生路径失败,结束A-Star算法的搜索;否则继续。从开放列表拿出一个F值最小的点,作为寻路路径的下一步。在通过A-Star算法在栅格化地图中搜索过程中,判断筛选出距离数据最小的非火灾点是否是目标点,如果是,则逃生路径的规划完成,结束A-Star算法的搜索,得到灭火人员的逃生路径;否则继续。
如图5所示,首先将搜索栅格化地图区域划分为4*6的方格区域,其中障碍物为1*1的方格区域,起点(即灭火人员的位置)的位置坐标为(2,2),终点(安全位置)的位置坐标为(3,5),障碍物存在于(1,1)、(2,4)、(4,1)。起始点所在网格相邻的点,由于是只计算曼哈顿距离,故只能进行上下左右移动,因此只能判断下图中的A,C,D,F四个点的位置。移动一个格子所代表的距离为1,因此A点的G(n)=1,H(n)=5,F(n)=6;C点的G(n)=1,H(n)=5,F(n)=6;D点的G(n)=1,H(n)=3,F(n)=4;F点的G(n)=1,H(n)=3,F(n)=4;由对比可得,将F(n)较大的A、C放入关闭列表中,考虑将D、F点作为下一步的移动点。由于D、F两点的F(n)相同,因此可以任意选择一点作为移动的方向,将选择的点放入开启列表中进行移动,将开始点放入关闭列表中,并再次进行判断新的移动点。而对于图4中的障碍物点,则将其放入关闭列表中不予以考虑,通过多次重复迭代即可最终找到新的移动点,此时就可以获得寻路路径,即灭火人员的逃生路径。
实施例二:
图6为本发明实施例所述的基于A-Star算法的森林火灾指示逃生路径系统的框架图,图7为本发明实施例所述的基于A-Star算法的森林火灾指示逃生路径系统无人机的结构示意图,图8为本发明实施例所述的基于A-Star算法的森林火灾指示逃生路径系统显示设备的结构示意图。
如图6所示,本发明实施例提供了一种基于A-Star算法的森林火灾指示逃生路径系统,包括数据处理设备10以及与数据处理设备10连接的图像采集设备20和显示设备30;
图像采集设备20,用于对目标区域进行图像采集并将采集的目标图像传送至数据处理设备10;
数据处理设备10,用于执行上述的基于A-Star算法的森林火灾指示逃生路径方法对目标图像进行处理,判断目标区域是否发生火灾和规划灭火人员的逃生路径,并将规划灭火人员的逃生路径传送至显示设备30;
显示设备30,用于显示栅格化地图并在栅格化地图上显示规划灭火人员的逃生路径。
在本发明实施例中,数据处理设备10可以为计算机,也可以为服务器等具有数据处理、分析的设备、装置或模块。图像采集设备20设置在无人机上,在本实施例中,图像采集设备20选先选为COMS摄像头,如图7所示。显示设备30设置在灭火人员上,显示设备30可以为具有显示界面的手表,佩戴在灭火人员上,如图8所示。
需要说明的是,数据处理设备10对图像采集设备20采集的数据进行处理已在实施例一的方法详细阐述了,在此实施例二中不再一一阐述。基于A-Star算法的森林火灾指示逃生路径系统在无人机上的摄像头能够在飞机飞行时,实时检测下方的目标区域的火灾情况,利用视觉识别与BP神经网络模型判断这一个目标区域是否发生火灾,并该目标区域地点的位置信息,实时将“是否火灾的栅格化地图”反馈至数据处理设备10中。灭火人员所佩戴的显示设备30,能够实时将灭火人员的位置信息发送至数据处理设备10。数据处理设备10根据此时灭火人员的位置信息,当前的区域火灾情况的栅格化信息,与最终灭火人员所要到达的安全地点,利用A-Star算法计算出灭火人员的安全逃生路线,并将逃生路线实时反馈至灭火人员的显示设备30上,给予灭火人员路线指示,保障灭火人员的安全。
在本发明实施例中,数据处理设备10上设置有接收器和发送器,对应于图像采集设备20上设置有发送器以及显示设备上设置有接收器和发送器。
需要说明的是,发送器优先选为2.4G信号发送器,接收器可以为GPS接收器、2.4G信号接收器,发送器和接收器均也可以为其他具有通讯功能的通信设备。在本实施例中,数据处理设备10、图像采集设备20和显示设备30它们之间的传输是采用无线通讯的方式,保证通讯的便利性。
本发明提供的一种基于A-Star算法的森林火灾指示逃生路径系统通过图像采集设备采集灭火人员灭火区域的目标图像传送至数据处理设备中,数据处理设备对目标图像进行处理得到图像中火焰的面积增长率、火焰圆形度和火焰尖角宽度三个数据,将三个数据输入BP神经网络模型识别与目标图像对应位置是否发生火灾,根据地理位置以及识别的目标图像结构建立栅格化地图,采用A-Star算法在栅格化地图上搜索灭火人员的逃生路径并传送至显示设备,显示设备显示逃生路径为灭火人员安全走出火灾现场作出指示,保证灭火人员的安全,该系统适用于化工产业灭火、农业灭火、森林灭火等具有火情复杂、变化快速特点的场所,解决了现有对火灾现场逃生路线规划的系统或方法主要是对室内,对于森林火灾等室外火灾并没有,致使灭火人员处于危险中的技术问题。
需要说明的是,该基于A-Star算法的森林火灾指示逃生路径系统通过图像采集设备20能够实时监控火灾蔓延情况,让数据处理设备10实时规划路径,受环境影响较小,对灭火人员安全撤离的路径进行实时规划,保证灭火的安全性。该基于A-Star算法的森林火灾指示逃生路径系统能够应用于室外环境,无需提前铺设相关设备,极大减低成本与提高系统的可移植性。该基于A-Star算法的森林火灾指示逃生路径系统采用在无人机上挂载图像采集设备20能够及时应用于各种突发火灾场所,使得该基于A-Star算法的森林火灾指示逃生路径系统适用性广。
实施例三:
本发明实施例还提供一种终端设备,其特征在于,包括处理器以及存储器:
存储器,用于存储程序代码,并将程序代码传输给处理器;
处理器,用于根据程序代码中的指令执行上述的基于A-Star算法的森林火灾指示逃生路径方法。
示例性的,计算机程序可以被分割成一个或多个模块/单元,一个或者多个模块/单元被存储在存储器中,并由处理器执行,以完成本申请。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述计算机程序在设备中的执行过程。
设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。设备可包括,但不仅限于,处理器、存储器。本领域技术人员可以理解,并不构成对设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable GateArray,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器可以是计算机设备的内部存储单元,例如计算机设备的硬盘或内存。存储器也可以是计算机设备的外部存储设备,例如计算机设备上配备的插接式硬盘,智能存储卡(SmartMedia Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,存储器还可以既包括计算机设备的内部存储单元也包括外部存储设备。存储器用于存储计算机程序以及计算机设备所需的其他程序和数据。存储器还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、方法和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统和方法,可以通过其它的方式实现。例如,以上所描述的系统实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,系统或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (7)
1.一种基于A-Star算法的森林火灾指示逃生路径方法,其特征在于,包括以下步骤:
S1.通过图像采集设备对灭火人员灭火的目标区域进行图像采集,获得目标图像和灭火人员的地理位置;
S2.对所述目标图像进行处理,得到目标图像中火焰的面积增长率、火焰圆形度和火焰尖角宽度,将所述目标图像中火焰的面积增长率、火焰圆形度和火焰尖角宽度作为输入层输入BP神经网络模型识别所有目标图像是否发生火灾;
S3.根据所述BP神经网络模型识别所有目标图像是否发生火灾以及对应火灾的目标位置建立栅格化地图;
S4.根据所述地理位置在所述栅格化地图上采用A-Star算法计算规划,得到灭火人员的逃生路径;
对所述目标图像处理的步骤还包括:
对所述目标图像中火焰进行边缘检测,得到边缘图像;
沿着所述边缘图像中火焰边缘逐个火焰点进行扫描,得到每个火焰点的高度,若一个火焰点边缘连续50个火焰点的高度均小于该火焰点的高度,那么该火焰点记为尖角点;
将与所述尖角点相邻第25个火焰点的距离记为第一距离,以及与所述尖角点相邻第50个火焰点的距离记为第二距离,根据所述第一距离与所述第二距离计算所述尖角点的宽度,得到所述目标区域的火焰尖角宽度;
其中,计算尖角点的宽度公式为:
式中:l为尖角点的宽度,l1为与所述尖角点相邻第25个火焰点的距离,l2为与所述尖角点相邻第50个火焰点的距离;
所述BP神经网络模型的输出层输出的数值记为Q,若Q∈[0,0.85),则所述目标区域没有发生火灾,在所述栅格化地图上标记为0;若Q∈[0.85,1],则所述目标区域发生火灾,在所述栅格化地图上标记为1;
根据所述BP神经网络模型识别目标区域是否发生火灾,在所述栅格化地图上设置有火灾点和非火灾点;规划灭火人员的逃生路径具体包括:
S41.将所述灭火人员的地理位置作为A-Star算法的起点,并将起点放入封闭列表中;
S42.在所述栅格化地图中搜索所述起点相邻的非火灾点,得到至少一个相邻的非火灾点,根据估价函数计算点P与每个相邻的非火灾点之间的距离,得到距离数据以及由距离数据组成的距离数据集合;
S43.从所述距离数据集合中筛选出距离数据最小的非火灾点,并将该非火灾点作为起点,重复执行步骤S42和步骤S43,直至筛选出距离数据最小的非火灾点为目标点时,将所有筛选出的距离数据最小的非火灾点依次连接成为规划灭火人员的逃生路径;
其中,所述目标点为灭火人员逃生的安全点。
2.根据权利要求1所述的基于A-Star算法的森林火灾指示逃生路径方法,其特征在于,对所述目标图像处理的步骤具体包括:
对所述目标图像根据RGB颜色取值范围进行分割,得到分割图像并对所述分割图像进行筛选,得到目标分割图像;
根据所有的所述目标分割图像计算目标图像中火焰的面积增长率。
3.根据权利要求1所述的基于A-Star算法的森林火灾指示逃生路径方法,其特征在于,对所述目标图像处理的步骤还包括:
对所述目标图像根据火灾的干扰源提取特征,得到特征图像;
根据所述特征图像的面积和周长计算,得到所述目标区域的火焰圆形度。
4.根据权利要求1所述的基于A-Star算法的森林火灾指示逃生路径方法,其特征在于,还包括:在步骤S42中,若在所述栅格化地图中搜索所述起点相邻的非火灾点过程中,搜索不到相邻的非火灾点,则规划灭火人员的逃生路径失败。
5.一种基于A-Star算法的森林火灾指示逃生路径系统,其特征在于,包括数据处理设备以及与所述数据处理设备连接的图像采集设备和显示设备;
所述图像采集设备,用于对目标区域进行图像采集并将采集的目标图像传送至所述数据处理设备;
所述数据处理设备,用于执行如权利要求1-4任意一项所述的基于A-Star算法的森林火灾指示逃生路径方法对所述目标图像进行处理,判断所述目标区域是否发生火灾和规划灭火人员的逃生路径,并将规划灭火人员的逃生路径传送至所述显示设备;
所述显示设备,用于显示栅格化地图并在所述栅格化地图上显示规划灭火人员的逃生路径。
6.根据权利要求5所述的基于A-Star算法的森林火灾指示逃生路径系统,其特征在于,所述数据处理设备上设置有接收器和发送器。
7.一种终端设备,其特征在于,包括处理器以及存储器:
所述存储器,用于存储程序代码,并将所述程序代码传输给所述处理器;
所述处理器,用于根据所述程序代码中的指令执行如权利要求1-4任意一项所述的基于A-Star算法的森林火灾指示逃生路径方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010621806.8A CN111639825B (zh) | 2020-07-01 | 2020-07-01 | 基于A-Star算法的森林火灾指示逃生路径方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010621806.8A CN111639825B (zh) | 2020-07-01 | 2020-07-01 | 基于A-Star算法的森林火灾指示逃生路径方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111639825A CN111639825A (zh) | 2020-09-08 |
CN111639825B true CN111639825B (zh) | 2024-02-23 |
Family
ID=72331807
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010621806.8A Active CN111639825B (zh) | 2020-07-01 | 2020-07-01 | 基于A-Star算法的森林火灾指示逃生路径方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111639825B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112327939B (zh) * | 2020-10-15 | 2024-04-12 | 广东工业大学 | 一种城市街区环境下高层消防多无人机协同路径规划方法 |
CN112254733B (zh) * | 2020-10-21 | 2023-03-24 | 中国人民解放军战略支援部队信息工程大学 | 基于扩展a*算法的火灾逃生路径规划方法及系统 |
CN112327914B (zh) * | 2020-10-30 | 2023-08-22 | 广东工业大学 | 一种高层消防多无人机室内协同路径规划方法及系统 |
CN113593172B (zh) * | 2021-07-27 | 2023-01-31 | 中船重工远舟(北京)科技有限公司 | 一种船舶火灾监控方法、装置及介质 |
CN114625170B (zh) * | 2022-03-24 | 2023-05-12 | 中国民用航空飞行学院 | 一种山区火灾直升机救援飞行路径动态规划方法 |
CN114821320B (zh) * | 2022-04-27 | 2024-07-26 | 福州大学 | 通过林火迹地边界反向推演火源位置的方法 |
CN116086458A (zh) * | 2023-01-03 | 2023-05-09 | 北京辰安科技股份有限公司 | 路径规划方法、装置和电子设备 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103324910A (zh) * | 2013-05-06 | 2013-09-25 | 南京新奕天智能视频技术有限公司 | 一种基于视频检测的火灾报警方法 |
CN104606836A (zh) * | 2014-12-29 | 2015-05-13 | 中国人民解放军信息工程大学 | 火灾救援系统以及信息处理方法 |
CN105336085A (zh) * | 2015-09-02 | 2016-02-17 | 华南师范大学 | 一种基于图像处理技术的远程大空间火灾监测报警方法 |
CN105788142A (zh) * | 2016-05-11 | 2016-07-20 | 中国计量大学 | 一种基于视频图像处理的火灾检测系统及检测方法 |
KR20160116987A (ko) * | 2015-03-31 | 2016-10-10 | (주)이공감 | 화재 시뮬레이션 장치 및 그 동작방법 |
CN107301653A (zh) * | 2017-05-18 | 2017-10-27 | 常州市武进区半导体照明应用技术研究院 | 基于bp神经网络的视频图像火灾火焰检测方法 |
CN107680302A (zh) * | 2017-08-30 | 2018-02-09 | 石化盈科信息技术有限责任公司 | 一种火灾逃生路线的确定方法 |
CN108416963A (zh) * | 2018-05-04 | 2018-08-17 | 湖北民族学院 | 基于深度学习的森林火灾预警方法及系统 |
KR101992995B1 (ko) * | 2018-11-27 | 2019-06-26 | 오픈스택 주식회사 | Tv 기반 비상 대피 방송 방법 |
CN110047241A (zh) * | 2019-04-27 | 2019-07-23 | 刘秀萍 | 一种森林火灾无人机巡航监控系统 |
-
2020
- 2020-07-01 CN CN202010621806.8A patent/CN111639825B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103324910A (zh) * | 2013-05-06 | 2013-09-25 | 南京新奕天智能视频技术有限公司 | 一种基于视频检测的火灾报警方法 |
CN104606836A (zh) * | 2014-12-29 | 2015-05-13 | 中国人民解放军信息工程大学 | 火灾救援系统以及信息处理方法 |
KR20160116987A (ko) * | 2015-03-31 | 2016-10-10 | (주)이공감 | 화재 시뮬레이션 장치 및 그 동작방법 |
CN105336085A (zh) * | 2015-09-02 | 2016-02-17 | 华南师范大学 | 一种基于图像处理技术的远程大空间火灾监测报警方法 |
CN105788142A (zh) * | 2016-05-11 | 2016-07-20 | 中国计量大学 | 一种基于视频图像处理的火灾检测系统及检测方法 |
CN107301653A (zh) * | 2017-05-18 | 2017-10-27 | 常州市武进区半导体照明应用技术研究院 | 基于bp神经网络的视频图像火灾火焰检测方法 |
CN107680302A (zh) * | 2017-08-30 | 2018-02-09 | 石化盈科信息技术有限责任公司 | 一种火灾逃生路线的确定方法 |
CN108416963A (zh) * | 2018-05-04 | 2018-08-17 | 湖北民族学院 | 基于深度学习的森林火灾预警方法及系统 |
KR101992995B1 (ko) * | 2018-11-27 | 2019-06-26 | 오픈스택 주식회사 | Tv 기반 비상 대피 방송 방법 |
CN110047241A (zh) * | 2019-04-27 | 2019-07-23 | 刘秀萍 | 一种森林火灾无人机巡航监控系统 |
Non-Patent Citations (2)
Title |
---|
基于BP 神经网络视频火灾火焰检测方法;段锁林等;《常州大学学报(自然科学版)》;20170328;第65-70页 * |
无人机森林防火系统的火灾图像识别仿真;赵伟等;《计算机仿真》;20180915;第35卷(第09期);第459-464页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111639825A (zh) | 2020-09-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111639825B (zh) | 基于A-Star算法的森林火灾指示逃生路径方法及系统 | |
Yuan et al. | Fire detection using infrared images for UAV-based forest fire surveillance | |
Yuan et al. | Vision-based forest fire detection in aerial images for firefighting using UAVs | |
Zhan et al. | A high-precision forest fire smoke detection approach based on ARGNet | |
US9147284B2 (en) | System and method for generating a computer model to display a position of a person | |
Dhall et al. | A survey on systematic approaches in managing forest fires | |
US20200035030A1 (en) | Augmented/virtual mapping system | |
CN108765872B (zh) | 一种受困对象环境参数的推测方法、系统和智能穿戴设备 | |
CN111686392A (zh) | 一种全视场火情探测人工智能灭火系统 | |
US20230218168A1 (en) | Intelligent system for search and rescue in special environment such as disaster | |
CN114419835A (zh) | 一种基于数字孪生技术的历史建筑火灾监测方法及系统 | |
CN117636169B (zh) | 一种森林巡护方法及系统 | |
Sanchez-Fernandez et al. | VPP: visibility-based path planning heuristic for monitoring large regions of complex terrain using a UAV onboard camera | |
CN111564017B (zh) | 一种森林火灾智能预警装置 | |
CN113688921A (zh) | 一种基于图卷积网络与目标检测的动火作业识别方法 | |
Surmann et al. | Deployment of Aerial Robots after a major fire of an industrial hall with hazardous substances, a report | |
Niedzielski et al. | The nested k‐means method: A new approach for detecting lost persons in aerial images acquired by unmanned aerial vehicles | |
CN114418932A (zh) | 一种基于数字孪生技术的历史建筑修复方法及系统 | |
Yadav | Deep learning based fire recognition for wildfire drone automation | |
Chen et al. | An efficient approach to monitoring pine wilt disease severity based on random sampling plots and UAV imagery | |
CN112927459A (zh) | 一种基于无人机视觉的九宫格火势预测方法及应用 | |
KR101575834B1 (ko) | 태양 흑점군 추적 장치 및 그 방법 | |
hua Yu et al. | Fire Area Detection based on Convolutional Neural Network and Improved A* Path Planning | |
Fujita et al. | Collapsed Building Detection Using Multiple Object Tracking from Aerial Videos and Analysis of Effective Filming Techniques of Drones | |
Fujital et al. | Check for updates |
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 |