CN111815664B - 一种火点检测方法和系统 - Google Patents

一种火点检测方法和系统 Download PDF

Info

Publication number
CN111815664B
CN111815664B CN202010649722.5A CN202010649722A CN111815664B CN 111815664 B CN111815664 B CN 111815664B CN 202010649722 A CN202010649722 A CN 202010649722A CN 111815664 B CN111815664 B CN 111815664B
Authority
CN
China
Prior art keywords
satellite
value
temperature difference
fire
channel
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
Application number
CN202010649722.5A
Other languages
English (en)
Other versions
CN111815664A (zh
Inventor
方明
黄修乾
文刚
翟兵
金晶
黄然
赵加能
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Electric Power Research Institute of Yunnan Power Grid Co Ltd
Original Assignee
Electric Power Research Institute of Yunnan Power Grid Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Electric Power Research Institute of Yunnan Power Grid Co Ltd filed Critical Electric Power Research Institute of Yunnan Power Grid Co Ltd
Priority to CN202010649722.5A priority Critical patent/CN111815664B/zh
Publication of CN111815664A publication Critical patent/CN111815664A/zh
Application granted granted Critical
Publication of CN111815664B publication Critical patent/CN111815664B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • 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
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20228—Disparity calculation for image-based rendering

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Radiation Pyrometers (AREA)
  • Fire-Detection Mechanisms (AREA)

Abstract

本申请公开了一种火点检测方法和系统，该方法包括：获取Himawari‑8卫星数据，卫星数据包括卫星第7通道实时亮温差值和卫星第11通道实时亮温差值；获取第7通道实时亮温差值对应的卫星图像，设为差值卫星图像，对差值卫星图像进行区域分割，得到分割后的图像；基于最大类间方差法对分割后的图像求取最佳分割阈值；基于最佳分割阈值对差值卫星图像进行检测，得到待识别火点；基于预设的SVM预测模型对卫星第11通道实时亮温差值进行预测，得到火点预测值；基于火点预测值对待识别火点进行筛选，得到准确火点。本申请可以准确地对火点进行检测。

Description

一种火点检测方法和系统
技术领域
本申请涉及火灾监测领域，尤其涉及一种火点检测方法和系统。
背景技术
森林火灾是一种很严重的自然灾害，会对国家的财产安全造成重大威胁，因此对林火进行实时监测、定位是防治火灾的重要环节。现阶段各个国家广泛使用卫星进行火点检测，火点检测方法主要是利用火灾发生时地表辐射能巨大的变化实现火点检测，因此可以较为准确实现对火灾的监控。
现有的火点检测方法一般采用固定阈值法，其根据在中红外、热红外以及中红外与热红外波段差异在火点发生前后会出现不同的变化，利用高温火点的波段变化以及以往的经验值来定义阈值条件从而识别火点。
然而本申请的发明人发现，现有技术对阈值的选取是利用经验值进行选取。这种靠经验人工选取阈值的方法为了得到较为理想的结果需要进行不断的重复性实验，效率较低；并且对于不同地点，不同图像的最优阈值也不相同，阈值的迁移性较差，导致阈值选取不准确，对火点的识别精度不高。因此现有技术存在无法准确检测到火点的缺点。
发明内容
本申请提供了一种火点检测方法和系统，以解决现有技术无法准确检测到火点的问题。
为了解决上述技术问题，本申请实施例公开了如下技术方案：
第一方面，本申请提供了一种火点检测方法，该方法包括：
获取Himawari-8卫星数据，所述卫星数据包括卫星第7通道实时亮温差值和卫星第11通道实时亮温差值；
获取所述第7通道实时亮温差值对应的卫星图像，设为差值卫星图像，对所述差值卫星图像进行区域分割，得到分割后的图像；
基于最大类间方差法对所述分割后的图像求取最佳分割阈值；
基于所述最佳分割阈值对所述差值卫星图像进行检测，得到待识别火点；
基于预设的SVM预测模型对所述卫星第11通道实时亮温差值进行预测，得到火点预测值；
基于所述火点预测值对所述待识别火点进行筛选，得到准确火点。
可选的，所述卫星第7通道实时亮温差值的获取方法包括：
ΔT7＝T7(t2)-T7(t1)
其中：
T7(t1)表示Himawari-8卫星第7通道在预设周期的上一时刻的亮温值；
T7(t2)表示Himawari-8卫星第7通道的实时亮温值；
所述卫星第11通道实时亮温差值的获取方法包括：
ΔT11＝T11(t2)-T11(t1)
T11(t1)表示Himawari-8卫星第11通道在预设周期的上一时刻的亮温值；
T11(t2)表示Himawari-8卫星第11通道的实时亮温值。
可选的，所述对所述差值卫星图像进行区域分割，包括：
获取所述差值卫星图像中的所有像元的亮温差值最小值和亮温差值最大值；
计算所述差值卫星图像中的像元数量：
其中：
k为第7通道实时亮温差值；
li为差值卫星图像中的亮温差值最小值；
Li为差值卫星图像中的亮温差值最大值；
nk为亮温差值为k的像元数量；
以实时亮温差值为区域阈值将所述差值卫星图像划分为两个区域。
可选的，所述基于最大类间方差法对所述分割后的图像求取最佳分割阈值，包括：
分别获取两个区域的平均亮温差值，根据两个区域的平均亮温差值计算区域方差；
从所述亮温差值最小值到所述亮温差值最大值的区间范围内依次取值作为新的区域阈值，并计算每个阈值下的区域方差，取最大的区域方差对应的阈值作为最佳分割阈值。
可选的，所述区域方差的计算方法包括：
其中：
i为区间阈值；
A为亮温差值为li～i的区域，B为亮温差值为i～Li的区域；
uA为区域A的平均亮温差值,uB为区域B的平均亮温差值；
u为差值卫星图像的平均亮温差值。
可选的，所述基于所述最佳分割阈值对所述差值卫星图像进行检测，包括：
获取所述差值卫星图像的所有像元；
判断每个像元的实时亮温差值是否满足以下条件：亮温差值大于所述最佳分割阈值；若满足条件，则为一个待识别火点。
可选的，所述预设的SVM预测模型的构建方法包括：
获取Himawari-8卫星第11通道预设周期内的历史非火点数据，所述历史非火点数据包括：历史非火点像元时间和历史非火点亮温差值；
以所述历史非火点像元时间作为特征变量，以所述历史非火点亮温差值作为标签构建SVM回归模型；
计算模型在测试集上的RMSE值，选择RMSE值最小的SVM回归模型作为预设的SVM预测模型。
可选的，所述基于所述火点预测值对所述待识别火点进行筛选，包括：
判断所述待识别火点是否满足以下条件：所述卫星第11通道实时亮温差值小于所述火点预测值；若满足，则为一个伪火点；
将所有的伪火点从所述待识别火点中剔除，得到准确火点。
第二方面，本申请提供了一种火点检测系统，所述系统包括：
数据模块，用于获取Himawari-8卫星数据，所述卫星数据包括卫星第7通道实时亮温差值和卫星第11通道实时亮温差值；
图像模块，用于获取所述第7通道实时亮温差值对应的卫星图像，设为差值卫星图像，对所述差值卫星图像进行区域分割，得到分割后的图像；
阈值求取模块，用于基于最大类间方差法对所述分割后的图像求取最佳分割阈值；
图像检测模块，用于基于所述最佳分割阈值对所述差值卫星图像进行检测，得到待识别火点；
预测模块，用于基于预设的SVM预测模型对所述卫星第11通道实时亮温差值进行预测，得到火点预测值；
火点筛选模块，用于基于所述火点预测值对所述待识别火点进行筛选，得到准确火点。
与现有技术相比，本申请的有益效果为：
本申请提供了一种火点检测方法和系统，包括：获取Himawari-8卫星数据，卫星数据包括卫星第7通道实时亮温差值和卫星第11通道实时亮温差值；获取第7通道实时亮温差值对应的卫星图像，设为差值卫星图像，对差值卫星图像进行区域分割，得到分割后的图像；基于最大类间方差法对分割后的图像求取最佳分割阈值；基于最佳分割阈值对差值卫星图像进行检测，得到待识别火点；基于预设的SVM预测模型对卫星第11通道实时亮温差值进行预测，得到火点预测值；基于火点预测值对待识别火点进行筛选，得到准确火点。本申请考虑到Himawari-8第7通道受热比第11通道更敏感以及第11通道在火点发生前后不会产生太大变化的特点，采用最大类间方差法确定卫星遥感影像的最佳分割阈值，并利用SVM预测模型剔除掉伪火点，得到准确的火点。因此本申请可以准确的对火点进行检测。
附图说明
为了更清楚地说明本申请的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，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他的附图。
图1为本申请实施例提供的火点检测方法的整体流程示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请中的技术方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部实施例。基于本申请中的实施例，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他实施例，都应当属于本申请保护的范围。
参见图1，为本申请实施例提供的火点检测方法的整体流程示意图，该方法包括以下步骤：
S1、获取Himawari-8卫星数据，上述卫星数据包括卫星第7通道实时亮温差值和卫星第11通道实时亮温差值；
S2、获取上述第7通道实时亮温差值对应的卫星图像，设为差值卫星图像，对上述差值卫星图像进行区域分割，得到分割后的图像；
S3、基于最大类间方差法对上述分割后的图像求取最佳分割阈值；
S4、基于上述最佳分割阈值对上述差值卫星图像进行检测，得到待识别火点；
S5、基于预设的SVM预测模型对上述卫星第11通道实时亮温差值进行预测，得到火点预测值；
S6、基于上述火点预测值对所述待识别火点进行筛选，得到准确火点。
下面对各个步骤进行详细说明。
在步骤S1中，获取Himawari-8卫星数据。
具体的，Himawari-8是日本于2014年发射的新一代气象卫星，也称之为“静止气象卫星”，其具有高空间分辨率、高时间分辨率和高时效的特点。
本申请实施例获取Himawari-8卫星的一系列数据，包括卫星第7通道的实时亮温值和卫星第11通道的实时亮温值。
进一步的，通过实时亮温值得到卫星第7通道实时亮温差值和卫星第11通道实时亮温差值，具体步骤如下：
将当前时刻的实时亮温值和预设周期的上一时刻的亮温值做差，具体为：
卫星第7通道实时亮温差值：
ΔT7＝T7(t2)-T7(t1)
其中：
T7(t1)表示Himawari-8卫星第7通道在预设周期的上一时刻的亮温值；
T7(t2)表示Himawari-8卫星第7通道的实时亮温值。
卫星第11通道实时亮温差值：
ΔT11＝T11(t2)-T11(t1)
T11(t1)表示Himawari-8卫星第11通道在预设周期的上一时刻的亮温值；
T11(t2)表示Himawari-8卫星第11通道的实时亮温值。
需要说明的是，本申请实施例中预设周期可自行设定。例如设定每一个小时进行一次检测，则此时需要获取一小时前的第7通道亮温值和一小时前的第11通道亮温值，进而获取实时亮温差值。
在步骤S2中，获取上述第7通道实时亮温差值对应的差值卫星图像，并对上述差值卫星图像进行区域分割。具体包括以下步骤：
S201、获取和第7通道实时亮温差值对应的图像p，定义为差值卫星图像。
S202、对上述差值卫星图像进行区域分割，包括以下步骤：
S2021、获取上述差值卫星图像中的所有像元的亮温差值最小值和亮温差值最大值。
具体的，对于差值卫星图像p来说，其内部所有像元的亮温差值的最小值设为li，最大值设为Li，亮温差值为第7通道实时亮温差值k的像元数是nk。
S2022、计算上述差值卫星图像中的像元数量：
其中：
k为第7通道实时亮温差值，k(li≤k≤Li)；
li为差值卫星图像中的亮温差值最小值；
Li为差值卫星图像中的亮温差值最大值；
nk为亮温差值为k的像元数量。
S2023、以实时亮温差值k为区域阈值将上述差值卫星图像划分为两个区域。
具体的，亮温差值为li～i的区域记为A,亮温差值为i～Li的区域记为B。
在步骤S3中，基于最大类间方差法获取区域分割的最佳分割阈值。具体包括以下步骤：
S301、分别获取两个区域的平均亮温差值，根据两个区域的平均亮温差值计算区域方差。
本申请实施例设定区域A的平均亮温差值为uA,区域B的平均亮温差值为uB,图像p的平均亮温差值为u。
区域方差的计算方法为：
其中：
i为区间阈值；
A为亮温差值为li～i的区域，B为亮温差值为i～Li的区域；
uA为区域A的平均亮温差值,uB为区域B的平均亮温差值；
u为差值卫星图像的平均亮温差值。
S302、获取最佳分割阈值。具体包括：
通过最大类间方差法的原则，从上述亮温差值最小值li到上述亮温差值最大值Li的区间范围内依次取值作为新的区域阈值i，并计算每个阈值下的区域方差，取最大的区域方差对应的阈值作为最佳分割阈值kbest。
在步骤S4中，基于上述最佳分割阈值对上述差值卫星图像进行检测，得到待识别火点。具体包括：
S401、获取上述差值卫星图像的所有像元。
S402、判断每个像元的实时亮温差值是否满足以下条件：亮温差值大于所述最佳分割阈值；即ΔT7＞kbest；
若满足条件，则该像元为一个待识别火点，用于进行后续筛选。
在步骤S5中，基于预设的SVM预测模型对上述卫星第11通道实时亮温差值进行预测，得到火点预测值。
具体的，本申请实施例预设的SVM预测模型的构建方法如下：
获取Himawari-8卫星第11通道预设周期内的历史非火点数据，本申请实施例设定获取一年时间内的所有非火点的数据。
历史非火点数据包括：历史非火点像元时间(每10分钟取一个时间点)和历史非火点亮温差值。
以历史非火点像元时间作为特征变量，以历史非火点亮温差值作为标签构建SVM预测模型。具体的，SVM预测模型的构建方法为现有技术。
在本申请实施例中，对于构建的SVM预测模型，需要计算其在测试集上的RMSE值，并且选择RMSE值最小的SVM回归模型作为预设的SVM预测模型。
基于预设的SVM预测模型对卫星第11通道实时亮温差值进行预测，得到火点预测值
在步骤S6中，基于上述火点预测值对所述待识别火点进行筛选，得到准确火点。
具体的，判断上述待识别火点是否满足以下条件：卫星第11通道实时亮温差值小于火点预测值，即：
若满足条件，则该待识别火点为一个伪火点。
将所有的伪火点从上述待识别火点中剔除，得到最终的准确火点。
本申请实施例还提供了一种火点检测系统，具体的，上述系统包括：
数据模块，用于获取Himawari-8卫星数据，上述卫星数据包括卫星第7通道实时亮温差值和卫星第11通道实时亮温差值；
图像模块，用于获取上述第7通道实时亮温差值对应的卫星图像，设为差值卫星图像，对上述差值卫星图像进行区域分割，得到分割后的图像；
阈值求取模块，用于基于最大类间方差法对上述分割后的图像求取最佳分割阈值；
图像检测模块，用于基于上述最佳分割阈值对上述差值卫星图像进行检测，得到待识别火点；
预测模块，用于基于预设的SVM预测模型对上述卫星第11通道实时亮温差值进行预测，得到火点预测值；
火点筛选模块，用于基于上述火点预测值对上述待识别火点进行筛选，得到准确火点。
由于以上实施方式均是在其他方式之上引用结合进行说明，不同实施例之间均具有相同的部分，本说明书中各个实施例之间相同、相似的部分互相参见即可。在此不再详细阐述。
综上所述，与现有技术相比，具备以下有益效果：
1.本申请实施例考虑到Himawari-8第7通道受热比第11通道更敏感以及第11通道在火点发生前后不会产生太大变化的特点，采用最大类间方差法确定卫星遥感影像的最佳分割阈值，并利用SVM预测模型剔除掉伪火点，得到准确的火点，实现了对火点的准确检测。
2.本申请实施例可以动态获取火点识别的阈值，克服了现有技术中需要人工利用经验进行调整阈值的不足，节省了人力物力，工作效率高。
需要说明的是，在本说明书中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或暗示这些实体或操作之间存在任何这种实际的关系或顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的电路结构、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种电路结构、物品或者设备所固有的要素。在没有更多限制的情况下，有语句“包括一个......”限定的要素，并不排除在包括所述要素的电路结构、物品或者设备中还存在另外的相同要素。
本领域技术人员在考虑说明书及实践这里发明的公开后，将容易想到本申请的其他实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本申请的真正范围和精神由权利要求的内容指出。以上所述的本申请实施方式并不构成对本申请保护范围的限定。

Claims (8)

1.一种火点检测方法，其特征在于，所述方法包括：
获取Himawari-8卫星数据，所述卫星数据包括卫星第7通道实时亮温差值和卫星第11通道实时亮温差值；
获取所述第7通道实时亮温差值对应的卫星图像，设为差值卫星图像，对所述差值卫星图像进行区域分割，得到分割后的图像；
基于最大类间方差法对所述分割后的图像求取最佳分割阈值；
基于所述最佳分割阈值对所述差值卫星图像进行检测，得到待识别火点；
基于预设的SVM预测模型对所述卫星第11通道实时亮温差值进行预测，得到火点预测值；
基于所述火点预测值对所述待识别火点进行筛选，得到准确火点；
其中，所述预设的SVM预测模型的构建方法包括：
获取Himawari-8卫星第11通道预设周期内的历史非火点数据，所述历史非火点数据包括：历史非火点像元时间和历史非火点亮温差值；
以所述历史非火点像元时间作为特征变量，以所述历史非火点亮温差值作为标签构建SVM回归模型；
计算模型在测试集上的RMSE值，选择RMSE值最小的SVM回归模型作为预设的SVM预测模型。
2.根据权利要求1所述的检测方法，其特征在于，所述卫星第7通道实时亮温差值的获取方法包括：
ΔT7＝T7(t2)-T7(t1)
其中：
T7(t1)表示Himawari-8卫星第7通道在预设周期的上一时刻的亮温值；
T7(t2)表示Himawari-8卫星第7通道的实时亮温值；
所述卫星第11通道实时亮温差值的获取方法包括：
ΔT11＝T11(t2)-T11(t1)
T11(t1)表示Himawari-8卫星第11通道在预设周期的上一时刻的亮温值；
T11(t2)表示Himawari-8卫星第11通道的实时亮温值。
3.根据权利要求1所述的检测方法，其特征在于，对所述差值卫星图像进行区域分割，包括：
获取所述差值卫星图像中的所有像元的亮温差值最小值和亮温差值最大值；
计算所述差值卫星图像中的像元数量：
其中：
k为第7通道实时亮温差值；
li为差值卫星图像中的亮温差值最小值；
Li为差值卫星图像中的亮温差值最大值；
nk为亮温差值为k的像元数量；
以实时亮温差值为区域阈值将所述差值卫星图像划分为两个区域。
4.根据权利要求3所述的检测方法，其特征在于，所述基于最大类间方差法对所述分割后的图像求取最佳分割阈值，包括：
分别获取两个区域的平均亮温差值，根据两个区域的平均亮温差值计算区域方差；
从所述亮温差值最小值到所述亮温差值最大值的区间范围内依次取值作为新的区域阈值，并计算每个阈值下的区域方差，取最大的区域方差对应的阈值作为最佳分割阈值。
5.根据权利要求4所述的检测方法，其特征在于，所述区域方差的计算方法包括：
其中：
i为区间阈值；
A为亮温差值为li～i的区域，B为亮温差值为i～Li的区域；
uA为区域A的平均亮温差值,uB为区域B的平均亮温差值；
u为差值卫星图像的平均亮温差值。
6.根据权利要求1所述的检测方法，其特征在于，所述基于所述最佳分割阈值对所述差值卫星图像进行检测，包括：
获取所述差值卫星图像的所有像元；
判断每个像元的实时亮温差值是否满足以下条件：亮温差值大于所述最佳分割阈值；若满足条件，则为一个待识别火点。
7.根据权利要求1所述的检测方法，其特征在于，所述基于所述火点预测值对所述待识别火点进行筛选，包括：
判断所述待识别火点是否满足以下条件：所述卫星第11通道实时亮温差值小于所述火点预测值；若满足，则为一个伪火点；
将所有的伪火点从所述待识别火点中剔除，得到准确火点。
8.一种火点检测系统，其特征在于，所述系统包括：
数据模块，用于获取Himawari-8卫星数据，所述卫星数据包括卫星第7通道实时亮温差值和卫星第11通道实时亮温差值；
图像模块，用于获取所述第7通道实时亮温差值对应的卫星图像，设为差值卫星图像，对所述差值卫星图像进行区域分割，得到分割后的图像；
阈值求取模块，用于基于最大类间方差法对所述分割后的图像求取最佳分割阈值；
图像检测模块，用于基于所述最佳分割阈值对所述差值卫星图像进行检测，得到待识别火点；
预测模块，用于基于预设的SVM预测模型对所述卫星第11通道实时亮温差值进行预测，得到火点预测值；其中，所述预设的SVM预测模型的构建方法包括：获取Himawari-8卫星第11通道预设周期内的历史非火点数据，所述历史非火点数据包括：历史非火点像元时间和历史非火点亮温差值；以所述历史非火点像元时间作为特征变量，以所述历史非火点亮温差值作为标签构建SVM回归模型；计算模型在测试集上的RMSE值，选择RMSE值最小的SVM回归模型作为预设的SVM预测模型；
火点筛选模块，用于基于所述火点预测值对所述待识别火点进行筛选，得到准确火点。
CN202010649722.5A 2020-07-08 2020-07-08 一种火点检测方法和系统 Active CN111815664B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010649722.5A CN111815664B (zh) 2020-07-08 2020-07-08 一种火点检测方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010649722.5A CN111815664B (zh) 2020-07-08 2020-07-08 一种火点检测方法和系统

Publications (2)

Publication Number Publication Date
CN111815664A CN111815664A (zh) 2020-10-23
CN111815664B true CN111815664B (zh) 2023-10-17

Family

ID=72841982

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010649722.5A Active CN111815664B (zh) 2020-07-08 2020-07-08 一种火点检测方法和系统

Country Status (1)

Country Link
CN (1) CN111815664B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113361323B (zh) * 2021-04-23 2023-04-25 云南电网有限责任公司输电分公司 一种基于卫星技术的高原地区电网附近火点监测方法及装置
CN113218508B (zh) * 2021-04-27 2022-07-01 中南林业科技大学 一种基于Himawari-8卫星数据的林火判别方法
CN113641958B (zh) * 2021-07-28 2023-11-21 国家卫星气象中心(国家空间天气监测预警中心) 一种静止气象卫星火点信息的处理方法、装置及设备

Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101592524A (zh) * 2009-07-07 2009-12-02 中国科学技术大学 基于类间方差的modis森林火灾火点检测方法
WO2014102428A1 (es) * 2012-12-26 2014-07-03 Universidad De Almeria Procedimiento de interpretación automática de imágenes para la cuantificación de marcadores tumorales nucleares
CN105740817A (zh) * 2016-01-29 2016-07-06 张弓 一种秸秆燃烧火点数据的判断方法及系统
WO2016122042A1 (ko) * 2015-01-29 2016-08-04 계명대학교 산학협력단 인공위성 영상과 랜덤포레스트 분류기 결합을 이용한 자동 하천 검출 시스템 및 방법
WO2016132161A1 (en) * 2015-02-16 2016-08-25 Kontoes Charalampos Method that detects areas of active fire hotspots in real-time, calculates the most probable ignition point and assesses fire probability indicators, using satellite images and fuel data.
CN106503480A (zh) * 2016-12-14 2017-03-15 中国科学院遥感与数字地球研究所 一种静止卫星火灾遥感监测方法
CN106646651A (zh) * 2016-12-14 2017-05-10 中国科学院遥感与数字地球研究所 一种火灾火点检测方法
CN106855943A (zh) * 2016-12-14 2017-06-16 中国科学院遥感与数字地球研究所 一种火点遥感监测方法
CN107481268A (zh) * 2017-08-16 2017-12-15 北京信德智图科技有限公司 基于modis遥感数据的森林防火监控方法
CN107730517A (zh) * 2017-11-10 2018-02-23 公安部天津消防研究所 一种基于自适应亮度分割的火灾视频图像分析算法
CN109902666A (zh) * 2019-03-29 2019-06-18 国网湖南省电力有限公司 一种基于二维otsu的电网山火潜在火点识别方法
CN110222644A (zh) * 2019-06-10 2019-09-10 哈尔滨理工大学 基于图像分割的森林火灾烟雾检测方法
CN110532986A (zh) * 2019-09-04 2019-12-03 云南电网有限责任公司带电作业分公司 基于modis遥感影像的山火检测算法、系统及其存储介质
CN110766685A (zh) * 2019-10-31 2020-02-07 云南电网有限责任公司昆明供电局 一种基于遥感数据云检测的输电线路山火监测方法及系统
CN110889840A (zh) * 2019-11-28 2020-03-17 航天恒星科技有限公司 面向地物目标的高分6号遥感卫星数据的有效性检测方法
CN111006771A (zh) * 2019-12-27 2020-04-14 广东电网有限责任公司电力科学研究院 一种基于极轨气象卫星判识火点的方法与装置
CN111311866A (zh) * 2020-03-18 2020-06-19 云南电网有限责任公司带电作业分公司 一种基于卫星数据融合山火监测和火势推演的预警方法和系统

Patent Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101592524A (zh) * 2009-07-07 2009-12-02 中国科学技术大学 基于类间方差的modis森林火灾火点检测方法
WO2014102428A1 (es) * 2012-12-26 2014-07-03 Universidad De Almeria Procedimiento de interpretación automática de imágenes para la cuantificación de marcadores tumorales nucleares
WO2016122042A1 (ko) * 2015-01-29 2016-08-04 계명대학교 산학협력단 인공위성 영상과 랜덤포레스트 분류기 결합을 이용한 자동 하천 검출 시스템 및 방법
WO2016132161A1 (en) * 2015-02-16 2016-08-25 Kontoes Charalampos Method that detects areas of active fire hotspots in real-time, calculates the most probable ignition point and assesses fire probability indicators, using satellite images and fuel data.
CN105740817A (zh) * 2016-01-29 2016-07-06 张弓 一种秸秆燃烧火点数据的判断方法及系统
CN106503480A (zh) * 2016-12-14 2017-03-15 中国科学院遥感与数字地球研究所 一种静止卫星火灾遥感监测方法
CN106646651A (zh) * 2016-12-14 2017-05-10 中国科学院遥感与数字地球研究所 一种火灾火点检测方法
CN106855943A (zh) * 2016-12-14 2017-06-16 中国科学院遥感与数字地球研究所 一种火点遥感监测方法
CN107481268A (zh) * 2017-08-16 2017-12-15 北京信德智图科技有限公司 基于modis遥感数据的森林防火监控方法
CN107730517A (zh) * 2017-11-10 2018-02-23 公安部天津消防研究所 一种基于自适应亮度分割的火灾视频图像分析算法
CN109902666A (zh) * 2019-03-29 2019-06-18 国网湖南省电力有限公司 一种基于二维otsu的电网山火潜在火点识别方法
CN110222644A (zh) * 2019-06-10 2019-09-10 哈尔滨理工大学 基于图像分割的森林火灾烟雾检测方法
CN110532986A (zh) * 2019-09-04 2019-12-03 云南电网有限责任公司带电作业分公司 基于modis遥感影像的山火检测算法、系统及其存储介质
CN110766685A (zh) * 2019-10-31 2020-02-07 云南电网有限责任公司昆明供电局 一种基于遥感数据云检测的输电线路山火监测方法及系统
CN110889840A (zh) * 2019-11-28 2020-03-17 航天恒星科技有限公司 面向地物目标的高分6号遥感卫星数据的有效性检测方法
CN111006771A (zh) * 2019-12-27 2020-04-14 广东电网有限责任公司电力科学研究院 一种基于极轨气象卫星判识火点的方法与装置
CN111311866A (zh) * 2020-03-18 2020-06-19 云南电网有限责任公司带电作业分公司 一种基于卫星数据融合山火监测和火势推演的预警方法和系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
基于Himawari-8卫星的自适应阈值火点判识算法适用性分析;周强;陈洁;李玉华;;海洋气象学报(第01期);129-135 *
基于HJ-1卫星CCD遥感数据的作物秸秆光谱识别模型与提取方法研究;包颖;田庆久;王玲;;遥感信息(第05期);17-21+124 *
基于深度置信网络-Otsu混合模型的自动云检测算法;邱梦;尹浩宇;陈强;刘颖健;;计算机应用(11);129-133+141 *

Also Published As

Publication number Publication date
CN111815664A (zh) 2020-10-23

Similar Documents

Publication Publication Date Title
CN111815664B (zh) 一种火点检测方法和系统
US11170491B1 (en) System and method for assessing a physical structure
JP4353989B2 (ja) 侵入検知システム
KR102319084B1 (ko) 지능형 수위감지 장치 및 방법
EP2804382B1 (en) Reliability determination of camera fault detection tests
US20140064553A1 (en) System and method for leak detection
JP4729610B2 (ja) 煙検出装置
CN112907871B (zh) 基于卫星遥感的雷火预警识别方法
CN102708647A (zh) 图像和多波段红外紫外复合型火灾探测系统及方法
US11175185B2 (en) Method, apparatus and system for passive infrared sensor framework
CN115240353B (zh) 一种基于物联传感的消防险情处理方法
JP2010097412A (ja) 煙検出装置
CN112419645A (zh) 一种基于卫星遥感的森林火情监测方法
JP6598962B1 (ja) 火災検知装置、火災検知方法及び火災監視システム
CN107730841B (zh) 报警处理方法及相关产品
Gupta et al. Plant disease prediction using deep learning and IoT
JP4111660B2 (ja) 火災検出装置
CN109902666B (zh) 一种基于二维otsu的电网山火潜在火点识别方法
US11112535B2 (en) Real-time computation of an atmospheric precipitation rate from a digital image of an environment where an atmospheric precipitation is taking place
KR19990074175A (ko) 화상에 확률 분포 함수를 이용한 화재 감시방법
US11188762B2 (en) Moving body risk assessment device, and moving body monitoring system
CN110120142B (zh) 一种火灾烟雾视频智能监控预警系统及预警方法
KR101165058B1 (ko) 복합형 침입 감지 방법 및 그 장치
US10509968B2 (en) Data fusion based safety surveillance system and method
KR20200066020A (ko) 사생활 침해장비 탐지방법, 장치 및 그 시스템

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