CN112309068A - 一种基于深度学习的森林火灾预警方法 - Google Patents
一种基于深度学习的森林火灾预警方法 Download PDFInfo
- Publication number
- CN112309068A CN112309068A CN202011179435.9A CN202011179435A CN112309068A CN 112309068 A CN112309068 A CN 112309068A CN 202011179435 A CN202011179435 A CN 202011179435A CN 112309068 A CN112309068 A CN 112309068A
- Authority
- CN
- China
- Prior art keywords
- early warning
- training
- model
- forest
- forest fire
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000013135 deep learning Methods 0.000 title claims abstract description 21
- 238000012549 training Methods 0.000 claims abstract description 44
- 240000007651 Rubus glaucus Species 0.000 claims abstract description 37
- 235000011034 Rubus glaucus Nutrition 0.000 claims abstract description 37
- 235000009122 Rubus idaeus Nutrition 0.000 claims abstract description 37
- 238000012544 monitoring process Methods 0.000 claims abstract description 30
- 238000013145 classification model Methods 0.000 claims abstract description 26
- 238000004088 simulation Methods 0.000 claims abstract description 14
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 5
- 230000008569 process Effects 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 7
- 230000003068 static effect Effects 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 5
- 241001137251 Corvidae Species 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 235000015108 pies Nutrition 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000013136 deep learning model Methods 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000008054 signal transmission Effects 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 238000013519 translation Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 8
- 238000005516 engineering process Methods 0.000 description 4
- 238000013507 mapping Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009434 installation 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
- G08B17/06—Electric actuation of the alarm, e.g. using a thermally-operated switch
-
- 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
-
- 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
-
- 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
- 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
-
- 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
Abstract
一种基于深度学习的森林火灾预警方法，依次包括数据生成、分类模型训练、树莓派部署和实时监控预警；数据生成：搜集部分森林场景图片及森林火灾场景图片，利用生成式对抗网络生成大量的置信度高的森林火灾仿真图片，并创建分类数据集；分类模型训练：通过轻量级卷积神经网络对分类数据集进行训练；树莓派部署：将训练结果模型部署到树莓派上；实时监控预警：在树莓派预警平台上实时采集图像并立刻进行模型推理，将推理结果及现场图片、位置等预警信息发送回服务器端。本发明，使用成本低，监控范围大，检测精度高，提高数据集的有效性，极大地提高了现场检测的准确率。
Description
技术领域
本发明涉及火灾预警领域，尤其涉及一种基于深度学习的森林火灾预警方法。
背景技术
目前，在森林火灾预警领域，存在以下问题：
基于普通(非人工智能)的视频监控预警系统，其最大的问题在于人力成本过高，森林火灾随时可能发生，但人却不可能一直待在监控系统查看森林状态；同时，摄像头如果达到数十甚至数百级别的话，则需要投入更多的人力成本实时查看监控系统。
基于传感器的监控预警系统，其最大的问题在于实地安装部署的难度大，传感器有一定的作用距离，需要安装很多的传感器才能达到大范围预警森林火灾的目的。另外，如果遇到特殊天气如下雨大雾等情况，传感器出现漏报误报的概率相当大。
基于深度学习的监控预警系统，其最大的问题在于数据集的质量及部署的高成本。其一，森林火灾的数据集相对于物体分类和目标识别的公开数据集相当少，自建数据集需要大量的人力物力，另外，针对特定场景的识别效果并不好。其二，传统的卷积神经网络模型较大，需要在带有GPU的通用电脑端运行，不能在一般的嵌入式设备部署运行。
发明内容
(一)发明目的
为解决背景技术中存在的技术问题，本发明提出一种基于深度学习的森林火灾预警方法，使用成本低，监控范围大，检测精度高，提高数据集的有效性，极大地提高了现场检测的准确率。
(二)技术方案
为解决上述问题，本发明提出了一种基于深度学习的森林火灾预警方法，依次包括数据生成、分类模型训练、树莓派部署和实时监控预警；
数据生成：搜集部分森林场景图片及森林火灾场景图片，利用生成式对抗网络生成大量的置信度高的森林火灾仿真图片，并创建分类数据集；
分类模型训练：通过轻量级卷积神经网络对分类数据集进行训练；
树莓派部署：将训练结果模型部署到树莓派上；
实时监控预警：在树莓派预警平台上实时采集图像并立刻进行模型推理，将推理结果及现场图片、位置等预警信息发送回服务器端。
优选的，数据生成过程，包括以下步骤：
S11：线上收集初始森林图片数据集X0和森林火灾数据集Y0；
S12：创建生成式对抗网络模型的虚拟环境，划分X0和Y0为trainA、testA、trainB和testB，设置loss参数和学习率，准备训练模型；训练模型，用于将正常森林场景图片转换成森林火灾场景图片；同时，设置两个样本空间，分别为：正常森林场景X和森林火灾场景Y；
S13：线下实地采集森林现场图片，创建新数据集X1；对最终部署现场进行图片采集，在最终摄像头部署位置进行高密度图片采集；
S14：使用图片生成模型对X1生成森林火灾仿真数据集Y1；利用生成式对抗网络训练完的模型对X1进行本地推理，通过调整阈值得到多张森林火灾仿真图片集Y1；
S15：以X0和X1为第一组，以Y0和Y1为第二组，创建分类数据集；剔除第一组中与现场场景差异明显的图片；剔除在Y1中生成效果不好的图片；两组图片分别记录为正负样本集。
优选的，包括以下步骤：
S21：对分类图片数据集进行预处理，及数据增强；对数据集，进行旋转、平移、缩放和边缘填充处理；
S22：搭建轻量级分类模型shuffleNetV2；使用pytorch框架，搭建shuffleNetV2模型，在每个单元的开始，通过Channel split将c特征通道的输入被分为两支，每个分支的结构仍然保持不变；卷积之后，把两个分支拼接，通道数量不变，然后进行Channel Shuffle操作，以使得两个分支能进行信息交流；
S23：设置超参并进行分类训练，如下：
设置neck为GlobalAveragePooling；
设置head为LinearClsHead，num_classes为2；
设置in_channels为256；
设置loss为CrossEntropyLoss；
设置loss_weight为1.0；
设置optimizer为SGD；
设置lr＝0.1，total_epochs为200；
设置完成后，使用GPU进行分类模型训练；
S24：分类模型输出：将训练得到的最优网络参数checkpoint保存为pth文件。
优选的，树莓派部署过程，包括以下步骤：
S31：去掉训练得到的checkpoint参数模型的optizimer及dropout层，生成pth文件；
S32：将pth文件to_onnx转换为中间格式文件onnx；转换为onxx格式，即，开放神经网络交换格式，以使模型在不同框架之间进行转移；
S33：将：onnx裁剪为simonnx；其中，去掉onnx中多余的操作层，将simonnx转换为param参数文件和bin二进制文件；param文件和bin文件为最终的运行模型；
S34：C++调用ncnn接口，编写CMakeList；
在树莓派下安装ncnn框架，然后使用C++直接加载param和bin，用自己的数据结构Mat来存放输入和输出数据，输入图像的数据要转换为Mat，减去均值和乘系数，执行前向网络，获得计算结果；编译输出可执行文件。
优选的，实时监控预警过程，包括以下步骤：
S41：将部署分类模型的树莓派及摄像头一起安装在多个静态监测点；静态监测点用于实时拍摄森林场景图片数据；
S42：通过深度学习模型判定火灾发生概率；
S44：经由信号传输网络将上述监测数据传输至后台服务器监控中心；
S45：监控中心根据返回数据后生成相应的告警数据信息,并发送至消防人员的移动终端上。
本发明，使用深度学习技术直接处理现场图片，只需要一个终端设备和一个普通摄像头即可对大范围的森林区域进行实时监控预警，使用成本低，监控范围大。
本发明，检测精度高，相对于别的现有深度学习技术在处理数据集时，存在森林火灾的有效数据相当稀少且泛化能力很差的问题。使用生成式对抗网络能映射生成大量的森林火灾图片，提高数据集的有效性，同时针对每个实地场景也能生成仿真模拟火灾场景，极大地提高了现场检测的准确率。
本发明，预警平台使用树莓派作为终端设备，能实时拍照并推理部署树莓派上面的神经网络模型，从而判断当前位置是否发生森林火灾，如果判断出火灾则将火灾的现场图片和位置等预警信息发送回服务器端。从发现火灾到预警的过程在一秒之内完成，具有很高的实用性。
本发明中，采用轻量级分类模型对森林火灾数据集进行分类训练。为了方便部署在树莓派终端，使用shuffleNetV2对森林火灾数据集进行分类训练。模型在保证较高的准确率和召回率的同时，具有计算量小和推理速度快等特点，能很好地应用于嵌入式设备。
本发明中，部署到树莓派实时推理并预警。树莓派预警平台主要用于实时采集图像并立刻进行模型推理，判断当前是否发生火灾。如果判断出火灾则将火灾的现场图片和位置等预警信息发送回服务器端。
附图说明
图1为本发明提出的基于深度学习的森林火灾预警方法的流程图。
图2为本发明提出的基于深度学习的森林火灾预警方法中数据生成流程图。
图3为本发明提出的基于深度学习的森林火灾预警方法中分类模型训练流程图。
图4为本发明提出的基于深度学习的森林火灾预警方法中树莓派部署流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明了，下面结合具体实施方式并参照附图，对本发明进一步详细说明。应该理解，这些描述只是示例性的，而并非要限制本发明的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本发明的概念。
如图1-4所示，本发明提出的一种基于深度学习的森林火灾预警方法，依次包括数据生成、分类模型训练、树莓派部署和实时监控预警；
数据生成：搜集部分森林场景图片及森林火灾场景图片，利用生成式对抗网络生成大量的置信度高的森林火灾仿真图片，并创建分类数据集；
分类模型训练：通过轻量级卷积神经网络对分类数据集进行训练；
树莓派部署：将训练结果模型部署到树莓派上；
实时监控预警：在树莓派预警平台上实时采集图像并立刻进行模型推理，将推理结果及现场图片、位置等预警信息发送回服务器端。
本发明，使用深度学习技术直接处理现场图片，只需要一个终端设备和一个普通摄像头即可对大范围的森林区域进行实时监控预警，使用成本低，监控范围大。
本发明，检测精度高，相对于别的现有深度学习技术在处理数据集时，存在森林火灾的有效数据相当稀少且泛化能力很差的问题。使用生成式对抗网络能映射生成大量的森林火灾图片，提高数据集的有效性，同时针对每个实地场景也能生成仿真模拟火灾场景，极大地提高了现场检测的准确率。
本发明，预警平台使用树莓派作为终端设备，能实时拍照并推理部署树莓派上面的神经网络模型，从而判断当前位置是否发生森林火灾，如果判断出火灾则将火灾的现场图片和位置等预警信息发送回服务器端。从发现火灾到预警的过程在一秒之内完成，具有很高的实用性。
在一个可选的实施例中，数据生成过程，包括以下步骤：
S11：线上收集初始森林图片数据集X0和森林火灾数据集Y0；
S12：创建生成式对抗网络模型的虚拟环境，划分X0和Y0为trainA、testA、trainB和testB，设置loss参数和学习率，准备训练模型；训练模型，用于将正常森林场景图片转换成森林火灾场景图片；同时，设置两个样本空间，分别为：正常森林场景X和森林火灾场景Y；
S13：线下实地采集森林现场图片，创建新数据集X1；对最终部署现场进行图片采集，在最终摄像头部署位置进行高密度图片采集；
S14：使用图片生成模型对X1生成森林火灾仿真数据集Y1；利用生成式对抗网络训练完的模型对X1进行本地推理，通过调整阈值得到多张森林火灾仿真图片集Y1；
S15：以X0和X1为第一组，以Y0和Y1为第二组，创建分类数据集；剔除第一组中与现场场景差异明显的图片；剔除在Y1中生成效果不好的图片；两组图片分别记录为正负样本集。
在一个可选的实施例中，分类模型训练过程，包括以下步骤：
S21：对分类图片数据集进行预处理，及数据增强；对数据集，进行旋转、平移、缩放和边缘填充处理；
S22：搭建轻量级分类模型shuffleNetV2；使用pytorch框架，搭建shuffleNetV2模型，在每个单元的开始，通过Channel split将c特征通道的输入被分为两支，每个分支的结构仍然保持不变；卷积之后，把两个分支拼接，通道数量不变，然后进行Channel Shuffle操作，以使得两个分支能进行信息交流；
S23：设置超参并进行分类训练，如下：
设置neck为GlobalAveragePooling；
设置head为LinearClsHead，num_classes为2；
设置in_channels为256；
设置loss为CrossEntropyLoss；
设置loss_weight为1.0；
设置optimizer为SGD；
设置lr＝0.1，total_epochs为200；
设置完成后，使用GPU进行分类模型训练；
S24：分类模型输出：将训练得到的最优网络参数checkpoint保存为pth文件。
在一个可选的实施例中，树莓派部署过程，包括以下步骤：
S31：去掉训练得到的checkpoint参数模型的optizimer及dropout层，生成pth文件；
S32：将pth文件to_onnx转换为中间格式文件onnx；转换为onxx格式，即，开放神经网络交换格式，以使模型在不同框架之间进行转移；
S33：将：onnx裁剪为simonnx；其中，去掉onnx中多余的操作层，将simonnx转换为param参数文件和bin二进制文件；param文件和bin文件为最终的运行模型；
S34：C++调用ncnn接口，编写CMakeList；
在树莓派下安装ncnn框架，然后使用C++直接加载param和bin，用自己的数据结构Mat来存放输入和输出数据，输入图像的数据要转换为Mat，减去均值和乘系数，执行前向网络，获得计算结果；编译输出可执行文件。
在一个可选的实施例中，实时监控预警过程，包括以下步骤：
S41：将部署分类模型的树莓派及摄像头一起安装在多个静态监测点；静态监测点用于实时拍摄森林场景图片数据；
S42：通过深度学习模型判定火灾发生概率；
S44：经由信号传输网络将上述监测数据传输至后台服务器监控中心；
S45：监控中心根据返回数据后生成相应的告警数据信息,并发送至消防人员的移动终端上。
本发明中，采用轻量级分类模型对森林火灾数据集进行分类训练。为了方便部署在树莓派终端，使用shuffleNetV2对森林火灾数据集进行分类训练。模型在保证较高的准确率和召回率的同时，具有计算量小和推理速度快等特点，能很好地应用于嵌入式设备。
本发明中，部署到树莓派实时推理并预警。树莓派预警平台主要用于实时采集图像并立刻进行模型推理，判断当前是否发生火灾。如果判断出火灾则将火灾的现场图片和位置等预警信息发送回服务器端。
需要说明的是，为了解决森林火灾自建数据集需要大量人力物力的问题，本发明利用生成式对抗网络生成大量的置信度高的森林火灾图片，并根据摄像头当前所在位置的特定场景生成当前场景的火灾预测图片，能大大节省数据集建立的时间和成本，并对固定场景的火灾识别提高一定的识别率。
为了能低成本大范围地实时监控森林状态，并对森林火灾进行实时预警，本发明使用轻量级模型来训练神经网络。该模型在保证较高准确率和召回率的提前下，能方便的部署在如树莓派等廉价的嵌入式终端设备，并能实时识别和预警森林火灾。
需要说明的是，本发明中，生成的森林火灾仿真数据集使用的一致性循环对抗网络(Cyclegan)，使用DcGAN或者PixtoPix对抗网络也能生成效果差异不大的仿真数据集。
本发明中，使用的轻量级分类模型为shuffleNetV2，使用mobileNetV1、mobileNetV2、shuffleNetV1或者squeezeNet也可能满足部署到嵌入式设备的要求。
本发明中，使用的部署设备为树莓派微型电脑，使用RK3288、RK3399、RK3399Pro或者JetsonNano等设备也能满足低成本部署要求。
应当理解的是，本发明的上述具体实施方式仅仅用于示例性说明或解释本发明的原理，而不构成对本发明的限制。因此，在不偏离本发明的精神和范围的情况下所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。此外，本发明所附权利要求旨在涵盖落入所附权利要求范围和边界、或者这种范围和边界的等同形式内的全部变化和修改例。
Claims (5)
1.一种基于深度学习的森林火灾预警方法，其特征在于，依次包括数据生成、分类模型训练、树莓派部署和实时监控预警；
数据生成：搜集部分森林场景图片及森林火灾场景图片，利用生成式对抗网络生成大量的置信度高的森林火灾仿真图片，并创建分类数据集；
分类模型训练：通过轻量级卷积神经网络对分类数据集进行训练；
树莓派部署：将训练结果模型部署到树莓派上；
实时监控预警：在树莓派预警平台上实时采集图像并立刻进行模型推理，将推理结果及现场图片、位置等预警信息发送回服务器端。
2.根据权利要求1所述的基于深度学习的森林火灾预警方法，其特征在于，数据生成过程，包括以下步骤：
S11：线上收集初始森林图片数据集X0和森林火灾数据集Y0；
S12：创建生成式对抗网络模型的虚拟环境，划分X0和Y0为trainA、testA、trainB和testB，设置loss参数和学习率，准备训练模型；训练模型，用于将正常森林场景图片转换成森林火灾场景图片；同时，设置两个样本空间，分别为：正常森林场景X和森林火灾场景Y；
S13：线下实地采集森林现场图片，创建新数据集X1；对最终部署现场进行图片采集，在最终摄像头部署位置进行高密度图片采集；
S14：使用图片生成模型对X1生成森林火灾仿真数据集Y1；利用生成式对抗网络训练完的模型对X1进行本地推理，通过调整阈值得到多张森林火灾仿真图片集Y1；
S15：以X0和X1为第一组，以Y0和Y1为第二组，创建分类数据集；剔除第一组中与现场场景差异明显的图片；剔除在Y1中生成效果不好的图片；两组图片分别记录为正负样本集。
3.根据权利要求1所述的基于深度学习的森林火灾预警方法，其特征在于，分类模型训练过程，包括以下步骤：
S21：对分类图片数据集进行预处理，及数据增强；对数据集，进行旋转、平移、缩放和边缘填充处理；
S22：搭建轻量级分类模型shuffleNetV2；使用pytorch框架，搭建shuffleNetV2模型，在每个单元的开始，通过Channel split将c特征通道的输入被分为两支，每个分支的结构仍然保持不变；卷积之后，把两个分支拼接，通道数量不变，然后进行Channel Shuffle操作，以使得两个分支能进行信息交流；
S23：设置超参并进行分类训练，如下：
设置neck为GlobalAveragePooling；
设置head为LinearClsHead，num_classes为2；
设置in_channels为256；
设置loss为CrossEntropyLoss；
设置loss_weight为1.0；
设置optimizer为SGD；
设置lr＝0.1，total_epochs为200；
设置完成后，使用GPU进行分类模型训练；
S24：分类模型输出：将训练得到的最优网络参数checkpoint保存为pth文件。
4.根据权利要求1所述的基于深度学习的森林火灾预警方法，其特征在于，树莓派部署过程，包括以下步骤：
S31：去掉训练得到的checkpoint参数模型的optizimer及dropout层，生成pth文件；
S32：将pth文件to_onnx转换为中间格式文件onnx；转换为onxx格式，即，开放神经网络交换格式，以使模型在不同框架之间进行转移；
S33：将：onnx裁剪为simonnx；其中，去掉onnx中多余的操作层，将simonnx转换为param参数文件和bin二进制文件；param文件和bin文件为最终的运行模型；
S34：C++调用ncnn接口，编写CMakeList；
在树莓派下安装ncnn框架，然后使用C++直接加载param和bin，用自己的数据结构Mat来存放输入和输出数据，输入图像的数据要转换为Mat，减去均值和乘系数，执行前向网络，获得计算结果；编译输出可执行文件。
5.根据权利要求1所述的基于深度学习的森林火灾预警方法，其特征在于，实时监控预警过程，包括以下步骤：
S41：将部署分类模型的树莓派及摄像头一起安装在多个静态监测点；静态监测点用于实时拍摄森林场景图片数据；
S42：通过深度学习模型判定火灾发生概率；
S44：经由信号传输网络将上述监测数据传输至后台服务器监控中心；
S45：监控中心根据返回数据后生成相应的告警数据信息,并发送至消防人员的移动终端上。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011179435.9A CN112309068B (zh) | 2020-10-29 | 2020-10-29 | 一种基于深度学习的森林火灾预警方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011179435.9A CN112309068B (zh) | 2020-10-29 | 2020-10-29 | 一种基于深度学习的森林火灾预警方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112309068A true CN112309068A (zh) | 2021-02-02 |
| CN112309068B CN112309068B (zh) | 2022-09-06 |
Family
ID=74330824
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011179435.9A Active CN112309068B (zh) | 2020-10-29 | 2020-10-29 | 一种基于深度学习的森林火灾预警方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112309068B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114067545A (zh) * | 2021-11-15 | 2022-02-18 | 浙江时空智子大数据有限公司 | 一种基于遥感大数据的森林火灾监测方法及系统 |
| CN115021986A (zh) * | 2022-05-24 | 2022-09-06 | 中国科学院计算技术研究所 | 一种用于物联网设备识别可部署模型的构建方法与装置 |
| CN115762033A (zh) * | 2022-11-17 | 2023-03-07 | 湘潭大学 | 基于5g通信技术的森林火灾监测与响应系统 |
| CN117152893A (zh) * | 2023-10-31 | 2023-12-01 | 广州市林业和园林科学研究院 | 一种森林防灾方法及系统 |
Citations (22)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106991400A (zh) * | 2017-04-05 | 2017-07-28 | 北京中燕信息技术有限公司 | 一种火灾烟雾检测方法及装置 |
| CN107169435A (zh) * | 2017-05-10 | 2017-09-15 | 天津大学 | 一种基于雷达仿真图像的卷积神经网络人体动作分类方法 |
| CN107784771A (zh) * | 2017-12-12 | 2018-03-09 | 大连理创科技有限公司 | 一种基于神经网络模型的森林火灾监控方法 |
| CN108764456A (zh) * | 2018-04-03 | 2018-11-06 | 北京环境特性研究所 | 机载目标识别模型构建平台、机载目标识别方法及设备 |
| 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 |
| CN208479837U (zh) * | 2018-07-25 | 2019-02-05 | 成都信息工程大学 | 一种基于树莓派的实时目标检测装置 |
| CN109376777A (zh) * | 2018-10-18 | 2019-02-22 | 四川木牛流马智能科技有限公司 | 基于深度学习的宫颈癌组织病理学图像分析方法及设备 |
| 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 |
| CN110309813A (zh) * | 2019-07-10 | 2019-10-08 | 南京行者易智能交通科技有限公司 | 一种基于深度学习的人眼状态检测的模型训练方法、检测方法、装置、移动端设备及服务器 |
| CN110472691A (zh) * | 2019-08-20 | 2019-11-19 | 中国科学技术大学 | 目标定位模块训练方法、装置、机器人及存储介质 |
| CN110543859A (zh) * | 2019-09-05 | 2019-12-06 | 大连海事大学 | 一种基于深度学习和双目定位的海参自主识别和抓取方法 |
| CN110705395A (zh) * | 2019-09-18 | 2020-01-17 | 北京邮电大学 | 一种基于树莓派的检测系统 |
| CN110728284A (zh) * | 2018-06-29 | 2020-01-24 | 南京汇承科技有限公司 | 一种基于深度学习的边缘计算烟火识别方法及智能终端 |
| CN110929627A (zh) * | 2019-11-18 | 2020-03-27 | 北京大学 | 基于宽模型稀疏数据集的高效gpu训练模型的图像识别方法 |
| CN110969205A (zh) * | 2019-11-29 | 2020-04-07 | 南京恩博科技有限公司 | 一种基于目标检测的森林烟火检测方法、存储介质和设备 |
| CN111047818A (zh) * | 2019-11-01 | 2020-04-21 | 浙江省林业技术推广总站(浙江省林业信息宣传中心) | 一种基于视频图像的森林火灾预警系统 |
| CN111062950A (zh) * | 2019-11-29 | 2020-04-24 | 南京恩博科技有限公司 | 一种用于多类别森林场景图像分割的方法、存储介质和设备 |
| CN111145116A (zh) * | 2019-12-23 | 2020-05-12 | 哈尔滨工程大学 | 一种基于生成对抗网络的海面雨天图像样本增广方法 |
| CN111383429A (zh) * | 2020-03-04 | 2020-07-07 | 西安咏圣达电子科技有限公司 | 建筑工地工人着装检测方法、系统、装置、存储介质 |
| CN111539325A (zh) * | 2020-04-23 | 2020-08-14 | 四川旅游学院 | 基于深度学习的森林火灾探测方法 |
| CN111753865A (zh) * | 2019-03-29 | 2020-10-09 | 通用电气精准医疗有限责任公司 | 基于深度神经网络的对使用生成式对抗网络来生成的现实合成图像的识别 |
| CN111814635A (zh) * | 2020-06-30 | 2020-10-23 | 神思电子技术股份有限公司 | 基于深度学习的烟火识别模型建立方法和烟火识别方法 |
-
2020
- 2020-10-29 CN CN202011179435.9A patent/CN112309068B/zh active Active
Patent Citations (22)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106991400A (zh) * | 2017-04-05 | 2017-07-28 | 北京中燕信息技术有限公司 | 一种火灾烟雾检测方法及装置 |
| CN107169435A (zh) * | 2017-05-10 | 2017-09-15 | 天津大学 | 一种基于雷达仿真图像的卷积神经网络人体动作分类方法 |
| CN107784771A (zh) * | 2017-12-12 | 2018-03-09 | 大连理创科技有限公司 | 一种基于神经网络模型的森林火灾监控方法 |
| CN108764456A (zh) * | 2018-04-03 | 2018-11-06 | 北京环境特性研究所 | 机载目标识别模型构建平台、机载目标识别方法及设备 |
| 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 |
| CN110728284A (zh) * | 2018-06-29 | 2020-01-24 | 南京汇承科技有限公司 | 一种基于深度学习的边缘计算烟火识别方法及智能终端 |
| CN208479837U (zh) * | 2018-07-25 | 2019-02-05 | 成都信息工程大学 | 一种基于树莓派的实时目标检测装置 |
| 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 |
| CN109376777A (zh) * | 2018-10-18 | 2019-02-22 | 四川木牛流马智能科技有限公司 | 基于深度学习的宫颈癌组织病理学图像分析方法及设备 |
| CN111753865A (zh) * | 2019-03-29 | 2020-10-09 | 通用电气精准医疗有限责任公司 | 基于深度神经网络的对使用生成式对抗网络来生成的现实合成图像的识别 |
| CN110309813A (zh) * | 2019-07-10 | 2019-10-08 | 南京行者易智能交通科技有限公司 | 一种基于深度学习的人眼状态检测的模型训练方法、检测方法、装置、移动端设备及服务器 |
| CN110472691A (zh) * | 2019-08-20 | 2019-11-19 | 中国科学技术大学 | 目标定位模块训练方法、装置、机器人及存储介质 |
| CN110543859A (zh) * | 2019-09-05 | 2019-12-06 | 大连海事大学 | 一种基于深度学习和双目定位的海参自主识别和抓取方法 |
| CN110705395A (zh) * | 2019-09-18 | 2020-01-17 | 北京邮电大学 | 一种基于树莓派的检测系统 |
| CN111047818A (zh) * | 2019-11-01 | 2020-04-21 | 浙江省林业技术推广总站(浙江省林业信息宣传中心) | 一种基于视频图像的森林火灾预警系统 |
| CN110929627A (zh) * | 2019-11-18 | 2020-03-27 | 北京大学 | 基于宽模型稀疏数据集的高效gpu训练模型的图像识别方法 |
| CN110969205A (zh) * | 2019-11-29 | 2020-04-07 | 南京恩博科技有限公司 | 一种基于目标检测的森林烟火检测方法、存储介质和设备 |
| CN111062950A (zh) * | 2019-11-29 | 2020-04-24 | 南京恩博科技有限公司 | 一种用于多类别森林场景图像分割的方法、存储介质和设备 |
| CN111145116A (zh) * | 2019-12-23 | 2020-05-12 | 哈尔滨工程大学 | 一种基于生成对抗网络的海面雨天图像样本增广方法 |
| CN111383429A (zh) * | 2020-03-04 | 2020-07-07 | 西安咏圣达电子科技有限公司 | 建筑工地工人着装检测方法、系统、装置、存储介质 |
| CN111539325A (zh) * | 2020-04-23 | 2020-08-14 | 四川旅游学院 | 基于深度学习的森林火灾探测方法 |
| CN111814635A (zh) * | 2020-06-30 | 2020-10-23 | 神思电子技术股份有限公司 | 基于深度学习的烟火识别模型建立方法和烟火识别方法 |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114067545A (zh) * | 2021-11-15 | 2022-02-18 | 浙江时空智子大数据有限公司 | 一种基于遥感大数据的森林火灾监测方法及系统 |
| CN115021986A (zh) * | 2022-05-24 | 2022-09-06 | 中国科学院计算技术研究所 | 一种用于物联网设备识别可部署模型的构建方法与装置 |
| CN115762033A (zh) * | 2022-11-17 | 2023-03-07 | 湘潭大学 | 基于5g通信技术的森林火灾监测与响应系统 |
| CN115762033B (zh) * | 2022-11-17 | 2024-04-26 | 湘潭大学 | 基于5g通信技术的森林火灾监测与响应系统 |
| CN117152893A (zh) * | 2023-10-31 | 2023-12-01 | 广州市林业和园林科学研究院 | 一种森林防灾方法及系统 |
| CN117152893B (zh) * | 2023-10-31 | 2023-12-29 | 广州市林业和园林科学研究院 | 一种森林防灾方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112309068B (zh) | 2022-09-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112309068B (zh) | 一种基于深度学习的森林火灾预警方法 | |
| CN110135319B (zh) | 一种异常行为检测方法及其系统 | |
| Geraldes et al. | UAV-based situational awareness system using deep learning | |
| CN110516529A (zh) | 一种基于深度学习图像处理的投喂检测方法和系统 | |
| CN111047818A (zh) | 一种基于视频图像的森林火灾预警系统 | |
| CN113642403B (zh) | 基于边缘计算的人群异动智能安全检测系统 | |
| CN111222478A (zh) | 一种工地安全防护检测方法和系统 | |
| CN104820995A (zh) | 一种面向大型公共场所的人流密度监测预警方法 | |
| CN111918039A (zh) | 基于5g网络的人工智能高风险作业管控系统 | |
| CN110674790A (zh) | 一种视频监控中异常场景处理方法及系统 | |
| CN111626199A (zh) | 面向大型多人车厢场景的异常行为分析方法 | |
| CN114202711A (zh) | 一种列车车厢内异常行为智能监测方法、装置及监控系统 | |
| CN114863357A (zh) | 一种输电线路外力破坏的识别告警方法及系统 | |
| CN117351521B (zh) | 基于数字孪生的输电线鸟类检测方法、系统、介质及设备 | |
| CN108256447A (zh) | 一种基于深度神经网络的无人机航拍视频分析方法 | |
| Zhang et al. | Transmission line abnormal target detection based on machine learning yolo v3 | |
| CN116664359A (zh) | 一种基于多传感融合的智能火情预警决策系统及方法 | |
| CN110087041A (zh) | 基于5g基站的视频数据处理及传输方法和系统 | |
| CN115546742A (zh) | 一种基于单目热红外摄像头的铁轨异物识别方法及系统 | |
| CN113095160B (zh) | 基于人工智能和5g的电力系统人员安全行为识别方法及系统 | |
| CN114359976A (zh) | 一种基于人物识别的智能安防方法与装置 | |
| CN113628172A (zh) | 一种人员手持武器智能检测算法及智慧城市安防系统 | |
| CN115457411A (zh) | 航油管线无人化巡视方法、装置和航油安全运维系统 | |
| CN115294519A (zh) | 一种基于轻量化网络的异常事件检测及预警方法 | |
| CN113569956A (zh) | 一种基于ai算法的山火灾害勘查识别方法 |
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 | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240116 Address after: 230000 floor 1, building 2, phase I, e-commerce Park, Jinggang Road, Shushan Economic Development Zone, Hefei City, Anhui Province Patentee after: Dragon totem Technology (Hefei) Co.,Ltd. Address before: 528402, Xueyuan Road, 1, Shiqi District, Guangdong, Zhongshan Patentee before: University OF ELECTRONIC SCIENCE AND TECHNOLOGY OF CHINA, ZHONGSHAN INSTITUTE |
|
| TR01 | Transfer of patent right |