CN112686160A - 一种基于双光谱视频图像预测林火蔓延方法及系统 - Google Patents
一种基于双光谱视频图像预测林火蔓延方法及系统 Download PDFInfo
- Publication number
- CN112686160A CN112686160A CN202011619254.3A CN202011619254A CN112686160A CN 112686160 A CN112686160 A CN 112686160A CN 202011619254 A CN202011619254 A CN 202011619254A CN 112686160 A CN112686160 A CN 112686160A
- Authority
- CN
- China
- Prior art keywords
- image
- forest fire
- convolutional neural
- neural network
- forest
- 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
Images
Classifications
-
- 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
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于双光谱视频图像预测林火蔓延方法，获取森林场景中的第一图像、第三图像以及第二图像；通过第一图像与第三图像中的光流场，计算森林场景中的风向Fx与风力Fl；计算第二图像中的梯度方向与梯度值，并将梯度方向与梯度值转换为阻燃因子z；通过最优物种燃烧卷积神经网络对第一图像中的物种进行分析，获得物种燃烧因子r；通过最优林火卷积神经网络识别第一图像中的林火类型；根据识别的林火类型，基于风力Fl、风向Fx、阻燃因子z以及物种燃烧因子r参数，对森林场景中的林火蔓延趋势进行预测；本发明的有益效果为自动提取影响火势蔓延的影响因子，更为准确、及时的监测场景中火势蔓延的情况；提高了火势蔓延的准确性。
Description
技术领域
本发明涉及林火蔓延技术领域，尤其涉及一种基于双光谱视频图像预测林火蔓延方法及系统。
背景技术
自1946年W.R.Fons首先提出林火蔓延模型的概念以来，越来越多林火蔓延模型的提出和改进促进了林火研究进程.目前常用的林火蔓延模型有:基于能量守恒的Rothermel模型、澳大利亚的McArthur模型、加拿大林火蔓延模型和王正非林火蔓延模型，林火蔓延模型为林火的蔓延绘制提供了理论基础.Ro-therme[1]采用了加权平均法获得可燃物的参量，从宏观尺度来描述火蔓延，但该模型是一个半经验模型，繁多的参数造成很多局限性；王正非[2] 通过山火初始蔓延速度检测算法进行林火蔓延模型构建，通过较少参数实现林火蔓延计算，但该模型没有考虑非风向上的情况；Ioannis[3]等人将天气和地形地貌结合起来，提出一种算法实现森林火焰蔓延的预测，该方法可以大致判断火焰的蔓延点，模拟效果不太好；Yun[4] 等人将影响林火蔓延的环境因素可视化地表达出来，实现了林火蔓延场景的绘制，但是该系统实现的效果不够真实；张菲菲[5]等人结合元胞自动机原理，对王正非林火蔓延模型进行改进，实现了不同条件下的林火行为的仿真；DingW[6]等人为了在视觉上模拟单一植物的燃烧现象，利用分形和粒子系统技术模拟植物的燃烧框架，通过控制植物模型参数得到真实的模拟效果；同时，S renPirk[7]等人通过改变植物的物理化学属性，实现其与火焰的交互，生成真实的植物燃烧现象，但并未进行不同自然环境下火焰运动的研究.综上，由于火焰在蔓延过程中受到很多自然因素的影响，其形态的多样性和扩散的随机性导致火焰蔓延研究的难点，目前现有算法一方面需要人为添加经验参数、另一方面考虑因素太杂、模拟速度慢。
发明内容
本发明的目的在于提供一种基于双光谱视频图像预测林火蔓延方法及系统，通过。
本发明通过下述技术方案实现：一种基于双光谱视频图像预测林火蔓延方法，包括以下步骤：
步骤A：获取森林场景中的第一图像、第三图像以及第二图像，所述第一图像与第三图像为不同时间点上获取的同一场景的可见光图像，所述第二图像为热成像图像；
步骤B：通过第一图像与第三图像中的光流场，计算森林场景中的风向Fx与风力Fl；
步骤C：计算第二图像中的梯度方向与梯度值，并将梯度方向与梯度值转换为阻燃因子z；
步骤D：通过最优物种燃烧卷积神经网络对第一图像中的物种进行分析，获得第一图像中的物种燃烧因子r；
步骤E：通过最优林火卷积神经网络识别第一图像中的林火类型；
步骤F：根据步骤E中识别的林火类型，基于风力Fl、风向Fx、阻燃因子z以及物种燃烧因子r参数，对森林场景中的林火蔓延趋势进行预测。
传统地计算火焰蔓延的方法中，需要人为的添加经验参数，导致考虑到火焰蔓延的因素太杂且模拟的速度比较慢，因此本发明提供一种基于双光谱视频图像的林火蔓延预测方法，通过将可见光图像与热成像图像所采集的图像同时作为对某一场景的图像进行处理，对场景图像进行多维度分析，实现自动提取影响因子，能够更准确、更及时的预测林火蔓延的趋势。
优选地，所述步骤B中具体的操作步骤包括：
分别对第一图像与第三图像中的sift特征点进行提取；
对第一图像的sift特征点进行特征匹配，获得特征匹配点P；
对第三图像的sift特征点进行特征匹配，获得特征匹配点Q；
通过匹配点P与Q计算森林场景中的风向Fx与风力Fl。
优选地，所述风向Fx表达式为：
所述风力Fl表达式为：
其中Pix，Piy为匹配点P在第一图像上的横纵坐标，Qix，Qiy为匹配点Q在第三图像上的横纵坐标，n为匹配点数量。
优选地，所述步骤C中，所述梯度方向与梯度值转换为阻燃因子z具体表达式为：
d为梯度值，θ为梯度方向。
优选地，所述步骤D中具体操作步骤为：
D1：搭建物种燃烧卷积神经网络；
D2：获取历史图像中某一物种的数据集，将数据集划分为训练数据集与验证数据集；
D3：将训练数据集输入到物种燃烧卷积神经网络中，对物种燃烧卷积神经网络进行训练；
D4：将验证数据集输入到训练之后的物种燃烧卷积神经网络中，并通过第一损失函数，采用梯度下降的方式对物种燃烧卷积神经网络进行优化，获得优化物种燃烧卷积神经网络；
D5：获取历史图像中不同物种的历史数据集，并对同一物种的数据集依次经过步骤S2- 步骤S4中进行训练优化，获得最优物种燃烧卷积神经网络；
D6：通过最优物种燃烧卷积神经网络对第一图像进行分析，获得第一图像中的物种燃烧因子r。
优选地，所述第一损失函数为
y为网络输出的预测值，Y为输出的期望值。
优选地，所述步骤E的具体操作步骤为：
E1：搭建林火燃烧卷积神经网络；
E2：获取历史图像中某种类型的林火数据集，将林火数据集划分为训练数据集与验证数据集；
E3：将训练数据集输入到林火燃烧卷积神经网络中，对林火卷积神经网络进行训练；
E4：将验证数据集输入到训练之后的林火卷积神经网络中，并通过第二损失函数，采用梯度下降的方式对对林火卷积神经网络进行优化，获得优化林火卷积神经网络；
E5：获取历史图像中不同林火类型的历史数据集，并对同一类型的林火数据集依次经过步骤E2-步骤E4中进行训练优化，获得最优林火卷积神经网络；
E6：将第一图像输入到最优林火卷积神经网络中，输出数字值代表林火类型，若输出值为 0，则代表地面火，若输出值为1，则代表树冠火，若输出值为2则代表飞火。
优选地，所述第二损失函数为
m代表网络输出类别数量，θ表示网络输出归一化数值，
表示网络全连接层的输出，
表示网络在第j层的权重，xi表示网络在第j层的类别i输入值，表bi示网络在第j层的类别i偏差值。
优选地，所述步骤F中，采用S函数对森林场景中的林火蔓延趋势进行预测，所述S函数的表达式为：
S为林火蔓延随着时间T的变化趋势，S0代表初始燃烧面积，L代表林火类型。
本发明还公开了一种基于双光谱视频图像预测林火蔓延系统，所述预测林火蔓延系统包括：
图像采集模块，用于获取森林场景中的第一图像、第三图像以及第二图像；
第一处理模块，用于通过第一图像与第三图像中的光流场，计算森林场景中的风向Fx 与风力Fl；
第二处理模块，用于计算第二图像中的梯度方向与梯度值，并将梯度方向与梯度值转换为阻燃因子z；
第三处理模块，用于通过最优物种燃烧卷积神经网络对第一图像中的物种进行分析，获得第一图像中的物种燃烧因子r；
第四处理模块，用于通过最优林火卷积神经网络识别第一图像中的林火类型；
预测模块，用于根据识别的林火类型，基于风力Fl、风向Fx、阻燃因子z以及物种燃烧因子r参数，对森林场景中的林火蔓延趋势进行预测。
本发明与现有技术相比，具有如下的优点和有益效果：
1、采用本发明提供的一种基于双光谱视频图像预测林火蔓延方法，通过对同一场景进行多维度监控分析，自动提取影响火势蔓延的影响因子，更为准确、及时的监测场景中火势蔓延的情况；
2、采用本发明提供的一种基于双光谱视频图像预测林火蔓延方法，克服了现有算法考虑不全或者参数滞后性的问题，提高了火势蔓延的准确性，对扑火指挥具有巨大意义；
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解，构成本申请的一部分，并不构成对本发明实施例的限定。在附图中：
图1为本发明预测林火蔓延方法示意图
图2为双光谱相机数据采集
图3为物种燃烧因子识别卷积神经网络
图4为林火类型识别卷积神经网络
图5为本发明的系统结构示意图
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白，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。
实施例一
本实施例公开了一种基于双光谱视频图像预测林火蔓延方法，包括以下步骤：
步骤A：获取森林场景中的第一图像、第三图像以及第二图像，所述第一图像与第三图像为不同时间点上获取的同一场景的可见光图像，所述第二图像为热成像图像；
步骤B：通过第一图像与第三图像中的光流场，计算森林场景中的风向Fx与风力Fl；
分别对第一图像与第三图像中的sift特征点进行提取；
对第一图像的特征点进行特征匹配，获得特征匹配点P；
对第二图像的特征点进行特征匹配，获得特征匹配点Q；
通过匹配点P与Q计算获取的图像中的风向Fx与风力Fl；
风向Fx表达式为：
风力Fl表达式为：
其中Pix，Piy为匹配点P在第一图像上的横纵坐标，Qix，Qiy为匹配点Q在第三图像上的横纵坐标，n为匹配点数量。
步骤C：计算第二图像中的梯度方向与梯度值，并将梯度方向与梯度值转换为阻燃因子 z；
梯度方向与梯度值转换为阻燃因子z具体表达式为：
d为梯度值，θ为梯度方向。
步骤D：通过最优物种燃烧卷积神经网络对第一图像中的物种进行分析，获得第一图像中的物种燃烧因子r；
最优物种燃烧卷积神经网络的方法为：
D1：搭建物种燃烧卷积神经网络，网络结构如图3所示，其中网络输入尺寸为48*48*3，输出为a,a的取值为0.1-1.0；
D2：获取历史图像中某一物种的数据集，将数据集划分为训练数据集与验证数据集，一个物种的数据集准备5000张训练集和1000验证集，历史图像为历史获取的可见光图像；
D3：将训练数据集输入到物种燃烧卷积神经网络中，对物种燃烧卷积神经网络进行训练；
D4：将验证数据集输入到训练之后的物种燃烧卷积神经网络中，并通过第一损失函数，采用梯度下降的方式对物种燃烧卷积神经网络进行优化，获得优化物种燃烧卷积神经网络；第一损失函数为
y为网络输出的预测值，Y为输出的期望值，当网络在验证集精度大于95％且不在提升时结束训练；
D5：获取历史图像中不同物种的历史数据集，并对同一物种的数据集依次经过步骤S2- 步骤S4中进行训练优化，获得最优物种燃烧卷积神经网络；这里的物种类型是按照燃烧的容易程度进行分类的，分别对应的燃烧因子为0.1-1，越容易燃烧的物种燃烧的因子越大，将不同燃烧程度的物种分别输入到林火卷积神经网络中记性训练优化，最终得到一个最优林火卷积神经网络，历史图像为历史获取的可见光图像。
D6：通过最优物种燃烧卷积神经网络对第一图像进行分析，获得第一图像中的物种燃烧因子r。
步骤E：通过林火卷积神经网络识别第一图像中的林火类型；
E1：搭建林火燃烧卷积神经网络，网络结构如图4所示，左侧为网络输入为256*256*3，右侧为网络输出为1*1*3，即是输出：输入数据是0、1、2三类的概率；
E2：获取历史图像中某种类型的林火数据集，将林火数据集划分为训练数据集与验证数据集，每种类型的林火数据集中，训练数据集10000张，验证数据集1000张，历史图像为历史获取的可见光图像；
E3：将训练数据集输入到林火燃烧卷积神经网络中，对林火卷积神经网络进行训练；
E4：将验证数据集输入到训练之后的林火卷积神经网络中，并通过第二损失函数，采用梯度下降的方式对对林火卷积神经网络进行优化，获得优化林火卷积神经网络；第二损失函数为
m代表网络输出类别数量，θ表示网络输出归一化数值，
表示网络全连接层的输出，
表示网络在第j层的权重，xi表示网络在第j层的类别i输入值，表bi示网络在第j 层的类别i偏差值；
E5：获取图像中不同林火类型的历史数据集，并对同一类型的林火数据集依次经过步骤 E2-步骤E4中进行训练优化，获得最优林火卷积神经网络；
E6：将第一图像输入到最优林火卷积神经网络中，输出数字值代表林火类型，若输出值为 0，则代表地面火，若输出值为1，则代表树冠火，若输出值为2则代表飞火。
步骤F：根据步骤E中识别的林火类型，基于风力Fl、风向Fx、阻燃因子z以及物种燃烧因子r参数，对森林场景中的林火蔓延趋势进行预测。
采用S函数对森林场景中的林火蔓延趋势进行预测，S函数的表达式为
S为林火蔓延随着时间T的变化趋势，S0代表初始燃烧面积，L代表林火类型。
实施例二
本实施例基于实施例一的基础上，公开了一种基于双光谱视频图像预测林火蔓延系统，如图5所示，所述预测林火蔓延系统包括：
图像采集模块，用于获取森林场景中的第一图像、第三图像以及第二图像；
第一处理模块，用于通过第一图像与第三图像中的光流场，计算森林场景中的风向Fx 与风力Fl；
第二处理模块，用于计算第二图像中的梯度方向与梯度值，并将梯度方向与梯度值转换为阻燃因子z；
第三处理模块，用于通过最优物种燃烧卷积神经网络对第一图像中的物种进行分析，获得第一图像中的物种燃烧因子r；
第四处理模块，用于通过最优林火卷积神经网络识别第一图像中的林火类型；
第五处理模块，用于根据识别的林火类型，通过风力Fl、风向Fx、阻燃因子z以及物种燃烧因子r之间的关系，计算林火蔓延S与时间T之间的关系。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，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。
Claims (10)
1.一种基于双光谱视频图像预测林火蔓延方法，其特征在于，包括以下步骤：
步骤A：获取森林场景中的第一图像、第三图像以及第二图像，所述第一图像与第三图像为不同时间点上获取的同一场景的可见光图像，所述第二图像为热成像图像；
步骤B：通过第一图像与第三图像中的光流场，计算森林场景中的风向Fx与风力Fl；
步骤C：计算第二图像中的梯度方向与梯度值，并将梯度方向与梯度值转换为阻燃因子z；
步骤D：通过最优物种燃烧卷积神经网络对第一图像中的物种进行分析，获得第一图像中的物种燃烧因子r；
步骤E：通过最优林火卷积神经网络识别第一图像中的林火类型；
步骤F：根据步骤E中识别的林火类型，基于风力Fl、风向Fx、阻燃因子z以及物种燃烧因子r参数，对森林场景中的林火蔓延趋势进行预测。
2.根据权利要求1所述的一种基于双光谱视频图像预测林火蔓延方法，其特征在于，所述步骤B中具体的操作步骤包括：
分别对第一图像与第三图像中的sift特征点进行提取；
对第一图像的sift特征点进行特征匹配，获得特征匹配点P；
对第三图像的sift特征点进行特征匹配，获得特征匹配点Q；
通过匹配点P与Q计算森林场景中的风向Fx与风力Fl。
3.根据权利要求2所述的一种基于双光谱视频图像预测林火蔓延方法，其特征在于，所述风向Fx表达式为：
所述风力Fl表达式为：
Pix，Piy为匹配点P在第一图像上的横纵坐标，Qix，Qiy为匹配点Q在第三图像上的横纵坐标，n为匹配点数量。
4.根据权利要求1所述的一种基于双光谱视频图像预测林火蔓延方法，其特征在于，所述步骤C中，所述梯度方向与梯度值转换为阻燃因子z具体表达式为：
d为梯度值，θ为梯度方向。
5.根据权利要求1所述的一种基于双光谱视频图像预测林火蔓延方法，其特征在于，所述步骤D中，具体操作步骤为：
D1：搭建物种燃烧卷积神经网络；
D2：获取历史图像中某一物种的数据集，将数据集划分为训练数据集与验证数据集；
D3：将训练数据集输入到物种燃烧卷积神经网络中，对物种燃烧卷积神经网络进行训练；
D4：将验证数据集输入到训练之后的物种燃烧卷积神经网络中，并通过第一损失函数，采用梯度下降的方式对物种燃烧卷积神经网络进行优化，获得优化物种燃烧卷积神经网络；
D5：获取历史图像中不同物种的历史数据集，并对同一物种的数据集依次经过步骤S2～步骤S4中进行训练优化，获得最优物种燃烧卷积神经网络；
D6：通过最优物种燃烧卷积神经网络对第一图像进行分析，获得第一图像中的物种燃烧因子r。
6.根据权利要求5所述的一种基于双光谱视频图像预测林火蔓延方法，其特征在于，所述第一损失函数为
y为网络输出的预测值，Y为输出的期望值。
7.根据权利要求1所述的一种基于双光谱视频图像预测林火蔓延方法，其特征在于，所述步骤E的具体操作步骤为：
E1：搭建林火燃烧卷积神经网络；
E2：获取历史图像中某种类型的林火数据集，将林火数据集划分为训练数据集与验证数据集；
E3：将训练数据集输入到林火燃烧卷积神经网络中，对林火卷积神经网络进行训练；
E4：将验证数据集输入到训练之后的林火卷积神经网络中，并通过第二损失函数，采用梯度下降的方式对对林火卷积神经网络进行优化，获得优化林火卷积神经网络；
E5：获取历史图像中不同林火类型的历史数据集，并对同一类型的林火数据集依次经过步骤E2-步骤E4中进行训练优化，获得最优林火卷积神经网络；
E6：将第一图像输入到最优林火卷积神经网络中，输出数字值代表林火类型，若输出值为0，则代表地面火，若输出值为1，则代表树冠火，若输出值为2则代表飞火。
8.根据权利要求7所述的一种基于双光谱视频图像预测林火蔓延方法，其特征在于，所述第二损失函数为
m代表网络输出类别数量，θ表示网络输出归一化数值，
表示网络全连接层的输出，
表示网络在第j层的权重，xi表示网络在第j层的类别i输入值，表bi示网络在第j层的类别i偏差值。
9.根据权利要求1所述的一种基于双光谱视频图像预测林火蔓延方法，其特征在于，所述步骤F中，采用S函数对森林场景中的林火蔓延趋势进行预测，所述S函数的表达式为：
S为林火蔓延随着时间T的变化趋势，S0代表初始燃烧面积，L代表林火类型。
10.一种基于双光谱视频图像预测林火蔓延系统，其特征在于，所述预测林火蔓延系统包括：
图像采集模块，用于获取森林场景中的第一图像、第三图像以及第二图像；
第一处理模块，用于通过第一图像与第三图像中的光流场，计算森林场景中的风向Fx与风力Fl；
第二处理模块，用于计算第二图像中的梯度方向与梯度值，并将梯度方向与梯度值转换为阻燃因子z；
第三处理模块，用于通过最优物种燃烧卷积神经网络对第一图像中的物种进行分析，获得第一图像中的物种燃烧因子r；
第四处理模块，用于通过最优林火卷积神经网络识别第一图像中的林火类型；
预测模块，用于根据识别的林火类型，基于风力Fl、风向Fx、阻燃因子z以及物种燃烧因子r参数，对森林场景中的林火蔓延趋势进行预测。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011619254.3A CN112686160B (zh) | 2020-12-30 | 2020-12-30 | 一种基于双光谱视频图像预测林火蔓延方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011619254.3A CN112686160B (zh) | 2020-12-30 | 2020-12-30 | 一种基于双光谱视频图像预测林火蔓延方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112686160A true CN112686160A (zh) | 2021-04-20 |
| CN112686160B CN112686160B (zh) | 2023-09-01 |
Family
ID=75453724
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011619254.3A Active CN112686160B (zh) | 2020-12-30 | 2020-12-30 | 一种基于双光谱视频图像预测林火蔓延方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112686160B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115099493A (zh) * | 2022-06-27 | 2022-09-23 | 东北林业大学 | 一种基于cnn的林火向任意方向蔓延速率预测方法 |
| CN115512510A (zh) * | 2022-10-11 | 2022-12-23 | 深圳市狮子王科技有限公司 | 一种充电桩火灾智能处理系统以及方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5734335A (en) * | 1989-12-20 | 1998-03-31 | Finmeccanica S.P.A. | Forest surveillance and monitoring system for the early detection and reporting of forest fires |
| CN106548514A (zh) * | 2016-11-02 | 2017-03-29 | 北京航天泰坦科技股份有限公司 | 基于三维的林火蔓延模拟方法和系统 |
| 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 |
| CN108763811A (zh) * | 2018-06-08 | 2018-11-06 | 中国科学技术大学 | 动态数据驱动林火蔓延预测方法 |
| CN110458915A (zh) * | 2019-08-14 | 2019-11-15 | 孙玮 | 一种大气污染时空变换评价预测模型的建立方法 |
| CN111476964A (zh) * | 2020-03-04 | 2020-07-31 | 宁波财经学院 | 一种远程森林防火监控系统与方法 |
-
2020
- 2020-12-30 CN CN202011619254.3A patent/CN112686160B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5734335A (en) * | 1989-12-20 | 1998-03-31 | Finmeccanica S.P.A. | Forest surveillance and monitoring system for the early detection and reporting of forest fires |
| CN106548514A (zh) * | 2016-11-02 | 2017-03-29 | 北京航天泰坦科技股份有限公司 | 基于三维的林火蔓延模拟方法和系统 |
| 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 |
| CN108763811A (zh) * | 2018-06-08 | 2018-11-06 | 中国科学技术大学 | 动态数据驱动林火蔓延预测方法 |
| CN110458915A (zh) * | 2019-08-14 | 2019-11-15 | 孙玮 | 一种大气污染时空变换评价预测模型的建立方法 |
| CN111476964A (zh) * | 2020-03-04 | 2020-07-31 | 宁波财经学院 | 一种远程森林防火监控系统与方法 |
Non-Patent Citations (5)
| Title |
|---|
| JIANWEI LI 等: "Three-Dimensional Dynamic Simulation System for Forest Surface Fire Spreading Prediction", 《INTERNATIONAL JOURNAL OF PATTERN RECOGNITION AND ARTIFICIAL INTELLIGENCE》, pages 1 - 23 * |
| MATTHIEU DE GENNARO 等: "Real-time wildland fire spread modeling using tabulated flame properties", 《FIRE SAFETY JOURNAL》, pages 1 - 10 * |
| 赵健宇 等: "基于机器学习方法的森林火灾预测研究", 《自动化控制理论与应用》, pages 1 - 3 * |
| 钱兰: "集合卡曼滤波算法对FARSITE林火蔓延预测的修正效果研究", 《中国优秀硕士学位论文全文数据库农业科技辑 》, pages 046 - 4 * |
| 陈培豪 等: "多传感器融合的火灾识别算法研究", 《消防科学与技术》, pages 1 - 4 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115099493A (zh) * | 2022-06-27 | 2022-09-23 | 东北林业大学 | 一种基于cnn的林火向任意方向蔓延速率预测方法 |
| CN115099493B (zh) * | 2022-06-27 | 2023-11-10 | 东北林业大学 | 一种基于cnn的林火向任意方向蔓延速率预测方法 |
| CN115512510A (zh) * | 2022-10-11 | 2022-12-23 | 深圳市狮子王科技有限公司 | 一种充电桩火灾智能处理系统以及方法 |
| CN115512510B (zh) * | 2022-10-11 | 2023-09-29 | 深圳市狮子王科技有限公司 | 一种充电桩火灾智能处理系统以及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112686160B (zh) | 2023-09-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111860205B (zh) | 基于多源遥感影像和网格的森林火情评价方法及存储介质 | |
| CN107992904B (zh) | 基于多源信息融合的林业生态环境人机交互方法 | |
| CN112686160A (zh) | 一种基于双光谱视频图像预测林火蔓延方法及系统 | |
| CN104899431B (zh) | 基于蚁群和粒子群集成的lssvm脉动风速预测方法 | |
| CN110929918A (zh) | 一种基于CNN和LightGBM的10kV馈线故障预测方法 | |
| CN110648490B (zh) | 适用于嵌入式平台的多因子火焰识别方法 | |
| CN110365041B (zh) | 基于gan场景模拟的风电多场景鲁棒调度方法 | |
| CN112232488A (zh) | 基于深度学习与数据驱动的新能源出力场景生成方法 | |
| CN117237559B (zh) | 面向数字孪生城市的三维模型数据智能分析方法及系统 | |
| CN109919921A (zh) | 基于生成对抗网络的环境影响程度建模方法 | |
| CN115424048A (zh) | 电网作业现场违章识别系统及方法 | |
| CN116778272A (zh) | 基于多通道信息融合的水电机组小样本工况辨识方法 | |
| CN115964503A (zh) | 基于社区设备设施的安全风险预测方法及系统 | |
| CN112380945B (zh) | 一种基于卫星遥感影像的输电通道环境隐患的识别方法和系统 | |
| CN114155457A (zh) | 基于火焰动态识别的控制方法及控制装置 | |
| CN113496210A (zh) | 基于注意力机制的光伏组串跟踪及故障跟踪方法 | |
| CN116029862B (zh) | 一种智慧建筑的可视化安全管理系统 | |
| CN115937788A (zh) | 一种基于yolov5工业区安全帽佩戴检测方法 | |
| CN113703482B (zh) | 大型无人机群中基于简化注意力网络的任务规划方法 | |
| CN115829324A (zh) | 一种人员安全风险静默监视方法 | |
| CN112698666B (zh) | 一种基于气象栅格的飞行器航路优化方法 | |
| CN107679478A (zh) | 输电线路空间负荷状态的提取方法和系统 | |
| CN113392826A (zh) | 一种基于多模型融合Stacked的害鸟密度分布预测方法 | |
| CN113420492A (zh) | 一种基于gan与gru神经网络的风光火耦合系统频率响应模型建模方法 | |
| CN114819451A (zh) | 一种适用于输电线路多类型移动终端巡检方式寻优的方法及系统 |
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 |