CN113990017A - 基于pnn神经网络的森林草原火灾预警系统及方法 - Google Patents
基于pnn神经网络的森林草原火灾预警系统及方法 Download PDFInfo
- Publication number
- CN113990017A CN113990017A CN202111381348.6A CN202111381348A CN113990017A CN 113990017 A CN113990017 A CN 113990017A CN 202111381348 A CN202111381348 A CN 202111381348A CN 113990017 A CN113990017 A CN 113990017A
- Authority
- CN
- China
- Prior art keywords
- early warning
- fire
- image
- flame
- information
- 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
-
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- 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
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G06N3/047—Probabilistic or stochastic 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
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/18—Status alarms
- G08B21/182—Level alarms, e.g. alarms responsive to variables exceeding a threshold
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/38—Services specially adapted for particular environments, situations or purposes for collecting sensor information
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Probability & Statistics with Applications (AREA)
- Biodiversity & Conservation Biology (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Fire-Detection Mechanisms (AREA)
Abstract
本发明提供一种基于PNN神经网络的森林草原火灾预警系统及方法,属于人工智能预警技术领域。该系统包括:预警管理平台以及与预警管理平台通信连接的多个检测装置;检测装置包括:检测模组、无线通信模块和微处理器;检测模组包括多个检测传感器;微处理器,用于控制无线通信模块将检测模组检测到的信息发送至预警管理平台;还用于利用基于PNN神经网络的火灾预警模型,对检测模组检测到的信息进行分析,得到包括火灾预警等级的火灾预警信息;预警管理平台用于根据检测装置确定的火灾预警信息进行预警。本发明采用人工智能神经网络对多种检测信息进行智能分析,能够提高预警准确度,得到与当前火情相适配的火灾预警等级,从而使得预警处理更加适宜。
Description
技术领域
本发明涉及人工智能预警技术领域,具体涉及一种基于PNN神经网络的森林草原火灾预警系统及方法。
背景技术
森林草原火灾不仅严重破坏森林草原资源和生态环境,而且会对人民生命财产和公共安全产生极大的危害,对国民经济可持续发展和生态安全造成巨大威胁。具体危害表现在如下几个方面:烧毁森林草原植被资源、危害野生动物、引起水土流失、使下游河流水质下降、引起空气污染、威胁人民生命财产安全。
及时进行火灾预警,以及时将森林草原火灾扑灭在最初阶段是最切实有效的方法,不仅可避免火灾蔓延对森林草原资源和生态环境的破坏,还可以减少灭火所需的社会资源。目前的火灾预警方法,一般采用阈值判断方法检测火灾,并且只考虑单一因素,如温度、烟雾浓度等。但是这种方式存在以下问题:采用单一传感器进行火灾检测,容易受外界环境因素影响导致准确度低,森林草原这种场景一旦出现误报警很难及时进行误报排除,为防止火灾蔓延就需要动用消防力量,导致不必要的浪费;另外,采用阈值判断方法难以判断判断火情,因此不能根据火情调动相应的消防力量,容易导致消防力量不足或浪费。
发明内容
因此,本发明实施例要解决的技术问题在于克服现有技术中的森林草原火灾预警方案准确度低且无法获取火情信息导致消防资源浪费或与火情不匹配的缺陷,从而提供一种基于PNN神经网络的森林草原火灾预警系统及方法。
为此,本发明提供一种基于PNN神经网络的森林草原火灾预警系统,包括:
预警管理平台以及与所述预警管理平台通信连接的多个检测装置;
多个所述检测装置用于分别设置在森林或草原内的多个不同位置;所述检测装置包括:检测模组、无线通信模块和微处理器;
所述检测模组包括多个检测传感器,所述检测传感器包括烟雾传感器、二氧化碳浓度传感器、一氧化碳浓度传感器、温度传感器、湿度传感器、光照传感器和图像传感器中的至少一个;
所述微处理器,用于控制所述无线通信模块将所述检测模组检测到的信息发送至所述预警管理平台;还用于利用基于PNN神经网络的火灾预警模型,对所述检测模组检测到的信息进行分析,得到火灾预警信息,所述火灾预警信息包括火灾预警等级;
所述预警管理平台用于根据所述检测装置确定的所述火灾预警信息进行预警。
可选的,所述火灾预警模型中的PNN神经网络包括输入层、模式层、求和层和输出层;
所述输入层用于接收根据所述检测模组检测到的信息得到特征向量,所述输入层神经元数量与所述特征向量的维数相等;
所述求和层用于将属于同一所述火灾预警等级的概率进行累积,得到所述火灾预警等级的估计概率密度;
所述输出层由阈值辨别器组成,用于在各个所述估计概率密度中选择一个具有最大后验概率密度的神经元的输出作为整个系统的输出。
可选的,所述预警管理平台用于建立并训练所述火灾预警模型,其中所述平滑因子δ是通过以下方式确定:
确定粒子群算法中的适应度函数;
通过不断迭代和调整粒子的速度和位置,找到使所述适应度函数达到最优值的所述平滑因子δ;每个粒子的速度和位置根据如下公式调整:
xk(t+1)=xk(t)+vk(t+1)
其中,vk(t)、xk(t)为t次优化后第k个粒子的速度、位置,w为惯性权重,c1、c2、c3、c4为分布在[0,1]上的一组随机变量,为第k个粒子第t次优化后的最佳位置,gbest为第t次优化后所有粒子群中的任意一个粒子所经历的最佳位置,为第t次优化后粒子群中适应度函数值最优的前r个粒子的平均位置,r为大于1的正整数。
可选的,所述预警管理平台还用于根据所述检测装置所在的位置历史发生的火灾信息对所述平滑因子δ进行修正;其中,所述历史发生的火灾信息包括以下至少之一:历史发生火灾的火灾等级和频率;和/或,
所述微处理器还用于根据环境信息对所述平滑因子δ,所述环境信息包括以下至少之一:环境温度、环境湿度和天气信息。
可选的,所述预警管理平台用于搜集所述火灾预警模型的训练样本,所述训练样本包括在在森林或草原内历史采集的火灾样本数据和未发生火灾时的非火灾样本数据,所述火灾样本数据包括火灾各个时期的数据;
所述预警管理平台还用于利用基于自组织竞争神经网络的聚类方法对所述训练样本进行划分,得到训练样本集和测试样本集。
可选的,所述图像传感器用于采集图像;
所述微处理器,用于利用去噪模型去除所述图像中的噪音,获取去除噪音后的所述图像的背景并调节对比度,利用灰度直方图获取火焰的分割阈值,将火焰图像从背景图像中提取出来,对所述火焰图像进行二次去噪,采用灰度直方图均衡化后转化为二值图像,利用大津算法和八邻域联通标记找到每个火焰图像对应的所有像素点,得到分割后的二值化图像;
对所述二值化图像进行分析得到用于输入至所述火灾预警模型以进行所述火灾预警等级确定的特征信息。
可选的,所述微处理器,用于对所述二值化图像中的火焰区域进行八邻域边缘跟踪;
对所述火焰区域内部进行像素填充的标号计数的方法,标记统计所有相同灰度的像素点数;
对所述火焰区域进行阈值化处理,将火焰外焰从所述火焰区域中提取出来,以提取火焰的尖角和/或圆形度特征,作为所述特征信息。
本发明还提供一种基于PNN神经网络的森林草原火灾预警方法,包括以下步骤:
利用基于PNN神经网络的火灾预警模型,对检测模组检测到的信息进行分析,得到火灾预警信息,所述火灾预警信息包括火灾预警等级;所述检测模组包括多个检测传感器,所述检测传感器包括烟雾传感器、二氧化碳浓度传感器、一氧化碳浓度传感器、温度传感器、湿度传感器、光照传感器和图像传感器中的至少一个;
根据所述火灾预警信息进行预警。
可选的,所述利用基于PNN神经网络的火灾预警模型,对检测模组检测到的信息进行分析,得到火灾预警信息之前,还包括:
利用去噪模型去除所述图像传感器采集的图像中的噪音,获取去除噪音后的所述图像的背景并调节对比度,利用灰度直方图获取火焰的分割阈值,将火焰图像从背景图像中提取出来,对所述火焰图像进行二次去噪,采用灰度直方图均衡化后转化为二值图像,利用大津算法和八邻域联通标记找到每个火焰图像对应的所有像素点,得到分割后的二值化图像;
对所述二值化图像进行分析得到用于输入至所述火灾预警模型以进行所述火灾预警等级确定的特征信息。
可选的,所述对所述二值化图像进行分析得到用于输入至所述火灾预警模型以进行所述火灾预警等级确定的特征信息,包括:
对所述二值化图像中的火焰区域进行八邻域边缘跟踪;
对所述火焰区域内部进行像素填充的标号计数的方法,标记统计所有相同灰度的像素点数;
对所述火焰区域进行阈值化处理,将火焰外焰从所述火焰区域中提取出来,以提取火焰的尖角和/或圆形度特征,作为所述特征信息。
本发明实施例的技术方案,具有如下优点:
本发明实施例提供的基于PNN神经网络的森林草原火灾预警系统及方法,采用多个检测传感器采集火灾关联信息,可以提高火灾预警的准确度,另外还采用人工智能神经网络对各个检测传感器检测到的信息进行智能分析,进一步提高预警的准确度,还可以基于检测信息得到不同的火灾预警等级,该火灾预警等级与当前火情相适配,从而可以根据火灾预警等级的不同进行的消防处置,不仅可以避免消防资源的浪费还可以避免消防资源的不足。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式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,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例1中基于PNN神经网络的森林草原火灾预警系统的一个具体示例的原理框图;
图2为本发明实施例2中基于PNN神经网络的森林草原火灾预警方法的一个具体示例的流程图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。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他实施例,都属于本发明保护的范围。
在本发明的描述中,需要说明的是,本文所用的术语仅用于描述特定实施例的目的,而并非旨在限制本发明。除非上下文明确指出,否则如本文中所使用的单数形式“一”、“一个”和“该”等意图也包括复数形式。使用“包括”和/或“包含”等术语时,是意图说明存在该特征、整数、步骤、操作、元素和/或组件,而不排除一个或多个其他特征、整数、步骤、操作、元素、组件、和/或其他组合的存在或增加。术语“和/或”包括一个或多个相关列出项目的任何和所有组合。术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,还可以是两个元件内部的连通;可以是无线连接,也可以是有线连接。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
此外,下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
实施例1
本实施例提供一种基于PNN神经网络的森林草原火灾预警系统,如图1所示,包括:预警管理平台1以及与所述预警管理平台1通信连接的多个检测装置2;
多个所述检测装置2用于分别设置在森林或草原内的多个不同位置;所述检测装置2包括:检测模组21、无线通信模块22和微处理器23;
所述检测模组21包括多个检测传感器,所述检测传感器包括烟雾传感器、二氧化碳浓度传感器、一氧化碳浓度传感器、温度传感器、湿度传感器、光照传感器和图像传感器中的至少一个;
所述微处理器23,用于控制所述无线通信模块22将所述检测模组21检测到的信息发送至所述预警管理平台1;还用于利用基于PNN神经网络的火灾预警模型,对所述检测模组21检测到的信息进行分析,得到火灾预警信息,所述火灾预警信息包括火灾预警等级;
所述预警管理平台1用于根据所述检测装置2确定的所述火灾预警信息进行预警。
概率神经网络(PNN)可以视为一种径向基(RBF)神经网络,在RBF网络的基础上,融合了密度函数估计和贝叶斯决策理论。在某些易满足的条件下,以PNN实现的判别边界渐进地逼近贝叶斯最佳判定面。
具体的,所述预警管理平台1也包括无线通信模块,用于实现与检测装置2之间的无线通信。所述预警管理平台1和所述检测装置2还可以均包括数据存储模块,所述检测装置2中的数据存储模块用于存储所述检测模组21检测到的信号数据。另外,所述检测装置2还用于根据所述火灾预警信息进行本地预警。
本实施例中,采用多个检测传感器采集火灾关联信息,可以提高火灾预警的准确度,另外还采用人工智能神经网络对各个检测传感器检测到的信息进行智能分析,进一步提高预警的准确度,还可以基于检测信息得到不同的火灾预警等级,该火灾预警等级与当前火情相适配,从而可以根据火灾预警等级的不同进行的消防处置,不仅可以避免消防资源的浪费还可以避免消防资源的不足。
可选的,所述火灾预警模型中的PNN神经网络包括输入层、模式层、求和层和输出层;
所述输入层用于接收根据所述检测模组21检测到的信息得到特征向量,所述输入层神经元数量与所述特征向量的维数相等;
所述求和层用于将属于同一所述火灾预警等级的概率进行累积,得到所述火灾预警等级的估计概率密度;
所述输出层由阈值辨别器组成,用于在各个所述估计概率密度中选择一个具有最大后验概率密度的神经元的输出作为整个系统的输出。
其中,所述输入层用于接收根据所述检测模组21检测到的信息得到特征向量,即所述火灾预警模型的输入是从所述检测模组21检测到的信息中提取的特征信息(即特征值),具体可以是以特征向量的形式输入至所述火灾预警模型。
具体的,模式层(也即隐含层)是径向基层,模式层的每个神经元节点都有一个中心(该中心对应一个样本数据),该层接收输入层的样本输入,计算输入向量与中心的距离,最后返回一个标量值,向量X输入到模式层中第i类模式的第j神经元所确定的输入/输出关系表达式为:
Aij为模式层输出的标量,δ为径向基函数的扩展速度,即所述平滑因子,i=1,2,…,M,M为所述火灾预警等级的个数,D是输入特征向量的维数,Wij是第i类模式的第j个中心。
求和层的主要作用是线性求和、加权平均,将模式层中同一类别(类别与火灾预警等级一一对应)的神经元的输出做加权平均。每一火灾预警等级只有一个求和层单元,求和层单元只与所述模式层中对应的单元连接,而与所述模式层中的其他单元没有连接,换句话说求和层与模式层神经元建立连接关系的前提条件对应同一火灾预警等级的类型;求和层单元的输出与各类基于内核的概率密度的估计成比例,通过输出层的归一化处理,就能得到各火灾预警等级的估计概率密度。
输出神经元是一种竞争神经元,每个神经元分别对应于一个火灾预警等级,输出层用于为求和层的输出做临界值判别,将后验概率密度最大的那个神经元输出为1,其他神经元的输出全为0。
可选的,所述预警管理平台1用于建立并训练所述火灾预警模型,其中所述平滑因子δ是通过以下方式确定:
确定粒子群算法中的适应度函数;
通过不断迭代和调整粒子的速度和位置,找到使所述适应度函数达到最优值的所述平滑因子δ;每个粒子的速度和位置根据如下公式调整:
xk(t+1)=xk(t)+vk(t+1)
其中,vk(t)、xk(t)为t次优化后第k个粒子的速度、位置,w为惯性权重,c1、c2、c3、c4为分布在[0,1]上的一组随机变量,为第k个粒子第t次优化后的最佳位置,gbest为第t次优化后所有粒子群中的任意一个粒子所经历的最佳位置,为第t次优化后粒子群中适应度函数值最优的前r个粒子的平均位置,r为大于1的正整数。
其中,所述适应度函数用于确定适应值以判断目前位置的好坏。
本实施例中,利用粒子群算法优化所述径向基函数的扩展数据δ,自动搜索最合适的传播,克服了PNN算法中需要经验知识和迭代尝试的调参过程。该火灾预警模型能够有效的提升不均衡数据集中的火灾预警等级确定的准确度,且无PNN算法中存在的局部极小问题,学习收敛速度快。
可选的,所述预警管理平台1还用于根据所述检测装置2所在的位置历史发生的火灾信息对所述平滑因子δ进行修正;其中,所述历史发生的火灾信息包括以下至少之一:历史发生火灾的火灾等级和频率;和/或,
所述微处理器23还用于根据环境信息对所述平滑因子δ,所述环境信息包括以下至少之一:环境温度、环境湿度和天气信息。
本实施例中,通过使用历史发生的火灾相关信息或环境信息对用于智能火灾预警的火灾预警模型中的PNN神经网络的径向基函数的扩展参数δ进行修正,从而可以提高易发生火灾的区域或时间的预警灵敏度。
另外,可选的,在所述模式层和所述求和层之间加入权值,所述求和层的计算公式为:
其中,aij为权值,U为模式层第i类神经元的个数。aij是根据自适应遗传算法确定,具体的:
对每个可能解进行编码,形成染色体种群,染色体长度为i*j;
计算适应度函数值;
判断是否达到迭代终止条件,若是则停止迭代,输出最优解,否则继续下一步;
任意选取两个染色体,计算交叉概率,若交叉则执行交叉操作,否则不执行交叉操作,不放回继续选取两个染色体判断是否执行交叉操作;其中,交叉概率的计算公式为:
其中,Pc为交叉概率,hmax为群体中最大的适应度函数值,h1为要交叉的两个染色体中较大的适应度函数值,h2为群体平均适应度函数值,f1和f2为常数;
随机选取一个染色体,计算变异概率,若变异则进行变异操作,否则不进行变异操作,不放回继续判断下一个染色体是否进行变异操作;其中,变异概率的计算公式为:
其中,Pm为变异概率,hmax为群体中最大的适应度函数值,h3为要变异的染色体的适应度函数值,h2为群体平均适应度函数值,f3和f4为常数;
若全部种群迭代结束,输出最优解,否则对下一个种群进行迭代优化。
可选的,所述预警管理平台1用于搜集所述火灾预警模型的训练样本,所述训练样本包括在在森林或草原内历史采集的火灾样本数据和未发生火灾时的非火灾样本数据,所述火灾样本数据包括火灾各个时期的数据;
所述预警管理平台1还用于利用基于自组织竞争神经网络的聚类方法对所述训练样本进行划分,得到训练样本集和测试样本集。
本实施例基于聚类法的样本划分对搜集到的森林草原火灾样本数据进行划分,实现在有限的样本中,获取更为全面的经验知识,这种划分方法保证了神经网络学习的完整性和高效性,提升网络的泛化能力,进而较大地提高了森林草原火灾预警系统的预警准确性。
其中,所述火灾预警模型的训练样本可以由上述的检测装置2采集得到。
另外,本实施例中,所述预警管理平台1还用于对搜集到的所述火灾样本数据进行标准化:
首先,计算样本中部分或全部参数(烟雾浓度、二氧化碳浓度、一氧化碳浓度、温度、湿度和/或光照度等)各自的均值和标准差;
然后,根据所述均值和所述标准差对参数进行标准化,其中,样本的第g(g=1,2,3…,G)个参数Xg标准化后为:
预警管理平台1还用于基于各个检测装置2最新检测到的信息进行模型更新,并下发至各个检测装置2。
可选的,所述图像传感器用于采集图像;
所述微处理器23,用于利用去噪模型去除所述图像中的噪音,获取去除噪音后的所述图像的背景并调节对比度,利用灰度直方图获取火焰的分割阈值,将火焰图像从背景图像中提取出来,对所述火焰图像进行二次去噪,采用灰度直方图均衡化后转化为二值图像,利用大津算法和八邻域联通标记找到每个火焰图像对应的所有像素点,得到分割后的二值化图像;
对所述二值化图像进行分析得到用于输入至所述火灾预警模型以进行所述火灾预警等级确定的特征信息。
分割后的二值化图像中的火焰是连通的。
可选的,所述微处理器23,用于对所述二值化图像中的火焰区域进行八邻域边缘跟踪;
对所述火焰区域内部进行像素填充的标号计数的方法,标记统计所有相同灰度的像素点数;
对所述火焰区域进行阈值化处理,将火焰外焰从所述火焰区域中提取出来,以提取火焰的尖角和/或圆形度特征,作为所述特征信息。
本实施例中,通过提取火灾火焰的圆形度特征实现对环境自然光和亮度信息背景干扰的区分。利用火灾火焰的尖角数据随着燃烧时间呈现不规则变换的规律的特点将火焰的尖角数据的变化作为火灾判据之一。
用于进行所述火灾预警等级确定的特征信息还包括以下至少之一:
通过比较前后两帧所述图像对应的所述分割后的火焰图像的变化,提取火焰的运动特征;
通过比较前后两帧图像火焰面积是否有增长检测火灾火焰的面积变化特征;
HIS色彩空间内检测火焰颜色特征;
提取火灾火焰的闪烁特征。
实施例2
本实施例提供一种基于PNN神经网络的森林草原火灾预警方法,如图2所示,包括以下步骤:
S1:利用基于PNN神经网络的火灾预警模型,对检测模组检测到的信息进行分析,得到火灾预警信息,所述火灾预警信息包括火灾预警等级;所述检测模组包括多个检测传感器,所述检测传感器包括烟雾传感器、二氧化碳浓度传感器、一氧化碳浓度传感器、温度传感器、湿度传感器、光照传感器和图像传感器中的至少一个;
S2:根据所述火灾预警信息进行预警。
本实施例中,采用多个检测传感器采集火灾关联信息,可以提高火灾预警的准确度,另外还采用人工智能神经网络对各个检测传感器检测到的信息进行智能分析,进一步提高预警的准确度,还可以基于检测信息得到不同的火灾预警等级,该火灾预警等级与当前火情相适配,从而可以根据火灾预警等级的不同进行的消防处置,不仅可以避免消防资源的浪费还可以避免消防资源的不足。
可选的,所述利用基于PNN神经网络的火灾预警模型,对检测模组检测到的信息进行分析,得到火灾预警信息之前,即步骤S1之前,还包括:
利用去噪模型去除所述图像传感器采集的图像中的噪音,获取去除噪音后的所述图像的背景并调节对比度,利用灰度直方图获取火焰的分割阈值,将火焰图像从背景图像中提取出来,对所述火焰图像进行二次去噪,采用灰度直方图均衡化后转化为二值图像,利用大津算法和八邻域联通标记找到每个火焰图像对应的所有像素点,得到分割后的二值化图像;
对所述二值化图像进行分析得到用于输入至所述火灾预警模型以进行所述火灾预警等级确定的特征信息。
可选的,所述对所述二值化图像进行分析得到用于输入至所述火灾预警模型以进行所述火灾预警等级确定的特征信息,包括:
对所述二值化图像中的火焰区域进行八邻域边缘跟踪;
对所述火焰区域内部进行像素填充的标号计数的方法,标记统计所有相同灰度的像素点数;
对所述火焰区域进行阈值化处理,将火焰外焰从所述火焰区域中提取出来,以提取火焰的尖角和/或圆形度特征,作为所述特征信息。
本实施例提供的基于PNN神经网络的森林草原火灾预警方法,可以基于上述实施例1所述的基于PNN神经网络的森林草原火灾预警系统,相关的方法步骤也可参阅上述实施例1,此处不再赘述。
显然,上述实施例仅仅是为清楚地说明所作的举例,而并非对实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (10)
1.一种基于PNN神经网络的森林草原火灾预警系统,其特征在于,包括:
预警管理平台以及与所述预警管理平台通信连接的多个检测装置;
多个所述检测装置用于分别设置在森林或草原内的多个不同位置;所述检测装置包括:检测模组、无线通信模块和微处理器;
所述检测模组包括多个检测传感器,所述检测传感器包括烟雾传感器、二氧化碳浓度传感器、一氧化碳浓度传感器、温度传感器、湿度传感器、光照传感器和图像传感器中的至少一个;
所述微处理器,用于控制所述无线通信模块将所述检测模组检测到的信息发送至所述预警管理平台;还用于利用基于PNN神经网络的火灾预警模型,对所述检测模组检测到的信息进行分析,得到火灾预警信息,所述火灾预警信息包括火灾预警等级;
所述预警管理平台用于根据所述检测装置确定的所述火灾预警信息进行预警。
3.根据权利要求2所述的系统,其特征在于,所述预警管理平台用于建立并训练所述火灾预警模型,其中所述平滑因子δ是通过以下方式确定:
确定粒子群算法中的适应度函数;
通过不断迭代和调整粒子的速度和位置,找到使所述适应度函数达到最优值的所述平滑因子δ;每个粒子的速度和位置根据如下公式调整:
xk(t+1)=xk(t)+vk(t+1)
4.根据权利要求2或3所述的系统,其特征在于,所述预警管理平台还用于根据所述检测装置所在的位置历史发生的火灾信息对所述平滑因子δ进行修正;其中,所述历史发生的火灾信息包括以下至少之一:历史发生火灾的火灾等级和频率;和/或,
所述微处理器还用于根据环境信息对所述平滑因子δ,所述环境信息包括以下至少之一:环境温度、环境湿度和天气信息。
5.根据权利要求1所述的系统,其特征在于,所述预警管理平台用于搜集所述火灾预警模型的训练样本,所述训练样本包括在在森林或草原内历史采集的火灾样本数据和未发生火灾时的非火灾样本数据,所述火灾样本数据包括火灾各个时期的数据;
所述预警管理平台还用于利用基于自组织竞争神经网络的聚类方法对所述训练样本进行划分,得到训练样本集和测试样本集。
6.根据权利要求1所述的系统,其特征在于,所述图像传感器用于采集图像;
所述微处理器,用于利用去噪模型去除所述图像中的噪音,获取去除噪音后的所述图像的背景并调节对比度,利用灰度直方图获取火焰的分割阈值,将火焰图像从背景图像中提取出来,对所述火焰图像进行二次去噪,采用灰度直方图均衡化后转化为二值图像,利用大津算法和八邻域联通标记找到每个火焰图像对应的所有像素点,得到分割后的二值化图像;
对所述二值化图像进行分析得到用于输入至所述火灾预警模型以进行所述火灾预警等级确定的特征信息。
7.根据权利要求6所述的系统,其特征在于,所述微处理器,用于对所述二值化图像中的火焰区域进行八邻域边缘跟踪;
对所述火焰区域内部进行像素填充的标号计数的方法,标记统计所有相同灰度的像素点数;
对所述火焰区域进行阈值化处理,将火焰外焰从所述火焰区域中提取出来,以提取火焰的尖角和/或圆形度特征,作为所述特征信息。
8.一种基于PNN神经网络的森林草原火灾预警方法,其特征在于,包括以下步骤:
利用基于PNN神经网络的火灾预警模型,对检测模组检测到的信息进行分析,得到火灾预警信息,所述火灾预警信息包括火灾预警等级;所述检测模组包括多个检测传感器,所述检测传感器包括烟雾传感器、二氧化碳浓度传感器、一氧化碳浓度传感器、温度传感器、湿度传感器、光照传感器和图像传感器中的至少一个;
根据所述火灾预警信息进行预警。
9.根据权利要求8所述的方法,其特征在于,所述利用基于PNN神经网络的火灾预警模型,对检测模组检测到的信息进行分析,得到火灾预警信息之前,还包括:
利用去噪模型去除所述图像传感器采集的图像中的噪音,获取去除噪音后的所述图像的背景并调节对比度,利用灰度直方图获取火焰的分割阈值,将火焰图像从背景图像中提取出来,对所述火焰图像进行二次去噪,采用灰度直方图均衡化后转化为二值图像,利用大津算法和八邻域联通标记找到每个火焰图像对应的所有像素点,得到分割后的二值化图像;
对所述二值化图像进行分析得到用于输入至所述火灾预警模型以进行所述火灾预警等级确定的特征信息。
10.根据权利要求9所述的方法,其特征在于,所述对所述二值化图像进行分析得到用于输入至所述火灾预警模型以进行所述火灾预警等级确定的特征信息,包括:
对所述二值化图像中的火焰区域进行八邻域边缘跟踪;
对所述火焰区域内部进行像素填充的标号计数的方法,标记统计所有相同灰度的像素点数;
对所述火焰区域进行阈值化处理,将火焰外焰从所述火焰区域中提取出来,以提取火焰的尖角和/或圆形度特征,作为所述特征信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111381348.6A CN113990017B (zh) | 2021-11-21 | 2021-11-21 | 基于pnn神经网络的森林草原火灾预警系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111381348.6A CN113990017B (zh) | 2021-11-21 | 2021-11-21 | 基于pnn神经网络的森林草原火灾预警系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113990017A true CN113990017A (zh) | 2022-01-28 |
CN113990017B CN113990017B (zh) | 2022-04-29 |
Family
ID=79749659
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111381348.6A Active CN113990017B (zh) | 2021-11-21 | 2021-11-21 | 基于pnn神经网络的森林草原火灾预警系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113990017B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114463929A (zh) * | 2022-03-29 | 2022-05-10 | 河北金锁安防工程股份有限公司 | 一种智能联动报警控制方法及系统 |
CN115410328A (zh) * | 2022-10-31 | 2022-11-29 | 北京中海兴达建设有限公司 | 施工工地的火灾预警方法、装置、设备及可读存储介质 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060006997A1 (en) * | 2000-06-16 | 2006-01-12 | U.S. Government In The Name Of The Secretary Of Navy | Probabilistic neural network for multi-criteria fire detector |
CN103150856A (zh) * | 2013-02-28 | 2013-06-12 | 江苏润仪仪表有限公司 | 火灾火焰视频监测预警系统及火灾火焰检测方法 |
CN106327357A (zh) * | 2016-08-17 | 2017-01-11 | 深圳先进技术研究院 | 一种基于改进概率神经网络的负载识别方法 |
CN108447219A (zh) * | 2018-05-21 | 2018-08-24 | 中国计量大学 | 基于视频图像的火灾检测系统及方法 |
CN109038643A (zh) * | 2018-06-20 | 2018-12-18 | 中国南方电网有限责任公司 | 多机系统调速器pid参数优化方法、装置、设备及介质 |
CN109036385A (zh) * | 2018-10-19 | 2018-12-18 | 北京旋极信息技术股份有限公司 | 一种语音指令识别方法、装置及计算机存储介质 |
CN109684760A (zh) * | 2018-12-29 | 2019-04-26 | 北京化工大学 | 基于随机搜索算法的弹性矢量波场数值模拟方法及系统 |
CN110492803A (zh) * | 2019-06-06 | 2019-11-22 | 新疆大学 | 基于mdpso的永磁直驱风力发电机参数辨识方法 |
CN110909802A (zh) * | 2019-11-26 | 2020-03-24 | 西安邮电大学 | 一种基于改进的pso优化pnn平滑因子的故障分类方法 |
CN111179279A (zh) * | 2019-12-20 | 2020-05-19 | 成都指码科技有限公司 | 一种基于紫外、双目视觉的综合火焰检测方法 |
CN113223264A (zh) * | 2021-05-08 | 2021-08-06 | 南通理工学院 | 基于qpso-bp神经网络的火灾智能预警系统及方法 |
-
2021
- 2021-11-21 CN CN202111381348.6A patent/CN113990017B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060006997A1 (en) * | 2000-06-16 | 2006-01-12 | U.S. Government In The Name Of The Secretary Of Navy | Probabilistic neural network for multi-criteria fire detector |
CN103150856A (zh) * | 2013-02-28 | 2013-06-12 | 江苏润仪仪表有限公司 | 火灾火焰视频监测预警系统及火灾火焰检测方法 |
CN106327357A (zh) * | 2016-08-17 | 2017-01-11 | 深圳先进技术研究院 | 一种基于改进概率神经网络的负载识别方法 |
CN108447219A (zh) * | 2018-05-21 | 2018-08-24 | 中国计量大学 | 基于视频图像的火灾检测系统及方法 |
CN109038643A (zh) * | 2018-06-20 | 2018-12-18 | 中国南方电网有限责任公司 | 多机系统调速器pid参数优化方法、装置、设备及介质 |
CN109036385A (zh) * | 2018-10-19 | 2018-12-18 | 北京旋极信息技术股份有限公司 | 一种语音指令识别方法、装置及计算机存储介质 |
CN109684760A (zh) * | 2018-12-29 | 2019-04-26 | 北京化工大学 | 基于随机搜索算法的弹性矢量波场数值模拟方法及系统 |
CN110492803A (zh) * | 2019-06-06 | 2019-11-22 | 新疆大学 | 基于mdpso的永磁直驱风力发电机参数辨识方法 |
CN110909802A (zh) * | 2019-11-26 | 2020-03-24 | 西安邮电大学 | 一种基于改进的pso优化pnn平滑因子的故障分类方法 |
CN111179279A (zh) * | 2019-12-20 | 2020-05-19 | 成都指码科技有限公司 | 一种基于紫外、双目视觉的综合火焰检测方法 |
CN113223264A (zh) * | 2021-05-08 | 2021-08-06 | 南通理工学院 | 基于qpso-bp神经网络的火灾智能预警系统及方法 |
Non-Patent Citations (2)
Title |
---|
乔守玉等: ""基于视频序列的火焰模拟"", 《计算机应用》 * |
张志华等: ""基于PNN算法的多传感器火灾探测技术研究"", 《消防科学与技术》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114463929A (zh) * | 2022-03-29 | 2022-05-10 | 河北金锁安防工程股份有限公司 | 一种智能联动报警控制方法及系统 |
CN115410328A (zh) * | 2022-10-31 | 2022-11-29 | 北京中海兴达建设有限公司 | 施工工地的火灾预警方法、装置、设备及可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113990017B (zh) | 2022-04-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113990017B (zh) | 基于pnn神经网络的森林草原火灾预警系统及方法 | |
CN111353413B (zh) | 一种输电设备低漏报率缺陷识别方法 | |
CN109147254B (zh) | 一种基于卷积神经网络的视频野外火灾烟雾实时检测方法 | |
CN112052797A (zh) | 基于MaskRCNN的视频火灾识别方法及系统 | |
CN111079663A (zh) | 高空抛物的监测方法、装置、电子设备及存储介质 | |
CN111091072A (zh) | 一种基于YOLOv3的火焰及浓烟检测方法 | |
CN102163358A (zh) | 一种基于视频图像分析的烟雾/火焰检测方法 | |
KR101084719B1 (ko) | 영상 처리와 지능 연산을 이용한 지능형 연기 검출 시스템 | |
CN109525956B (zh) | 无线传感网中基于数据驱动的分簇的节能的数据收集方法 | |
CN107579846B (zh) | 一种云计算故障数据检测方法及系统 | |
CN108009479A (zh) | 分布式机器学习系统及其方法 | |
CN105975991B (zh) | 一种改进的极限学习机火灾种类识别方法 | |
CN109886146B (zh) | 基于机器视觉检测的洪灾信息遥感智能采集方法及设备 | |
CN108664875A (zh) | 基于图像识别的井下皮带运输监控方法 | |
CN117354986B (zh) | 一种多功能led灯珠的智能控制方法及系统 | |
CN110852441A (zh) | 一种基于改进朴素贝叶斯算法的火灾预警方法 | |
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 | |
CN111539325A (zh) | 基于深度学习的森林火灾探测方法 | |
CN112699801A (zh) | 基于视频图像的火灾识别方法及系统 | |
CN106991400A (zh) | 一种火灾烟雾检测方法及装置 | |
CN115964503B (zh) | 基于社区设备设施的安全风险预测方法及系统 | |
CN107704818A (zh) | 一种基于视频图像的火灾检测系统 | |
CN113255690B (zh) | 一种基于轻量级卷积神经网络的复合绝缘子憎水性检测方法 | |
CN113343123A (zh) | 一种生成对抗多关系图网络的训练方法和检测方法 | |
CN114283367B (zh) | 用于园区火灾预警的人工智能明火探测方法及系统 |
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 |