CN114005237A - 一种基于热成像分析技术的林火识别方法、设备及计算机存储介质 - Google Patents
一种基于热成像分析技术的林火识别方法、设备及计算机存储介质 Download PDFInfo
- Publication number
- CN114005237A CN114005237A CN202111277941.6A CN202111277941A CN114005237A CN 114005237 A CN114005237 A CN 114005237A CN 202111277941 A CN202111277941 A CN 202111277941A CN 114005237 A CN114005237 A CN 114005237A
- Authority
- CN
- China
- Prior art keywords
- fire
- monitoring
- area
- early warning
- 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
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000005516 engineering process Methods 0.000 title claims abstract description 21
- 238000004458 analytical method Methods 0.000 title claims abstract description 20
- 238000001931 thermography Methods 0.000 title claims abstract description 17
- 238000012544 monitoring process Methods 0.000 claims abstract description 267
- 230000000694 effects Effects 0.000 claims abstract description 15
- 238000012790 confirmation Methods 0.000 claims description 41
- 230000002159 abnormal effect Effects 0.000 claims description 21
- 230000008569 process Effects 0.000 claims description 21
- 230000008859 change Effects 0.000 claims description 18
- 230000004071 biological effect Effects 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 11
- 230000011218 segmentation Effects 0.000 claims description 9
- 230000005856 abnormality Effects 0.000 claims description 6
- 230000006399 behavior Effects 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 208000035844 biological anomaly Diseases 0.000 abstract 1
- 238000012216 screening Methods 0.000 description 3
- 230000001932 seasonal effect Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 102100037651 AP-2 complex subunit sigma Human genes 0.000 description 1
- 206010000117 Abnormal behaviour Diseases 0.000 description 1
- 101000806914 Homo sapiens AP-2 complex subunit sigma Proteins 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000004791 biological behavior Effects 0.000 description 1
- 239000002775 capsule Substances 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000003313 weakening effect Effects 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
- G08B17/005—Fire alarms; Alarms responsive to explosion for forest fires, e.g. detecting fires spread over a large or outdoors area
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B17/00—Fire alarms; Alarms responsive to explosion
- G08B17/12—Actuation by presence of radiation or particles, e.g. of infrared radiation or of ions
-
- 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
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Alarm Systems (AREA)
Abstract
本发明公开提供的一种基于热成像分析技术的林火识别方法、设备及计算机存储介质。该基于热成像分析技术的林火识别方法包括：获取目标监测森林对应的位置，将目标监测森林划分为各监测子区域；获取该目标监测森林各监测子区域对应的基本信息；获取历史森林火灾对应的火情数据；对各监测子区域生物对应的活动数据、森林场景视频进行采集；对各监测子区域对应的火情预警系数、生物异常指数进行分析；确认林火区域位置；本发明有效的解决了现有的林火识别方法识别依据因素具有单一性，无法有效的体高林火识别的精准性，大大的提高了林火识别结果的参考性，同时也大大的提高了林火的预警效率。
Description
技术领域
本发明属于林火识别技术领域，涉及到一种基于热成像分析技术的林火识别方法、设备及计算机存储介质。
背景技术
森林火灾一直是世界上最严重的自然灾害和危机事件之一，随着科技的不断发展，各种林火识别设备被广泛投入使用，在林业信息化发展过程中，林火识别设备的广泛使用有效的减少了森林火灾的损失。
现有的林火识别方法主要集中于对森林火灾火焰信息进行识别，例如专利文献(CN111291712A)公开了一种基于插值的CN和胶囊网络的森林火灾识别方法，通过对样本图像进行训练，构建火灾识别模型，采集目标图像，对疑似火焰区域进行处理与分析，获取最终识别结果。
上述方法主要是通过对火灾图片进行训练，识别精准性很大程度上依据于样本数量，没有对林火其它因素进行综合考虑，因此，现有的林火识别方法还存在一定的弊端，一方面，现有的林火识别方法识别依据因素具有单一性，无法有效的体高林火识别的精准性，一方面，现有的林火识别方法无法有效的提高林火识别结果的参考性，另一方面，现有的林火识别方法无法有效的提高林火的预警效率。
发明内容
鉴于此，为解决上述背景技术中所提出的问题，现提出一种基于热成像分析技术的林火识别方法、设备及计算机存储介质，实现了森林火灾的精准识别；
本发明的目的可以通过以下技术方案实现：
本发明第一方面提供了一种基于热成像分析技术的林火识别方法，该方法包括以下步骤：
步骤一、监测区域划分：获取目标监测森林对应的位置，将目标监测森林划分为各监测子区域，将各监测子区域标记为JCi，i＝1,2,......m，m取值为整数；
步骤二、监测区域基本信息获取：获取该目标监测森林各监测子区域对应的基本信息；
步骤三、历史火情数据获取：从火情数据库中提取各次历史森林火灾对应的火情数据，将历史森林火灾次数标记为HCj，j＝1,2,......n，n取值为整数；
步骤四、生物活动数据采集：所述生物环境数据采集用于对各监测子区域生物对应的活动数据进行采集；
步骤五、监测区域视频采集：利用各监测子区域对应的监测摄像头对各监测子区域森林场景进行视频采集，其中，各监测子区域场景视频包括高清可见视频和红外场景视频；
步骤六、监测区域火情预警系数分析：根据各历史火灾对应的火情数据和监测区域对应的气象信息，对各监测子区域对应的火情预警系数进行分析；
步骤七、生物异常指数分析：根据各监测子区域生物对应的活动数据，对和监测子区域生物对应的异常指数进行分析；
步骤八、火情区域确认：根据各监测子区域对应的场景视频、火情监测等级和生物异常指数，对各监测子区域对应的火情真实性进行确认和判断；
步骤九：信息发送与预警：将火情确认区域对应的位置和气象信息发送至该森林消防管理人员，并同时进行林火预警。
在上述方法中，所述监测子区域基本信息获取过程如下：
A1、获取各监测子区域对应的地形类型，标记为DXi；
A2、获取各监测子区域对应的空气相对湿度，标记为XSi；
A3、获取各监测子区域对应的温度，标记为WTi；
A4、获取各监测子区域对应的风力等级，标记为FLi；
A5、获取各监测子区域对应的风向，标记为FXi；
A6、获取各监测子区域对应的位置，标记为Wi。
在上述方法中，所述历史火情数据包括各历史森林火灾发生区域对应的地形类型、各次历史森林火灾对应的发生季节和各历史森林火灾发生区域对应的气象信息；
其中，所述历史火灾发生气象数据为历史火灾发生区域对应的空气相对湿度、温度和风力等级。
在上述方法中，所述生物活动数据采集用于对各监测子区域生物对应的活动区域和活动轨迹进行采集，其中，生物活动数据采集过程如下：
H1、通过卫星遥感技术获取各监测子区域对应的栖息生物类型，获取各栖息生物类型对应的集中栖息区域位置，将各监测子区域对应的栖息生物类型进行编号，依次标记为1，2，......k；
H2、将各类型栖息生物对应的集中栖息区域位置记为追踪位置，利用各监测子区域各追踪位置内的红外摄像头对各监测子区域各追踪位置内的栖息生物进行红外视频采集；
H3、将各监测子区域各追踪位置栖息生物对应的红外视频分割为红外图片序列，并获取各分割图片对应的时间点，并将该时间点记为采集时间点；
H4、根据各监测子区域各追踪位置各采集时间点栖息生物对应的红外图片，获取各监测子区域各追踪位置各采集时间点栖息生物对应的数量；
H5、获取各监测子区域各采集时间点各类型生物对应的外出密集度，标记为Mi tr；
H6、获取各监测子区域各类型栖息生物对应的位置变化率，标记为YSi r。
在上述方法中，所述监测区域火情预警系数具体分析过程如下：
S1、获取各次历史森林火灾对应的火情数据，调取各次历史森林火灾对应的各历史森林火灾发生区域对应的地形类型、各历史森林火灾对应的发生季节、各历史森林火灾发生区域对应的气象信息；
S2、将各次历史森林火灾对应的火情数据分别进行相互对比，获取火情预警信息，其中，火情预警信息包括火情预警地形、火情预警季节、火情预警湿度等级、火情预警温度等级和火情预警预警风力等级；
S3、获取各监测子区域对应的基本信息，调取各监测子区域对应的地形类型、空气相对湿度、温度和风力等级；
S4、将各监测子区域对应的基本信息与火情预警信息进行匹配对比，获取各监测子区域对应的综合火情预警系数，标记为HQi。
在上述方法中，所述生物异常指数具体分析过程如下：
获取各监测子区域各采集时间点各类型生物对应的外出密集度；
将各监测子区域各采集时间点各类型生物对应的外出密集度代入生物外出异常指数计算公式
即可获取各监测子区域栖息生物外出异常指数，
为各监测子区域各类型栖息生物对应的标准外出数量，k为各监测子区域栖息生物类型数量；
获取各监测子区域各类型栖息生物对应的位置变化率；
将各监测子区域各类型栖息生物对应的位置变化率带入计算公式
即可获取各监测子区域栖息生物活动异常指数，YS′r为各类型栖息生物对应的标准位置变化率；
将各监测子区域栖息生物外出异常指数和活动异常指数代入公式
即可获取各监测子区域栖息生物行为异常综合指数，τ1,τ2为预设修正因子。
在上述方法中，所述火情区域确认用于对该目标监测森林疑似火情区域进行火情信息确认，其中，所述疑似火情区域获取过程为：
获取各监测子区域场景视频包括高清可见视频和红外场景视频；
将各监测子区域对应的高清可见视频分割为各图片序列，将各监测子区域对应分割图片与预设的火灾预警图片进行匹配对比；
若某监测子区域某分割图片与预设的火灾预警图片一致，则将该监测子区域记为重点监测区域；
调取该重点监测区域对应的红外场景视频，将该重点监测区域对应的进行视频分割，获取该重点监测区域对应的分割红外场景图片和各分割红外场景图片对应的分割时间点，将分割时间点记为监测时间点；
根据该重点监测区域各监测时间点对应的红外场景图片，获取该重点监测区域各监测时间点红外场景图片对应的颜色种类；
将该重点监测区域各监测时间点该红外场景颜色图片颜色与预设的预警温度颜色进行匹配对比，若该重点监测区域某监测时间点红外场景颜色与预警温度颜色一致，则将该重点监测区域记为疑似火情区域；
提取疑似火情区域各监测时间点红外场景图片中预警温度颜色对应的轮廓，获取疑似火情区域各监测时间点红外场景图片中预警温度颜色对应的面积，将该面积记为监测面积；
以时间为横坐标轴，以疑似火情区域预警红外图片中预警温度颜色对应的面积作为纵坐标轴，构建疑似火情区域预警温度分布曲线。
在上述方法中，所述火情区域具体确认过程如下：
根据疑似火情区域预警温度分布曲线，获取该疑似火情区域预警温度对应的分布类型；
根据该疑似火情区域预警温度分布类型，从数据库调取该疑似火情区域火情疑似指数，标记为GH；
利用计算公式计算该疑似火情区域对应的火情确认指数，标记为γ；
将该疑似火情区域对应的火情确认指数与预设的火情确认指数进行对比，若该疑似火情区域对应的火情确认指数达到预设值，将该疑似火情区域记为火情确认区域，获取火情确认区域对应的位置和气象信息。
本发明第二方面提供了一种设备，包括：处理器，以及与处理器连接的内存和网络接口；所述网络接口与服务器中的非易失性存储器连接；所述处理器在运行时通过所述网络接口从所述非易失性存储器中调取计算机程序，并通过所述内存运行所述计算机程序，以执行本发明所述的方法。
本发明第三方面提供了一种计算机存储介质，所述计算机存储介质烧录有计算机程序，所述计算机程序在服务器的内存中运行时实现本发明所述的方法。
本发明的有益效果：
(1)本发明提供的一种基于热成像分析技术的林火识别方法，通过对目标监测森林各监测子区域生物活动数据、场景视频以及历史火情数据进行处理与分析，有效的解决了现有的林火识别方法识别依据因素具有单一性，无法有效的体高林火识别的精准性，大大的提高了林火识别结果的参考性，同时也大大的提高了林火的预警效率。
(2)本发明通过获取历史火情数据，大大的提高了目标监测森林各监测子区域林火识别结果的说服力，同时通过获取已发生事件对应的数据信息，可以有效的提高林火识别结果的可靠性。
(3)本发明通过对各监测子区域生物活动数据进行采集，可以更为直观的反应各监测子区域对应的环境变化信息，从生物的角度可以有效的提高疑似林火区域的定位效率。
(4)本发明通过对各监测子区域进行双视频采集，为林火识别结果的真实性提供了有效的双重保障，同时也为疑似林火区域确认提供了信息基础。
(5)本发明通过将火情确认区域对应的位置和气象信息发送至该森林消防管理人员，并同时进行林火预警，大大的提高了林火预警应答效率，同时也有效的防止了林火的进一步扩散。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述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为本发明方法实施步骤图。
具体实施方式
下面将结合本发明实施以上内容仅仅是对本发明的构思所作的举例和说明，所属本技术领域的技术人员对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，只要不偏离发明的构思或者超越本权利要求书所定义的范围，均应属于本发明的保护范围。
本发明实施例所述的一种基于热成像分析技术的林火识别方法，如图1所示，所述方法包括以下步骤：
步骤一、监测区域划分：获取目标监测森林对应的位置，将目标监测森林划分为各监测子区域，将各监测子区域标记为JCi，i＝1,2,......m，m取值为整数；
步骤二、监测区域基本信息获取：获取该目标监测森林各监测子区域对应的基本信息；
详细地，所述监测子区域基本信息获取过程如下：
A1、获取各监测子区域对应的地形类型，标记为DXi；
A2、获取各监测子区域对应的空气相对湿度，标记为XSi；
A3、获取各监测子区域对应的温度，标记为WTi；
A4、获取各监测子区域对应的风力等级，标记为FLi；
A5、获取各监测子区域对应的风向，标记为FXi；
A6、获取各监测子区域对应的位置，标记为Wi。
步骤三、历史火情数据获取：从火情数据库中提取各次历史森林火灾对应的火情数据，将历史森林火灾次数标记为HCj，j＝1,2,......n，n取值为整数；
详细地，所述历史火情数据包括各历史森林火灾发生区域对应的地形类型、各次历史森林火灾对应的发生季节和各历史森林火灾发生区域对应的气象信息；
其中，所述历史火灾发生气象数据为历史火灾发生区域对应的空气相对湿度、温度和风力等级。
本发明实施例通过获取历史火情数据，大大的提高了目标监测森林各监测子区域林火识别结果的说服力，同时通过获取已发生事件对应的数据信息，可以有效的提高林火识别结果的可靠性。
步骤四、生物活动数据采集：所述生物环境数据采集用于对各监测子区域生物对应的活动数据进行采集；
详细地，所述生物活动数据采集用于对各监测子区域生物对应的活动区域和活动轨迹进行采集，其中，生物活动数据采集过程如下：
H1、通过卫星遥感技术获取各监测子区域对应的栖息生物类型，获取各栖息生物类型对应的集中栖息区域位置，将各监测子区域对应的栖息生物类型进行编号，依次标记为1，2，......k；
H2、将各类型栖息生物对应的集中栖息区域位置记为追踪位置，利用各监测子区域各追踪位置内的红外摄像头对各监测子区域各追踪位置内的栖息生物进行红外视频采集；
H3、将各监测子区域各追踪位置栖息生物对应的红外视频分割为红外图片序列，并获取各分割图片对应的时间点，并将该时间点记为采集时间点；
H4、根据各监测子区域各追踪位置各采集时间点栖息生物对应的红外图片，获取各监测子区域各追踪位置各采集时间点栖息生物对应的数量；
H5、获取各监测子区域各采集时间点各类型生物对应的外出密集度，标记为Mi tr；
其中，所述栖息生物外出密集度获取过程为：以时间为坐标，将各采集时间点各监测子区域各追踪位置栖息生物对应的数量作为特征点，获取各监测子区域各采集时间点各类型生物对应的外出密集度，标记为Mi tr，t为采集时间点，t＝1,2,......u，r为栖息生物类型编号，r＝1，2，......k；
H6、获取各监测子区域各类型栖息生物对应的位置变化率，标记为YSi r。
其中，栖息生物位置变化率获取过程：获取各监测子区域各追踪位置栖息生物各采集时间点对应的位置，以时间为横坐标，以各监测子区域各追踪位置栖息生物对应的位置为纵坐标，构建各采集时间点各监测子区域各类型栖息生物活动轨迹曲线，获取各监测子区域各类型栖息生物对应的位置变化率，标记为YSi r。
其中栖息生物位置为群体生物位置，当采集到栖息生物时，将红外摄像头聚焦于栖息生物，并进行位置追踪。
其中，所述各监测子区域各类型栖息生物对应的位置变化率表示各类型生物对应的活动速率，即位各监测子区域各追踪位置栖息生物活动轨迹曲线对应的斜率。
其中，所述各追踪位置对应一种栖息生物，即栖息生物类型与其追踪位置一一对应。
本发明实施例通过对各监测子区域生物活动数据进行采集，可以更为直观的反应各监测子区域对应的环境变化信息，从生物的角度可以有效的提高疑似林火区域的定位效率。
步骤五、监测区域视频采集：利用各监测子区域对应的监测摄像头对各监测子区域森林场景进行视频采集，其中，各监测子区域场景视频包括高清可见视频和红外场景视频；
本发明实施例通过对各监测子区域进行双视频采集，为林火识别结果的真实性提供了有效的双重保障，同时也为疑似林火区域的确认提供了信息基础。
步骤六、监测区域火情预警系数分析：根据各历史火灾对应的火情数据和监测区域对应的气象信息，对各监测子区域对应的火情预警系数进行分析；
详细地，所述监测区域火情预警系数具体分析过程如下：
S1、获取各次历史森林火灾对应的火情数据，调取各次历史森林火灾对应的各历史森林火灾发生区域对应的地形类型、各历史森林火灾对应的发生季节、各历史森林火灾发生区域对应的气象信息；
S2、将各次历史森林火灾对应的火情数据分别进行相互对比，获取火情预警信息，其中，火情预警信息包括火情预警地形、火情预警季节、火情预警湿度等级、火情预警温度等级和火情预警预警风力等级；
其中，所述各次森林火灾火情数据具体对比过程如下：
S21、将各次历史森林火灾对应的地形类型进行相互对比，获取各类型地形对应的森林火灾发生次数，将各类型地形森林火灾对应的发生次数进行相互对比，筛选出森林火灾发生次数最多的地形类型，将该地形类型记为火情预警地形类型；
S22、将各次历史森林火灾对应的发生季节进行相互对比，筛选出森林火灾发生次数最多的季节，将该季节记为火情预警季节；
S23、获取各次历史森林火灾发生区域对应的气象信息，调取各次历史森林火灾发生区域对应的空气相对湿度、温度和风力等级；
S24、将各次历史森林火灾发生区域对应的气象信息进行相互对比，筛选出森林火灾发生次数最多的气象信息，将该气象信息记为火情预警气象信息，其中，火情预警气象信息包括火情预警湿度等级、火情预警温度等级和火情预警预警风力等级；
S3、获取各监测子区域对应的基本信息，调取各监测子区域对应的地形类型、空气相对湿度、温度和风力等级；
S4、将各监测子区域对应的基本信息与火情预警信息进行匹配对比，获取各监测子区域对应的综合火情预警系数，标记为HQi。
其中，所述各监测子区域火情预警系数获取过程如下：
获取当前对应的季节，将当前对应的季节与火情预警季节进行对比，若当前季节处于火情预警季节，将各监测子区域季节火情预警系数记为α，反之则标记为α′；
获取各监测子区域对应的地形类型，将各监测子区域对应的地形类型与火情预警地形类型进行相互对比，若某监测子区域对应的地形类型与火情预警区域对应的地形类型一致，将该监测子区域地形火情预警系数记为β，反之则标记为β′；
获取各监测子区域对应的空气相对湿度，将各监测子区域对应的空气相对湿度与火情预警湿度等级进行匹配对比，若某监测子区域对应的空气相对湿度属于火情预警湿度等级，将该监测子区域湿度预警系数记为ε，反之则标记为ε′；
获取各监测子区域对应的温度，将各监测子区域对应的温度与火情预警温度等级进行匹配对比，若某监测子区域对应的温度属于火情预警温度等级，将该监测子区域温度预警系数记为η，反之则标记为η′；
获取各监测子区域对应的风力等级，将各监测子区域对应的风力等级与火情预警风力等级进行相互对比，若某监测子区域对应的风力等级与火情预警风力等级一致，将该监测子区域风力预警系数记为μ，反之则标记为μ′；
将各监测子区域对应的季节火情预警系数、地形火情预警系数、湿度火情预警系数、温度火情预警系数、风力火情预警系数带入计算公式
即可获取各监测子区域对应的综合火情预警系数，JHi,DHi,SHi,WHi,FHi分别为各监测子区域季节火情预警系数、地形火情预警系数、湿度火情预警系数、温度火情预警系数、风力火情预警系数，JHi为季节火情预警系数，JHi∈(α,α′),α＞α′，DHi为地形火情预警系数，DHi∈(β,β′),β＞β′，SHi为湿度火情预警系数，SHi∈(ε,ε′),ε＞ε′，WHi为温度火情预警系数，WHi∈(η,η′),η＞η′，FHi为风力火情预警系数，FHi∈(μ,μ′),μ＞μ′。
步骤七、生物异常指数分析：根据各监测子区域生物对应的活动数据，对和监测子区域生物对应的异常指数进行分析；
详细地，所述生物异常指数具体分析过程如下：
获取各监测子区域各采集时间点各类型生物对应的外出密集度；
将各监测子区域各采集时间点各类型生物对应的外出密集度代入生物外出异常指数计算公式
即可获取各监测子区域栖息生物外出异常指数，
为各监测子区域各类型栖息生物对应的标准外出数量，k为各监测子区域栖息生物类型数量；
获取各监测子区域各类型栖息生物对应的位置变化率；
将各监测子区域各类型栖息生物对应的位置变化率带入计算公式
即可获取各监测子区域栖息生物活动异常指数，YSr′为各类型栖息生物对应的标准位置变化率；
将各监测子区域栖息生物外出异常指数和活动异常指数代入公式
即可获取各监测子区域栖息生物行为异常综合指数，τ1,τ2为预设修正因子。
步骤八、火情区域确认：根据各监测子区域对应的场景视频、火情监测等级和生物异常指数，对各监测子区域对应的火情真实性进行确认和判断；
详细地，所述火情区域确认用于对该目标监测森林疑似火情区域进行火情信息确认，其中，所述疑似火情区域获取过程为：
获取各监测子区域场景视频包括高清可见视频和红外场景视频；
将各监测子区域对应的高清可见视频分割为各图片序列，将各监测子区域对应分割图片与预设的火灾预警图片进行匹配对比；
若某监测子区域某分割图片与预设的火灾预警图片一致，则将该监测子区域记为重点监测区域；
调取该重点监测区域对应的红外场景视频，将该重点监测区域对应的进行视频分割，获取该重点监测区域对应的分割红外场景图片和各分割红外场景图片对应的分割时间点，将分割时间点记为监测时间点；
根据该重点监测区域各监测时间点对应的红外场景图片，获取该重点监测区域各监测时间点红外场景图片对应的颜色种类；
将该重点监测区域各监测时间点该红外场景颜色图片颜色与预设的预警温度颜色进行匹配对比，若该重点监测区域某监测时间点红外场景颜色与预警温度颜色一致，则将该重点监测区域记为疑似火情区域；
提取疑似火情区域各监测时间点红外场景图片中预警温度颜色对应的轮廓，获取疑似火情区域各监测时间点红外场景图片中预警温度颜色对应的面积，将该面积记为监测面积；
以时间为横坐标轴，以疑似火情区域预警红外图片中预警温度颜色对应的面积作为纵坐标轴，构建疑似火情区域预警温度分布曲线。
更详细地，所述火情区域具体确认过程如下：
根据疑似火情区域预警温度分布曲线，获取该疑似火情区域预警温度对应的分布类型；
其中，疑似火情区域预警温度分布类型包括持续增长型分布、稳定型分布和减弱型分布。
根据该疑似火情区域预警温度分布类型，从数据库调取该疑似火情区域火情疑似指数，标记为GH；
利用计算公式计算该疑似火情区域对应的火情确认指数，标记为γ；
其中，具体计算公式为
即可获取该疑似火情区域对应的火情确认指数，σ1,σ2,σ3为预设系数，HQ为该疑似火情区域对应的综合火情预警系数，
为该疑似火情区域对应的生物行为异常综合指数。
将该疑似火情区域对应的火情确认指数与预设的火情确认指数进行对比，若该疑似火情区域对应的火情确认指数达到预设值，将该疑似火情区域记为火情确认区域，获取火情确认区域对应的位置和气象信息。
本发明实施例通过对目标监测森林各监测子区域生物活动数据、场景视频以及历史火情数据进行处理与分析，有效的解决了现有的林火识别方法识别依据因素具有单一性，无法有效的体高林火识别的精准性，大大的提高了林火识别结果的参考性，同时也大大的提高了林火的预警效率。
步骤九：信息发送与预警：将火情确认区域对应的位置和气象信息发送至该森林消防管理人员，并同时进行林火预警。
本发明实施例通过将火情确认区域对应的位置和气象信息发送至该森林消防管理人员，并同时进行林火预警，大大的提高了林火预警应答效率，同时也有效的防止了林火的进一步扩散。
本发明还提供了一种设备，包括：处理器，以及与处理器连接的内存和网络接口；所述网络接口与服务器中的非易失性存储器连接；所述处理器在运行时通过所述网络接口从所述非易失性存储器中调取计算机程序，并通过所述内存运行所述计算机程序，以执行本发明所述的方法。
本发明还提供了一种计算机存储介质，所述计算机存储介质烧录有计算机程序，所述计算机程序在服务器的内存中运行时实现本发明所述的方法。
以上内容仅仅是对本发明的构思所作的举例和说明，所属本技术领域的技术人员对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，只要不偏离发明的构思或者超越本权利要求书所定义的范围，均应属于本发明的保护范围。
Claims (10)
1.一种基于热成像分析技术的林火识别方法，其特征在于：该方法包括以下步骤：
步骤一、监测区域划分：获取目标监测森林对应的位置，将目标监测森林划分为各监测子区域，将各监测子区域标记为JCi，i＝1,2,......m，m取值为整数；
步骤二、监测区域基本信息获取：获取该目标监测森林各监测子区域对应的基本信息；
步骤三、历史火情数据获取：从火情数据库中提取各次历史森林火灾对应的火情数据，将历史森林火灾次数标记为HCj，j＝1,2,......n，n取值为整数；
步骤四、生物活动数据采集：所述生物环境数据采集用于对各监测子区域生物对应的活动数据进行采集；
步骤五、监测区域视频采集：利用各监测子区域对应的监测摄像头对各监测子区域森林场景进行视频采集，其中，各监测子区域场景视频包括高清可见视频和红外场景视频；
步骤六、监测区域火情预警系数分析：根据各历史火灾对应的火情数据和监测区域对应的气象信息，对各监测子区域对应的火情预警系数进行分析；
步骤七、生物异常指数分析：根据各监测子区域生物对应的活动数据，对和监测子区域生物对应的异常指数进行分析；
步骤八、火情区域确认：根据各监测子区域对应的场景视频、火情监测等级和生物异常指数，对各监测子区域对应的火情真实性进行确认和判断；
步骤九：信息发送与预警：将火情确认区域对应的位置和气象信息发送至该森林消防管理人员，并同时进行林火预警。
2.根据权利要求1所述的一种基于热成像分析技术的林火识别方法，其特征在于：所述监测子区域基本信息获取过程如下：
A1、获取各监测子区域对应的地形类型，标记为DXi；
A2、获取各监测子区域对应的空气相对湿度，标记为XSi；
A3、获取各监测子区域对应的温度，标记为WTi；
A4、获取各监测子区域对应的风力等级，标记为FLi；
A5、获取各监测子区域对应的风向，标记为FXi；
A6、获取各监测子区域对应的位置，标记为Wi。
3.根据权利要求1所述的一种基于热成像分析技术的林火识别方法，其特征在于：所述历史火情数据包括各历史森林火灾发生区域对应的地形类型、各次历史森林火灾对应的发生季节和各历史森林火灾发生区域对应的气象信息；
其中，所述历史火灾发生气象数据为历史火灾发生区域对应的空气相对湿度、温度和风力等级。
4.根据权利要求1所述的一种基于热成像分析技术的林火识别方法，其特征在于：所述生物活动数据采集用于对各监测子区域生物对应的活动区域和活动轨迹进行采集，其中，生物活动数据采集过程如下：
H1、通过卫星遥感技术获取各监测子区域对应的栖息生物类型，获取各栖息生物类型对应的集中栖息区域位置，将各监测子区域对应的栖息生物类型进行编号，依次标记为1，2，......k；
H2、将各类型栖息生物对应的集中栖息区域位置记为追踪位置，利用各监测子区域各追踪位置内的红外摄像头对各监测子区域各追踪位置内的栖息生物进行红外视频采集；
H3、将各监测子区域各追踪位置栖息生物对应的红外视频分割为红外图片序列，并获取各分割图片对应的时间点，并将该时间点记为采集时间点；
H4、根据各监测子区域各追踪位置各采集时间点栖息生物对应的红外图片，获取各监测子区域各追踪位置各采集时间点栖息生物对应的数量；
H5、获取各监测子区域各采集时间点各类型生物对应的外出密集度，标记为Mi tr；
H6、获取各监测子区域各类型栖息生物对应的位置变化率，标记为YSi r。
5.根据权利要求1所述的一种基于热成像分析技术的林火识别方法，其特征在于：所述监测区域火情预警系数具体分析过程如下：
S1、获取各次历史森林火灾对应的火情数据，调取各次历史森林火灾对应的各历史森林火灾发生区域对应的地形类型、各历史森林火灾对应的发生季节、各历史森林火灾发生区域对应的气象信息；
S2、将各次历史森林火灾对应的火情数据分别进行相互对比，获取火情预警信息，其中，火情预警信息包括火情预警地形、火情预警季节、火情预警湿度等级、火情预警温度等级和火情预警预警风力等级；
S3、获取各监测子区域对应的基本信息，调取各监测子区域对应的地形类型、空气相对湿度、温度和风力等级；
S4、将各监测子区域对应的基本信息与火情预警信息进行匹配对比，获取各监测子区域对应的综合火情预警系数，标记为HQi。
6.根据权利要求1所述的一种基于热成像分析技术的林火识别方法，其特征在于：所述生物异常指数具体分析过程如下：
获取各监测子区域各采集时间点各类型生物对应的外出密集度；
将各监测子区域各采集时间点各类型生物对应的外出密集度代入生物外出异常指数计算公式
即可获取各监测子区域栖息生物外出异常指数，Mi′r为各监测子区域各类型栖息生物对应的标准外出数量，k为各监测子区域栖息生物类型数量；
获取各监测子区域各类型栖息生物对应的位置变化率；
将各监测子区域各类型栖息生物对应的位置变化率带入计算公式
即可获取各监测子区域栖息生物活动异常指数，YSr′为各类型栖息生物对应的标准位置变化率；
将各监测子区域栖息生物外出异常指数和活动异常指数代入公式
即可获取各监测子区域栖息生物行为异常综合指数，τ1,τ2为预设修正因子。
7.根据权利要求1所述的一种基于热成像分析技术的林火识别方法，其特征在于：所述火情区域确认用于对该目标监测森林疑似火情区域进行火情信息确认，其中，所述疑似火情区域获取过程为：
获取各监测子区域场景视频包括高清可见视频和红外场景视频；
将各监测子区域对应的高清可见视频分割为各图片序列，将各监测子区域对应分割图片与预设的火灾预警图片进行匹配对比；
若某监测子区域某分割图片与预设的火灾预警图片一致，则将该监测子区域记为重点监测区域；
调取该重点监测区域对应的红外场景视频，将该重点监测区域对应的进行视频分割，获取该重点监测区域对应的分割红外场景图片和各分割红外场景图片对应的分割时间点，将分割时间点记为监测时间点；
根据该重点监测区域各监测时间点对应的红外场景图片，获取该重点监测区域各监测时间点红外场景图片对应的颜色种类；
将该重点监测区域各监测时间点该红外场景颜色图片颜色与预设的预警温度颜色进行匹配对比，若该重点监测区域某监测时间点红外场景颜色与预警温度颜色一致，则将该重点监测区域记为疑似火情区域；
提取疑似火情区域各监测时间点红外场景图片中预警温度颜色对应的轮廓，获取疑似火情区域各监测时间点红外场景图片中预警温度颜色对应的面积，将该面积记为监测面积；
以时间为横坐标轴，以疑似火情区域预警红外图片中预警温度颜色对应的面积作为纵坐标轴，构建疑似火情区域预警温度分布曲线。
8.根据权利要求1所述的一种基于热成像分析技术的林火识别方法，其特征在于：所述火情区域具体确认过程如下：
根据疑似火情区域预警温度分布曲线，获取该疑似火情区域预警温度对应的分布类型；
根据该疑似火情区域预警温度分布类型，从数据库调取该疑似火情区域火情疑似指数，标记为GH；
利用计算公式计算该疑似火情区域对应的火情确认指数，标记为γ；
将该疑似火情区域对应的火情确认指数与预设的火情确认指数进行对比，若该疑似火情区域对应的火情确认指数达到预设值，将该疑似火情区域记为火情确认区域，获取火情确认区域对应的位置和气象信息。
9.一种设备，其特征在于：包括：处理器，以及与处理器连接的内存和网络接口；所述网络接口与服务器中的非易失性存储器连接；所述处理器在运行时通过所述网络接口从所述非易失性存储器中调取计算机程序，并通过所述内存运行所述计算机程序，以执行上述权利要求1-7任一项所述的方法。
10.一种计算机存储介质，其特征在于：所述计算机存储介质烧录有计算机程序，所述计算机程序在服务器的内存中运行时实现上述权利要求1-8任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111277941.6A CN114005237B (zh) | 2021-10-30 | 2021-10-30 | 一种基于热成像分析技术的林火识别方法、设备及计算机存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111277941.6A CN114005237B (zh) | 2021-10-30 | 2021-10-30 | 一种基于热成像分析技术的林火识别方法、设备及计算机存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114005237A true CN114005237A (zh) | 2022-02-01 |
| CN114005237B CN114005237B (zh) | 2023-03-28 |
Family
ID=79925932
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111277941.6A Active CN114005237B (zh) | 2021-10-30 | 2021-10-30 | 一种基于热成像分析技术的林火识别方法、设备及计算机存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114005237B (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114935369A (zh) * | 2022-06-14 | 2022-08-23 | 湖北筑森生态科技有限公司 | 一种智能识别的森林生态监测系统及其方法 |
| CN115331383A (zh) * | 2022-10-11 | 2022-11-11 | 杭州浩联智能科技有限公司 | 一种施工现场安全风险识别方法及系统 |
| CN116386252A (zh) * | 2023-04-11 | 2023-07-04 | 东北林业大学 | 一种基于森林区域划分的可燃物监测方法 |
| CN116778192A (zh) * | 2023-05-25 | 2023-09-19 | 淮北矿业(集团)有限责任公司物业分公司 | 一种基于空地设备协同的火灾安全预警系统 |
| CN116843276A (zh) * | 2023-02-15 | 2023-10-03 | 新世纪发展集团有限公司 | 一种基于物联网的智慧园林维护管理系统及方法 |
| CN117037406A (zh) * | 2023-07-28 | 2023-11-10 | 安徽龙讯信息科技有限公司 | 一种森林火灾智能化监控和预警系统 |
| CN117291430A (zh) * | 2023-11-24 | 2023-12-26 | 江苏海内软件科技有限公司 | 一种基于机器视觉的安全生产检测方法及装置 |
| CN117854213A (zh) * | 2024-01-10 | 2024-04-09 | 吉林省林业科学研究院(吉林省林业生物防治中心站) | 一种基于气象数据的森林防火监测预警系统及方法 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105719421A (zh) * | 2016-04-27 | 2016-06-29 | 丛静华 | 一种基于大数据挖掘的集成化森林防火信息化系统 |
| CN105931409A (zh) * | 2016-05-30 | 2016-09-07 | 重庆大学 | 一种基于红外与可见光摄像机联动的森林火灾监测方法 |
| CN108717582A (zh) * | 2018-04-17 | 2018-10-30 | 平安科技（深圳）有限公司 | 森林火灾预测方法、装置、计算机设备和存储介质 |
| WO2018218286A1 (en) * | 2017-05-29 | 2018-12-06 | Saltor Pty Ltd | Method and system for abnormality detection |
| CN109920191A (zh) * | 2019-01-16 | 2019-06-21 | 深圳壹账通智能科技有限公司 | 火灾报警方法、装置、计算机设备和存储介质 |
| CN110807891A (zh) * | 2019-10-31 | 2020-02-18 | 国网山东省电力公司威海供电公司 | 一种电网山火监测预警系统及方法 |
| US20200155882A1 (en) * | 2018-11-21 | 2020-05-21 | Ali Tohidi | Fire forecasting |
| CN112990562A (zh) * | 2021-03-05 | 2021-06-18 | 中国铁塔股份有限公司黑龙江省分公司 | 一种基于群落特征的森林防火等级预测算法 |
| US20210260421A1 (en) * | 2020-02-20 | 2021-08-26 | Gideon Raya | Fire control and prevention |
-
2021
- 2021-10-30 CN CN202111277941.6A patent/CN114005237B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105719421A (zh) * | 2016-04-27 | 2016-06-29 | 丛静华 | 一种基于大数据挖掘的集成化森林防火信息化系统 |
| CN105931409A (zh) * | 2016-05-30 | 2016-09-07 | 重庆大学 | 一种基于红外与可见光摄像机联动的森林火灾监测方法 |
| WO2018218286A1 (en) * | 2017-05-29 | 2018-12-06 | Saltor Pty Ltd | Method and system for abnormality detection |
| CN108717582A (zh) * | 2018-04-17 | 2018-10-30 | 平安科技（深圳）有限公司 | 森林火灾预测方法、装置、计算机设备和存储介质 |
| US20200155882A1 (en) * | 2018-11-21 | 2020-05-21 | Ali Tohidi | Fire forecasting |
| CN109920191A (zh) * | 2019-01-16 | 2019-06-21 | 深圳壹账通智能科技有限公司 | 火灾报警方法、装置、计算机设备和存储介质 |
| CN110807891A (zh) * | 2019-10-31 | 2020-02-18 | 国网山东省电力公司威海供电公司 | 一种电网山火监测预警系统及方法 |
| US20210260421A1 (en) * | 2020-02-20 | 2021-08-26 | Gideon Raya | Fire control and prevention |
| CN112990562A (zh) * | 2021-03-05 | 2021-06-18 | 中国铁塔股份有限公司黑龙江省分公司 | 一种基于群落特征的森林防火等级预测算法 |
Non-Patent Citations (2)
| Title |
|---|
| 骆开苇: "全球森林火灾风险时空挖掘及预警预测方法研究", 《中国优秀硕士学位论文全文数据库 农业科技辑》 * |
| 高德民,林海峰,刘云飞,吴国新: "基于无线传感网的森林火灾FWI系统分析", 《林业科技开发》 * |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114935369A (zh) * | 2022-06-14 | 2022-08-23 | 湖北筑森生态科技有限公司 | 一种智能识别的森林生态监测系统及其方法 |
| CN115331383A (zh) * | 2022-10-11 | 2022-11-11 | 杭州浩联智能科技有限公司 | 一种施工现场安全风险识别方法及系统 |
| CN116843276A (zh) * | 2023-02-15 | 2023-10-03 | 新世纪发展集团有限公司 | 一种基于物联网的智慧园林维护管理系统及方法 |
| CN116843276B (zh) * | 2023-02-15 | 2024-04-26 | 新世纪发展集团有限公司 | 一种基于物联网的智慧园林维护管理系统及方法 |
| CN116386252B (zh) * | 2023-04-11 | 2024-04-02 | 东北林业大学 | 一种基于森林区域划分的可燃物监测方法 |
| CN116386252A (zh) * | 2023-04-11 | 2023-07-04 | 东北林业大学 | 一种基于森林区域划分的可燃物监测方法 |
| CN116778192A (zh) * | 2023-05-25 | 2023-09-19 | 淮北矿业(集团)有限责任公司物业分公司 | 一种基于空地设备协同的火灾安全预警系统 |
| CN116778192B (zh) * | 2023-05-25 | 2024-02-02 | 淮北矿业(集团)有限责任公司物业分公司 | 一种基于空地设备协同的火灾安全预警系统 |
| CN117037406A (zh) * | 2023-07-28 | 2023-11-10 | 安徽龙讯信息科技有限公司 | 一种森林火灾智能化监控和预警系统 |
| CN117037406B (zh) * | 2023-07-28 | 2024-04-30 | 安徽龙讯信息科技有限公司 | 一种森林火灾智能化监控和预警系统 |
| CN117291430B (zh) * | 2023-11-24 | 2024-03-19 | 江苏海内软件科技有限公司 | 一种基于机器视觉的安全生产检测方法及装置 |
| CN117291430A (zh) * | 2023-11-24 | 2023-12-26 | 江苏海内软件科技有限公司 | 一种基于机器视觉的安全生产检测方法及装置 |
| CN117854213A (zh) * | 2024-01-10 | 2024-04-09 | 吉林省林业科学研究院(吉林省林业生物防治中心站) | 一种基于气象数据的森林防火监测预警系统及方法 |
| CN117854213B (zh) * | 2024-01-10 | 2024-06-04 | 吉林省林业科学研究院(吉林省林业生物防治中心站) | 一种基于气象数据的森林防火监测预警系统及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114005237B (zh) | 2023-03-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114005237B (zh) | 一种基于热成像分析技术的林火识别方法、设备及计算机存储介质 | |
| Cheng et al. | Early yield prediction using image analysis of apple fruit and tree canopy features with neural networks | |
| Ratnayake et al. | Tracking individual honeybees among wildflower clusters with computer vision-facilitated pollinator monitoring | |
| Swanson et al. | Snapshot Serengeti, high-frequency annotated camera trap images of 40 mammalian species in an African savanna | |
| Stojnić et al. | A method for detection of small moving objects in UAV videos | |
| CN116051996A (zh) | 一种基于多模态信息的二阶段农作物生长预测方法 | |
| CN115631421A (zh) | 耕地智慧保护方法及保护系统 | |
| Sun et al. | A visual tracking system for honey bee (hymenoptera: Apidae) 3D flight trajectory reconstruction and analysis | |
| Mortensen et al. | The oil radish growth dataset for semantic segmentation and yield estimation | |
| CN117095153A (zh) | 一种多模态果实感知系统、装置及存储介质 | |
| Marcot et al. | Efficacy of automated detection of motion in wildlife monitoring videos | |
| CN111783726A (zh) | 基于人工智能和bim的放牧牲畜离群视频采集方法 | |
| Lozano | Distribution of five aquatic plants native to South America and invasive elsewhere under current climate | |
| CN112036717A (zh) | 基于物联网的智慧农业用农产品溯源管理系统 | |
| Nguyen et al. | SAWIT: A small-sized animal wild image dataset with annotations | |
| Liu et al. | Evaluating effects of post-fire climate and burn severity on the early-term regeneration of Forest and shrub communities in the San Gabriel Mountains of California from Sentinel-2 (MSI) images | |
| Hilton et al. | Utility of machine learning for segmenting camera trap time‐lapse recordings | |
| Porter et al. | Ecological image databases: from the webcam to the researcher | |
| Maile et al. | The successes and pitfalls: Deep‐learning effectiveness in a Chernobyl field camera trap application | |
| CN116977929B (zh) | 基于鱼类打水行为监测的种群识别方法及系统 | |
| CN117975572A (zh) | 一种基于机器视觉的鱼类行为检测方法 | |
| Oh et al. | Yield Monitoring Service with Time Series Representation of Growth from Crop Images | |
| KATAMBA et al. | The use of different technology within PlantScope: A case study of plants in Nigeria | |
| Krogh Mortensen et al. | The oil radish growth dataset for semantic segmentation and yield estimation | |
| Padubidri et al. | The Be-Hive Project—Counting Bee Traffic Based on Deep Learning and Pose Estimation |
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 |