CN116597155A - 基于多平台协同计算模式的林火蔓延预测方法和系统 - Google Patents
基于多平台协同计算模式的林火蔓延预测方法和系统 Download PDFInfo
- Publication number
- CN116597155A CN116597155A CN202310353456.5A CN202310353456A CN116597155A CN 116597155 A CN116597155 A CN 116597155A CN 202310353456 A CN202310353456 A CN 202310353456A CN 116597155 A CN116597155 A CN 116597155A
- Authority
- CN
- China
- Prior art keywords
- fire
- unmanned aerial
- aerial vehicle
- edge
- platform
- 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.)
- Pending
Links
- 230000007480 spreading Effects 0.000 title claims abstract description 92
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000004364 calculation method Methods 0.000 claims abstract description 36
- 241000983009 Malaisia scandens Species 0.000 claims abstract description 4
- 238000004422 calculation algorithm Methods 0.000 claims description 22
- 230000008447 perception Effects 0.000 claims description 21
- 238000004891 communication Methods 0.000 claims description 19
- 210000002569 neuron Anatomy 0.000 claims description 19
- 238000001514 detection method Methods 0.000 claims description 15
- 238000003062 neural network model Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 8
- 238000013527 convolutional neural network Methods 0.000 claims description 7
- 238000012544 monitoring process Methods 0.000 abstract description 25
- 230000006870 function Effects 0.000 description 26
- 239000002245 particle Substances 0.000 description 20
- 239000011159 matrix material Substances 0.000 description 12
- 230000008569 process Effects 0.000 description 10
- 229910052792 caesium Inorganic materials 0.000 description 9
- TVFDJXOCXUVLDH-UHFFFAOYSA-N caesium atom Chemical compound [Cs] TVFDJXOCXUVLDH-UHFFFAOYSA-N 0.000 description 9
- 238000012800 visualization Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 239000004973 liquid crystal related substance Substances 0.000 description 6
- 230000006399 behavior Effects 0.000 description 5
- 238000004088 simulation Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000010606 normalization Methods 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 238000010304 firing Methods 0.000 description 3
- 238000011478 gradient descent method Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 239000000725 suspension Substances 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 239000000446 fuel Substances 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 230000002035 prolonged effect Effects 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 235000008331 Pinus X rigitaeda Nutrition 0.000 description 1
- 241000018646 Pinus brutia Species 0.000 description 1
- 235000011613 Pinus brutia Nutrition 0.000 description 1
- 241001148683 Zostera marina Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000005293 physical law Methods 0.000 description 1
- 230000036544 posture Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/385—Arrangements for measuring battery or accumulator variables
- G01R31/387—Determining ampere-hour charge capacity or SoC
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/0499—Feedforward networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
- G06Q50/265—Personal security, identity or safety
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/17—Terrestrial scenes taken from planes or by drones
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Economics (AREA)
- Artificial Intelligence (AREA)
- Tourism & Hospitality (AREA)
- Computing Systems (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Marketing (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
- Computer Security & Cryptography (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Remote Sensing (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例公开了一种基于多平台协同计算模式的林火蔓预测方法、系统、装置和计算机存储介质。所述方法包括:获得搭载有边缘感知终端和移动边缘计算终端的无人机的剩余电量信息;判断所述剩余电量是否达到了预设的第一电量阈值,若是,则进入下述完全边缘计算模式,否则,进入下述任务卸载模式;在所述完全边缘计算模式中,由移动边缘计算终端根据拍摄到的图像进行火点识别和火点蔓延路径计算,并将计算结果发送到远程服务器端;在所述任务卸载模式中,由移动边缘计算终端或者远程服务器端根据拍摄到的图像进行火点识别,并由远程服务器端完成所述火点蔓延路径计算。本申请既能保证火灾监测和预测的高度实时性,又能显著提高灭火效率。
Description
技术领域
本申请实施例涉及森林防火领域,尤其涉及一种基于多平台协同计算模式的林火蔓延预测方法、系统、装置和计算机存储介质。
背景技术
森林火灾突发性强,破坏性大,且难以迅速救援,森林火灾的发生不仅严重破坏了植被环境,也给公民带来严重的生命财产威胁。近几年来,在我国几乎每年都会出现大面积的森林火灾,为了尽可能地减少火灾带来的灾害,开发高准确度、高效率的森林火灾预测模型至关重要,如果能够第一时间获取火灾可能的蔓延方向,将大大提高消防工作的效率。
传统的森林火灾监测方式主要为地面监测,即在地面上通过人工巡查、塔台监测、雷达监测等手段进行森林火灾的实时监测和预警预报。地面监测火情的优点是识别率高、定位准确,但由于林区环境复杂,地面监测会受到地形地势、自然条件的影响,在高温、高寒、雨雪雾霾等恶劣天气条件下不易进行监测、效率低。并且,森林火灾蔓延因其自然影响因素多、火行为物理规律复杂而难以预测。
随着通信技术、计算机技术、空间信息技术的发展,对森林火灾的监测能力得到了有效提高,尤其是无人机作为一种机上无人驾驶、可重复使用的新型遥感平台,通过在无人机上搭载视觉传感器、红外传感器等感知终端以及机载电脑等计算终端可以完成火灾数据的收集与研判,并且具有灵活性、实时性、成本低、范围广等特点。
然而,无人机在长时间的工作过程中,耗电量过大。一旦电量消耗完毕,即需要返回地面充电,这会导致火情监测和预测工作中止,大大影响灭火效率。
发明内容
本申请实施例提供一种基于或平台协同计算模式的林火蔓延预测方法、系统、装置和计算机存储介质,以在无人机协同远程服务器平台工作过程中,既能保证火灾监测和预测的高度实时性,又能显著延长无人机的电量消耗时间,避免火情监测和预测工作过于频繁中止,显著提高灭火效率。
第一方面,本申请实施例提供了一种基于多平台协同计算模式的林火蔓预测方法,包括以下步骤:
获得搭载有边缘感知终端和移动边缘计算终端的无人机的剩余电量信息;
判断所述剩余电量是否达到了预设的第一电量阈值,若是,则进入下述完全边缘计算模式,否则,进入下述任务卸载模式;
在所述完全边缘计算模式中,利用所述边缘感知终端完成对目标区域的图像拍摄后,由所述移动边缘计算终端根据拍摄到的图像进行火点识别和火点蔓延路径计算,并将计算结果发送到远程服务器端;
在所述任务卸载模式中,利用所述边缘感知终端完成对目标区域的图像拍摄后,由所述移动边缘计算终端或者远程服务器端根据拍摄到的图像进行火点识别,并由远程服务器端完成所述火点蔓延路径计算。
在一些可能的实施方式中,所述进入下述任务卸载模式包括以下步骤:
判断所述剩余电量是否达到了预设的第二电量阈值,若是,则进入下述部分任务卸载模式,否则,进入下述完全任务卸载模式;
在所述部分任务卸载模式中,利用所述边缘感知终端完成对目标区域的图像拍摄后,将拍摄到的图像发送到所述移动边缘计算终端进行火点识别,并将识别到的火点信息发送到远程服务器端完成所述火点蔓延路径计算;
在所述完全任务卸载模式中,利用无人机搭载的边缘感知终端完成对目标区域的图像拍摄后,将拍摄到的图像发送到远程服务器端,所述远程服务器端根据拍摄到的图像进行火点识别,并完成所述火点蔓延路径计算。
在一些可能的实施方式中,所述火点蔓延路径计算包括以下步骤:
获得每个所述火点的若干自然环境参数,将所述自然环境参数输入训练好的BP神经网络模型进行神经元计算后,输出若干火点蔓延参数;
将所述若干火点蔓延参数输入预设的惠更斯拟合算法模型中进行蔓延路径拟合计算,得到火灾蔓延范围边缘的多边形拟合顶点数据。
在一些可能的实施方式中,所述火点识别包括以下步骤:
通过卷积神经网络算法提取所述火点的图像特征,得到每个火点的位置信息。
在一些可能的实施方式中,在所述火点蔓延路径计算之后还包括以下步骤:
将所述无人机的状态参数和/或所述多边形拟合顶点数据以文本形式传送到三维展示平台,并在所述三维展示平台对所述无人机的轨迹和所述多边形拟合顶点数据进行三维展示。
第二方面,本申请实施例提供了一种基于多平台协同计算模式的林火蔓延预测系统,包括有:
无人机,搭载有边缘感知终端和移动边缘计算终端;
远程服务器端,与所述无人机远程无线连接,包括有远程边缘计算平台;
所述边缘感知终端用于对目标区域进行图像拍摄;
所述移动边缘计算终端用于在无人机的剩余电量达到预设的第一电量阈值的情况下,进入完全边缘计算模式,根据所述边缘感知终端拍摄的图像进行火点识别和火点蔓延路径计算,并将计算结果发送到所述远程服务器端;
所述远程边缘计算平台用于在在无人机的剩余电量未达到预设的第一电量阈值的情况下,进入任务卸载模式,进行火点蔓延路径计算。
在一些可能的实施方式中,所述远程边缘计算平台还用于在无人机的剩余电量未达到预设的第二电量阈值的情况下,进入完全任务卸载模式,接收所述边缘感知终端拍摄的图像并对其进行火点识别和火点蔓延路径计算;和/或者,
所述移动边缘计算终端还用于在所述无人机的剩余电量在第一电量阈值和第二电量阈值之间的情况下,进入部分任务卸载模式,对所述图像进行火点识别,并将识别到的火点信息发送到所述远程服务器端;
所述远程边缘计算平台还用于在无人机的剩余电量在第一电量阈值和第二电量阈值之间的情况下,进入部分任务卸载模式,接收所述无人机发送的火点信息并根据其进行火点蔓延路径计算。
在一些可能的实施方式中,所述无人机还搭载有:
机载存储模块,与所述边缘感知终端和移动边缘计算终端相连,用于存储与目标区域相关的自然环境参数和预设的火灾蔓延预测模型,包括有BP神经网络模型和惠更斯拟合算法模型;
所述移动边缘计算终端包括有:
移动火情检测模块,与所述边缘感知终端和机载存储模块相连,用于根据所述边缘感知终端拍摄的图像进行火点识别;
移动火情预测模块,与所述移动火情检测模块和机载存储模块相连,用于根据识别的火点信息及其自然环境参数,调用所述火灾蔓延预测模型进行火点蔓延路径计算,得到蔓延区域边缘的多边形拟合顶点数据。
在一些可能的实施方式中,所述远程边缘计算平台包括有:
远程火情检测模块,用于根据所述无人机通过无线通信模块发送的所述边缘感知终端拍摄的图像进行火点识别;
远程火情预测模块,与所述远程火情检测模块相连,用于根据识别的火点信息及其自然环境参数,调用火灾蔓延预测模型进行火点蔓延路径计算,得到蔓延区域边缘的多边形拟合顶点数据。
在一些可能的实施方式中,所述远程服务器端还包括有:
三维展示平台,用于接收以文本形式传送的无人机的状态参数和/或所述多边形拟合顶点数据,并对所述无人机的轨迹和所述多边形拟合顶点数据进行三维展示。
第三方面,本申请实施例提供了一种基于多平台协同计算模式的林火蔓延预测装置,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现如上所述的基于多平台协同计算模式的林火蔓延预测方法的步骤。
第四方面,本申请实施例提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有基于多平台协同计算模式的的林火蔓延预测程序,所述基于多平台协同计算模式的的林火蔓延预测程序被处理器执行时实现如上所述的基于多平台协同计算模式的的林火蔓延预测方法的步骤。
本申请的有益效果是:
本申请实施例通过实时监测无人机的剩余电量,无人机电量充足时,工作在完全边缘计算模式,当无人机电量低于预设的电量阈值,则工作在任务卸载模式,将火情预测工作部分或全部卸载到远程服务器端执行,从而既保证了火灾监测和预测的高度实时性,又显著延长了无人机的电量消耗时间,避免了火情监测和预测工作过于频繁中止,显著提高了灭火效率。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图做一简单地介绍,显而易见地,下面描述中的附图是本申请的一些实施例,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是本申请实施例的基于多平台协同计算模式的林火蔓延预测方法的流程示意图。
图2是本申请实施例的基于多平台协同计算模式的林火蔓延预测方法中火点蔓延路径计算流程的数据流向示意图。
图3是本申请实施例的基于多平台协同计算模式的林火蔓延预测方法中火点蔓延路径计算流程的惠更斯拟合算法模型火线的多边形示意图。
图4是本申请实施例的基于多平台协同计算模式的林火蔓延预测系统展示的无人机实时坐标和实时轨迹可视化示意图。
图5是本申请实施例的基于多平台协同计算模式的林火蔓延预测系统展示的火灾列表和火灾范围可视化示意图。
图6是本申请实施例的基于多平台协同计算模式的林火蔓延预测系统展示的火灾蔓延范围的模拟可视化示意图。
图7是本申请实施例的基于多平台协同计算模式的林火蔓延预测系统的架构示意图。
图8是本申请实施例的基于多平台协同计算模式的林火蔓延预测预测系统的数据流示意图。
实施方式
为使本申请的目的、技术方案和优点更加清楚,以下将参照本申请实施例中的附图,通过实施方式详细地描述本申请的技术方案。显然,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
需要说明的是:在附图中,自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件;在本申请的描述中,术语“中心”、“纵向”、“横向”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“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申请和简化描述,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申请保护范围的限制;在本申请的描述中,“第一”、“第二”等仅用于彼此的区分,而非表示它们的重要程度及顺序等。
在本申请的描述中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,或活动连接,也可以是可拆卸地连接;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,可以是两个元件内部的连通等。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申请中的具体含义。
请参考图1-图6,本申请实施例提供了一种基于多平台协同计算模式的林火蔓预测方法,包括以下步骤:
在步骤S1中,获得搭载有边缘感知终端和移动边缘计算终端的无人机的剩余电量信息;
在步骤S2中,判断所述剩余电量是否达到了预设的第一电量阈值,若是,则进入下述完全边缘计算模式S3,否则,进入下述任务卸载模式S4;
在所述完全边缘计算模式S3中,利用所述边缘感知终端完成对目标区域的图像拍摄后,由无人机搭载的移动边缘计算终端根据拍摄到的图像进行火点识别和火点蔓延路径计算,并将计算结果发送到远程服务器端;
在所述任务卸载模式S4中,利用所述边缘感知终端完成对目标区域的图像拍摄后,由所述移动边缘计算终端或者远程服务器端根据拍摄到的图像进行火点识别,并由远程服务器端完成所述火点蔓延路径计算。
在一些可能的实施方式中,所述进入下述任务卸载模式S4包括以下步骤:
在步骤S40中,判断所述剩余电量是否达到了预设的第二电量阈值,若是,则进入下述部分任务卸载模式S41,否则,进入下述完全任务卸载模式S42;
在所述部分任务卸载模式S41中,利用所述边缘感知终端完成对目标区域的图像拍摄后,将拍摄到的图像发送到所述移动边缘计算终端进行火点识别,并将识别到的火点信息发送到远程服务器端完成所述火点蔓延路径计算;
在所述完全任务卸载模式S42中,利用所述边缘感知终端完成对目标区域的图像拍摄后,将拍摄到的图像发送到远程服务器端,所述远程服务器端根据拍摄到的图像进行火点识别,并完成所述火点蔓延路径计算。
所述第一电量阈值和第二电量阈值可根据无人机的充电特性参数及其他相关特性参数视情况设置,示例性地,如:第一电量阈值设置为80%、第二电量阈值设置为50%。
在一些可能的实施方式中,所述火点蔓延路径计算包括以下步骤:
获得每个所述火点的若干自然环境参数,将所述自然环境参数输入训练好的BP神经网络模型进行神经元计算后,输出若干火点蔓延参数;
将所述若干火点蔓延参数输入预设的惠更斯拟合算法模型中进行蔓延路径拟合计算,得到火灾蔓延范围边缘的多边形拟合顶点数据。
在一些可能的实施方式中,所述火点识别包括以下步骤:
通过卷积神经网络算法提取所述火点的图像特征,得到每个火点的位置信息。
在一些可能的实施方式中,在所述火点蔓延路径计算之后还包括以下步骤:
将所述无人机的状态参数和/或所述多边形拟合顶点数据以文本形式传送到三维展示平台,并在所述三维展示平台对所述无人机的轨迹和所述多边形拟合顶点数据进行三维展示。
下面详细描述本申请实施例步骤S3和S4中图像拍摄和火点识别的一些可能的实施方式。
本申请实施例中,作为森林火灾检测和预测模型的输入数据,需要获取数字地面模型、地表环境信息、气象信息和传感器影像等多源三维数据。
本申请实施例的完全边缘计算模式中,对目标区域的图像拍摄和火点识别主要实现的是利用无人机搭载的边缘感知终端(云台相机)和移动边缘计算平台(机载电脑)获取火灾发生区域的实时火点位置、地形参数、可燃物参数等,并通过API获取实时的气象数据等自然环境参数;而实时火点位置则从搭载于无人机的云台相机等边缘感知终端对目标区域拍摄的图像中获取,通过Yolov3图像识别算法对影像中起火区域的火点识别得到火点的精确位置,利用CNN特征提取层对火源点的图像自动进行特征提取,可以利用图像的高维特征,进一步提高火灾检测的准确性。
在无人机传感器各种典型姿态下,拍摄明显且均匀分布的特征点像片,计算相机内部参数,作为实时匹配的相机内参数;然后根据无人机输出的相机姿态参数与相机姿态四元数,对摄影坐标系进行旋转,计算光线三维向量,求解光线向量与大地平面的交点,将该交点作为像素点在世界中的真实坐标,实现空间坐标的实时匹配。具体步骤如下:
第一步是进行无人机相机的定标,首先定义2维图像点的坐标如下式(1)所示:
(1)
3维空间点的坐标如下式(2)所示:
(2)
则对应的齐次坐标如下式(3)所示:
(3)
描述空间坐标到图像坐标的映射如下式(4)所示:
(4)
其中,表示世界坐标系到图像坐标系的尺度因子,/> 表示相机内参矩阵,矩阵R、T为相机的外参矩阵, />表示像素点坐标,/> 和/> 表焦距与像素横纵的比值,/>表示径向畸变参数。设棋盘格位于Z=0,定义旋转矩阵R的第i列为/>,则映射式可转换为下式(5):
(5)
定义H为下式(6)所示:
(6)
于是空间到图像的映射可改为下式(7):
(7)
其中,H为一个3×3的矩阵,并且有一个元素作为齐次坐标,因此,H有8个自由度。由于有8个自由度需要求解,所以需要四个对应点即可求出图像平面到世界平面的单应性矩阵H。其中H包括内参阵和外参阵,所以需要先把内参求出来,继而求解外参。由于旋转矩阵R为正交矩阵,所以存在以下的约束条件: 和 />正交以及旋转向量的模为1。根据这两个约束条件可得下式(8):
(8)
利用三个单应性矩阵在两个约束下可以生成6个方程从而求解A的5个未知参数。其中,三个单应性矩阵可以通过三张对同一标定板不同角度和高度的照片获得,如下式(9)所示:
(9)
通过至少含一个棋盘格的三幅图像,应用上述下式就可以估算出B。得到B后,通过cholesky分解,就可以得到摄相机的内参阵A的六个自由度。
第二步是根据无人机输出的相机姿态参数(偏航角yaw、翻滚角roll和俯仰角pitch)和姿态四元数q0,q1,q2,q3得到 (分别为绕Z轴、Y轴、X轴的旋转角度)的旋转矩阵,如下式(10)所示:
(10)
根据姿态及内参值将像素坐标投影到地面坐标,该交点即为像素点在世界中的真实坐标,如下式(11)所示:
(11)
下面详细描述本申请实施例步骤S3和S4中所述火点蔓延路径计算的一些可能的实施方式。
现有技术的森林火灾蔓延预测方法有很多,包括基于统计模型、物理模型的方法以及机器学习方法。已有的森林火灾蔓延模型大多针对于已有火灾的检测,对于火灾范围实时预测的问题涉及较少。同时,很多研究火灾预测的模型仅通过对某一时刻火灾的发生情形进行预测模型的训练,这样的模型虽然能在一定程度上预测火灾的蔓延趋势,但对于真实的火灾蔓延规律往往无法给出具体的解释,预测结果也缺失一定的准确性。
在本申请的一些可能的实施例中,所述火点蔓延路径计算主要实现根据火灾发生区域的已有火灾数据预训练BP神经网络模型,学习已有的火灾蔓延规律,并将训练好的神经网络模型搭载于无人机。
BP神经网络是一种运用了误差反向传播算法进行训练的多层前馈神经网络,该网络由一层输入层、至少一层隐含层和一层输出层组成,每层中包含若干个神经元,层与层之间的神经元相互连接,代表两神经元之间的计算权重或计算规律。误差反向传播算法包含了正向传播和反向传播两个过程:正向传播是指训练数据延神经元之间的连接进行由输入层到输出层的传播,由输入的各个因子得到输出的结果,通过比较该输出与期望输出,计算损失函数,得到误差。反向传播是指将正向传播得到的误差作为修正神经元间通路代表的权重的依据,按正向传播的原路运用梯度下降法进行反向计算不断降低损失函数以调整权值。通过大量训练不断调整网络中的各个参数,提高网络预测精度。
在火情发生时,将无人机获取的自然环境数据(火点位置、地形参数、可燃物参数和气象数据)输入到机载存储模块已训练好的BP神经网络模型中,对可燃物参数进行重分类和归一化,最终通过模型运算得到栅格地图上火灾发生区域每个栅格的4个火场参数(火灾蔓延速度参数:a、b、c;蔓延主方向与风向夹角: );
本申请实施例选用S型激活函数 , 通过反向传播函数(( /> 为期望输出、 /> 为网络的计算输出),不断调节网络权值和阈值使误差函数E达到极小。BP网络算法实现主要包括前向传播和误差反向传播两部分。前向传播是将每一个神经元的输入值与权值矩阵相乘后再加上偏置项,经激活函数后得到该神经元的输出,如下式(12)所示:
(12)
其中, 为输入门的权重矩阵, />为输入门的偏置项,/> 为 Sigmoid 函数。
误差反向传播是一个不断更新权值和偏置值的过程,通过设定损失函数,选择一个优化器不断降低损失函数值,这里优化器选用梯度下降法,损失函数选用均方根误差函数,如下式(13)所示:
(13)
其中,N为数据个数, 为真实值, />为预测值。在选取隐藏层神经元个数的问题上参照了经验式(14):
(14)
其中,e为输入层神经元个数,m为输出层神经元个数, 为[1,10]之间的常数。
在一些可能的实施方式中,选择S型函数作为隐藏层神经元的激活函数,采用基本架构为一层输入层、一层隐含层、一层输出层的三层BP神经网络,并采取随机梯度下降法进行优化。输入层设置为7个神经元,对应七种自然环境参数,包括坡度、燃料因子、坡向与风向夹角、温度、湿度、云层覆盖率、风速;隐藏层设置为5个神经元;输出层设置为4个神经元,对应四种火场参数,包括速度参数a,速度参数b,速度参数c,蔓延主方向与风向夹角;学习率设置为0.001并进行指数减缓。下表1示出了输入层及输出层的各神经元所对应的参数。
表1、输入层及输出层各神经元对应参数
高程(用于修正温度)、坡向、坡度等地形参数,可以通过DEM影像进行提取,DEM影像可以通过卫星遥感获取。
温度、湿度、云层覆盖率、风速、风向等天气参数,获取主要有两种方案,一种是在执行任务前根据天气预报预先设置未来一段时间内固定的天气参数,另一种方法是在边缘计算端通过移动网络连接天气数据API以获取天气数据。
可燃物参数由可燃物类型进行重分类和归一化得到。可燃物类型可以看作地表覆盖物类型,包括空地(不可燃物)、草地、森林等,对燃料的重分类与归一化将可燃物参数作为加速系数。
所述重分类和归一化具体为:将获取的自然环境参数中的可燃物参数依据可燃物的燃烧特性分为多种不同可燃物类型,分别为:平铺针叶、枯枝落叶、茅草杂草、松类、城市建筑、水体等。对同种可燃物类型下的自然环境实体及其属性特征进行重分类与归一化,将可燃物参数作为影响火灾蔓延扩散速度的加速系数,参考王正非模型的设计方法,对这些参数值进行具体设定。
下表2示出了重分类和归一化处理后部分可燃物参数值。
表2、重分类和归一化处理后部分可燃物参数
对火灾行为的研究表明,火场中火扩散行为同样符合惠更斯原理,即在发生火灾的表面,假设表面所有自然环境参数一致,则在火灾边缘上的每个点的火灾扩散行为与火源一致。
一个火点的扩散行为可以看作火点作为焦点的一个惠更斯平面椭圆,火的前向蔓延方向为距起火点较远的椭圆长轴端点,由火点到该椭圆边缘的直线距离表征该方向上的火灾扩散速度。
在森林火灾蔓延时,火灾蔓延外围火线随时间变化而连续变化,通过离散的时间模拟其变化;例如:
在时间t监测到火源并调用惠更斯拟合算法模型,设置时间步长为t0,运算次数为n,则可以得到在t+t0、t+2t0、t+3t0、……t+nt0时间点下的共n条火线。火线可以用顶点离散的多边形对其进行模拟(火源是顶点为1的多边形),其中每个顶点都视作下一步蔓延模拟过程中的火源点,而下一轮的火线为当前火线多边形所有顶点扩散所得新多边形所组成的包络线的顶点。对原火线上各火源点形成的椭圆进行包络的过程运用平面凸包算法,即使用八边形拟合椭圆,将所有八边形的顶点存入点集进行凸包运算。在运算过程中需保证每个八边形至少一个点加入新多边形以应对可能出现的凹区情况。新得到的多边形即新的火线。
基于上述惠更斯原理,可通过以下步骤将所述火点蔓延参数输入预设的惠更斯拟合算法模型中进行蔓延路径拟合计算:
1).给定火源点坐标,可以为一个单独的火源点或若干个火源点包围而成的火线或火区,将所有的火源点加入火源点集F0;
2).根据火源的各个点的坐标得到其所在的栅格的四参数,求出由该点经t0时间后蔓延得到的用于拟合椭圆的八边形各顶点的坐标,其中蔓延距离A0=a×t0,蔓延距离B0=b×t0,蔓延距离C0=c×t0;
3).将所有得到的所有八边形顶点加入预运算点集P,对预运算点集P进行凸包运算得到凸包点集C,在凸包算法运行过程中加入检查算法使保证火源点集F0所得的各个八边形顶点中至少有一个点进入凸包点集C;
4).按顺序遍历凸包点集C中的点,对距离较远或较近的两点间进行增加或合并,得到火线点集F1,按顺序连接火线点集F1中的点,形成类凸包包络线,该线即是固定时间步长t0后的火线;
5).重复步骤2)~4),得到n次步进时长t0后的火线F1, F2,F3,……, Fn。
在无人机进行火灾监测识别的任务中,火灾位置的展示和火灾扩散范围的模拟能够为进一步的灭火和应急救援提供重要资料,并为领导部署及安排增援人员提供了决策依据;另外,为了在远程服务器端应用程序远程查看执行任务的无人机位置,进一步做出相应规划和决策,还有必要对无人机飞行轨迹进行实时动态展示。
针对现有火灾监测系统在管理火灾任务和展示火灾信息方面的不足,本申请实施例实现了基于WebGIS的无人机火灾监测页面。该页面基于Cesium三维地球框架,分别实现了无人机飞行轨迹实时可视化模块、无人机识别的火灾范围粒子群蔓延模块;通过结合三维地球的交互页面,可以灵活管理无人机监测任务,实时动态展示无人机监测过程中的火灾信息。
本实施例的实施方式通过传输存储火点文本数据的形式取代传输图像数据和位置信息数据的传统形式,具有数据量小、高效传输的特点。
下面参考图4-图6详细描述本发明实施例中在所述三维展示平台对所述无人机的轨迹和所述多边形拟合顶点数据进行三维展示的一些可能的实施方式。
无人机轨迹的实时可视化技术的核心流程为:
1)远程服务器端与无人机建立通信,无人机终端通过移动通信模块实时回传GPS三维位置坐标;
2)基于Cesium的Clock和JulianDate这两个与时间相关的api,以及SampledPositionProperty这一位置api实时改变无人机模型的实时位置并渲染移动轨迹。
火灾监测无人机轨迹的实时可视化技术的实现方案为:
1)在三维地球上创建无人机轨迹图层;
2)远程服务器端建立与无人机的WebSocket双端通信,等待无人机将三维位置回传;
3)创建无人机的三维实体模型,模型格式为.glb;
4)设置无人机模型的位置属性为Cesium.SampledPositionProperty,根据SampledPositionProperty与Clock.Timeline实现动态控制模型的位置;
5)为了实现无人机模型在一定时间间隔内移动的平滑性,对SampledPositionProperty采用空间插值方式进行优化;
6)当获取到无人机间隔一定时间回传的坐标后,按照[julianDate,latitude,longitude,altitude]的数据形式更新模型的SampledPositionProperty,并应用插值算法对前后两个时刻数据形式进行优化;
7)无人机模型的轨迹采用Cesium.PathGraphics进行创建,设置trailTime为60秒,即将无人机当前时刻的前60秒的坐标信息用于绘制轨迹,并进一步通过Cesium.PolylineGlowMaterialProperty自定义轨迹线;
8)当选择当前火灾监测任务的某一台无人机时,将创建完成的无人机模型与Cesium.Viewer的相机的当前跟踪的实体模型进行绑定,在切换至其余无人机时,重新执行上述2)-7)步,并更改Cesium.Viewer相机的跟踪模型。
火灾蔓延范围的可视化技术采取粒子群模拟的方式,核心流程为:
1)无人机通过移动通信模块实时回传当前监测到的火灾范围和火灾预测范围;
2)基于Cesium.ParticleSystem的粒子系统api,自定义粒子群效果从而渲染出火灾蔓延的效果。
火灾蔓延的可视化技术的实现方案为:
1)在三维地球上创建火灾范围图层;
2)远程服务器端建立与无人机的WebSocket双端通信,等待无人机将火灾范围和火灾预测范围回传;
3)利用火灾范围数据计算火灾质心点坐标以及质心点到各顶点的距离,将最大距离作为火灾范围的最大半径距离;
4)基于Cesium.ParticleSystem生成火灾范围的粒子群效果,其中,通过image属性设置粒子群采样的效果,属性值为提前生成的火灾图片;通过emitter属性设置ParticleEmitter,该属性是用于设置粒子诞生时的初始位置和速度矢量,属性值为CircleEmitter,即在发射器上轴线方向上的圆形内的随机采样位置初始化粒子;通过emissionRate控制每秒发射多少粒子;通过lifetime 和loop属性设置粒子系统运行的持续时间,并在完成后循环进入下一次粒子系统;通过minimumParticleLife和maximumParticleLife属性设置粒子生命的可能持续时间的最小界限(以秒为单位)和最大界限(以秒为单位);通过startColor 和endColor属性设置粒子在生命周期内的由起始颜色过渡到结束颜色;通过将minimumImageSize和maximumImageSize 属性设置为火灾范围的最大半径来控制粒子群采样图像的尺寸;通过minimumSpeed和maximumSpeed来随机选择粒子的实际速度。
5)当前端页面获取到火灾监测的结果时,选择火灾列表的一项数据,即可将视图切换至发生火灾的区域,按照上述定义的粒子群效果对火灾蔓延进行可视化模拟。
请参考图7和图8,本申请实施例还提供了一种基于多平台协同计算模式的林火蔓延预测系统,包括有:
无人机1,搭载有边缘感知终端11和移动边缘计算终端12;
远程服务器端2,与所述无人机1远程无线连接,包括有远程边缘计算平台21;
所述边缘感知终端11用于对目标区域进行图像拍摄;
所述移动边缘计算终端12用于在无人机1的剩余电量达到预设的第一电量阈值的情况下,进入完全边缘计算模式,根据所述边缘感知终端11拍摄的图像进行火点识别和火点蔓延路径计算,并将计算结果发送到远程服务器端2;
所述远程边缘计算平台21用于在在无人机1的剩余电量未达到预设的第一电量阈值的情况下,进入任务卸载模式,进行火点蔓延路径计算。
在一些可能的实施方式中,所述远程边缘计算平台21还用于在无人机1的剩余电量未达到预设的第二电量阈值的情况下,进入完全任务卸载模式,接收所述边缘感知终端11拍摄的图像并对其进行火点识别和火点蔓延路径计算;
在一些可能的实施方式中,所述移动边缘计算终端12还用于在所述无人机1的剩余电量在第一电量阈值和第二电量阈值之间的情况下,进入部分任务卸载模式,对所述边缘感知终端11拍摄的图像进行火点识别,并将识别到的火点信息发送到远程服务器端;
在一些可能的实施方式中,所述远程边缘计算平台21还用于在无人机1的剩余电量在第一电量阈值和第二电量阈值之间的情况下,进入部分任务卸载模式,接收所述无人机发送的火点信息并根据其进行火点蔓延路径计算。
在一些可能的实施方式中,所述无人机1还搭载有:
机载存储模块10,与所述边缘感知终端11和移动边缘计算终端12相连,用于存储与目标区域相关的自然环境参数和预设的火灾蔓延预测模型,包括有BP神经网络模型和惠更斯拟合算法模型;
所述移动边缘计算终端12包括有:
移动火情检测模块121,与所述边缘感知终端11和机载存储模块10相连,用于根据所述边缘感知终端11拍摄的图像进行火点识别;
移动火情预测模块122,与所述移动火情检测模块111和机载存储模块10相连,用于根据识别的火点信息及其自然环境参数,调用所述火灾蔓延预测模型进行火点蔓延路径计算,得到蔓延区域边缘的多边形拟合顶点数据。
在一些可能的实施方式中,所述远程边缘计算平台21包括有:
远程火情检测模块(图中未示出),用于根据所述无人机1通过无线通信模块发送的所述边缘感知终端11拍摄的图像进行火点识别;
远程火情预测模块(图中未示出),通过无线通信模块与所述远程火情检测模块211相连,用于根据识别的火点信息及其自然环境参数,调用火灾蔓延预测模型进行火点蔓延路径计算,得到蔓延区域边缘的多边形拟合顶点数据。
在一些可能的实施方式中,所述远程服务器端2还包括有:
三维展示平台22,用于接收以文本形式传送的无人机1的状态参数和/或所述多边形拟合顶点数据,并对所述无人机1的轨迹和所述多边形拟合顶点数据进行三维展示。
下面详细描述本申请实施例还提供了一种基于多平台协同计算模式的林火蔓延预测系统的一个示例架构。本示例基于大疆M300型号无人机,使用H20T云台作为M300无人机的主要边缘感知终端,实现无人机在作业时的摄影摄像功能;使用大疆配套的机载电脑妙算Mainfold 2代作为无人机移动边缘计算终端的主要处理设备;在机载电脑上使用扩展USB接口,插入并配置无线网卡,使机载电脑可以在4G信号覆盖区域与远程服务器端进行实时通信并传输数据,作为无人机的主要通信设备;使用D-RTK为无人机提供精确的GPS坐标数据,作为无人机的主要定位设备。
系统的功能架构包括两大平台:无人机(UAV)1与远程服务器(Server)端2。
机载存储模块10用于存储天气数据API、火灾发生区域的高程图像(DEM)、搭载卷积神经网络(CNN)模型与BP神经网络(BPNN)模型、惠更斯拟合算法模型等;
移动边缘感知终端11包含相机(Camera)组件,与其他基础功能模块如通信(Socket)组件、定位(GPS)组件等,可实现火灾实时图像拍摄、无人机定位和与远程服务器端2通信传输等功能。无人机1的通信(Socket)组件负责与远程服务器(Server)端2实现信息数据交流,传输来自移动火情预测模块122实现预测(Predictor)功能得到的实时火线数据、定位(GPS)组件与相机(Camera)组件分别向火情预测模块提供实现监测(Detector)功能过程中所需要的火灾区域地理定位信息与图形影像数据等。
移动边缘计算平台12主要实现监测(Detector)与预测(Predictor)功能。包括调用CNN网络模型对接收自移动边缘感知终端11的图像检测识别,提取火点位置,并用于执行火情蔓延模拟任务;火情蔓延模拟任务调用BPNN神经网络模型,并接收来自基础存储模块的地形、可燃物、气象信息、来自基础功能模块的位置信息、来自前一任务的火点位置信息,然后运算输出火灾在地表不同位置的蔓延速度和蔓延方向,结合反映火灾蔓延规律的惠更斯拟合算法模型计算得到一定时间后的火线集合,并将实时的火线集合数据以文本形式传输到通信模块,由通信模块传输到远程服务器端2,结合游戏引擎unity实现三维展示。
在完全边缘计算模式中,远程服务器(Server)端2实现火情展示功能,该功能主要由通信(Socket)组件与三维展示平台(Platform)21实现。
远程服务器端2的通信(Socket)组件负责与无人机(UAV)1实现信息数据交流,接收来自移动边缘计算平台12实现预测(Predictor)功能得到的实时火线数据,并向火情展示平台(Platform)21进行数据传递。
三维展示平台(Platform)22接收来自通信组件传输的实时火线数据,通过虚幻5引擎(Unreal Engine)对数据进行处理,结合火灾区域DEM影像数据,利用引擎模拟的火焰粒子效果将火情以三维实时动画演示呈现,实现高度可视化。
在任务卸载模式中,远程服务器(Server)端2的远程边缘计算平台21替代移动边缘计算平台12实现火灾蔓延路径计算功能,以在无人机的电量低于预设的第一电量阈值(80%)时显著节省无人机的电能消耗;而在无人机的电量低于预设的第二电量阈值(50%)后,远程边缘计算平台21还可进一步替代移动边缘计算平台12完成火点识别功能,进一步延长无人机的电量耗尽时间,同时数据保持实时传输,保证高度实时性。
本申请实施例还提供了一种基于多平台协同计算模式的林火蔓延预测装置,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现上述各实施例中任一种可能的实施方式的基于多平台协同计算模式的林火蔓延预测方法的步骤。
本申请实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序代码,当所述计算机程序代码在计算机上运行时,使得计算机执行上述各实施例中任一种可能的实施方式的方法。
本领域技术人员应该可以意识到,在上述一个或多个示例中,本申请实施例所描述的功能可以用硬件、软件、固件或它们的任意组合来实现。当使用软件实现时,可以将这些功能存储在计算机可读介质中或者作为计算机可读介质上的一个或多个指令或代码进行传输。计算机可读介质包括计算机存储介质和通信介质,其中通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。存储介质可以是通用或专用计算机能够存取的任何可用介质。
注意,上述仅为本申请的较佳实施例及所运用技术原理。本领域技术人员会理解,本申请不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本申请的保护范围。因此,虽然通过以上实施例对本申请进行了较为详细的说明,但是本申请不仅仅限于以上实施例,在不脱离本申请构思的情况下,还可以包括更多其他等效实施例,而本申请的范围由所附的权利要求范围决定。
Claims (12)
1.一种基于多平台协同计算模式的林火蔓预测方法,其特征在于,包括以下步骤:
获得搭载有边缘感知终端和移动边缘计算终端的无人机的剩余电量信息;
判断所述剩余电量是否达到了预设的第一电量阈值,若是,则进入下述完全边缘计算模式,否则,进入下述任务卸载模式;
在所述完全边缘计算模式中,利用所述边缘感知终端完成对目标区域的图像拍摄后,由所述移动边缘计算终端根据拍摄到的图像进行火点识别和火点蔓延路径计算,并将计算结果发送到远程服务器端;
在所述任务卸载模式中,利用所述边缘感知终端完成对目标区域的图像拍摄后,由所述移动边缘计算终端或者远程服务器端根据拍摄到的图像进行火点识别,并由远程服务器端完成所述火点蔓延路径计算。
2.如权利要求1所述的基于多平台协同计算模式的林火灾蔓延预测方法,其特征在于,所述进入下述任务卸载模式包括以下步骤:
判断所述剩余电量是否达到了预设的第二电量阈值,若是,则进入下述部分任务卸载模式,否则,进入下述完全任务卸载模式;
在所述部分任务卸载模式中,利用所述边缘感知终端完成对目标区域的图像拍摄后,将拍摄到的图像发送到所述移动边缘计算终端进行火点识别,并将识别到的火点信息发送到远程服务器端完成所述火点蔓延路径计算;
在所述完全任务卸载模式中,利用所述边缘感知终端完成对目标区域的图像拍摄后,将拍摄到的图像发送到远程服务器端,所述远程服务器端根据拍摄到的图像进行火点识别,并完成所述火点蔓延路径计算。
3.如权利要求1或2所述的基于多平台协同计算模式的林火蔓延预测方法,其特征在于,所述火点蔓延路径计算包括以下步骤:
获得每个所述火点的若干自然环境参数,将所述自然环境参数输入训练好的BP神经网络模型进行神经元计算后,输出若干火点蔓延参数;
将所述若干火点蔓延参数输入预设的惠更斯拟合算法模型中进行蔓延路径拟合计算,得到火灾蔓延范围边缘的多边形拟合顶点数据。
4.如权利要求3所述的基于多平台协同计算模式的林火蔓延预测方法,其特征在于,所述火点识别包括以下步骤:
通过卷积神经网络算法提取所述火点的图像特征,得到每个火点的位置信息。
5.如权利要求3所述的基于多平台协同计算模式的林火蔓延预测方法,其特征在于,在所述火点蔓延路径计算之后还包括以下步骤:
将所述无人机的状态参数和/或所述多边形拟合顶点数据以文本形式传送到三维展示平台,并在所述三维展示平台对所述无人机的轨迹和所述多边形拟合顶点数据进行三维展示。
6.一种基于多平台协同计算模式的林火蔓延预测系统,其特征在于,包括有:
无人机,搭载有边缘感知终端和移动边缘计算终端;
远程服务器端,与所述无人机远程无线连接,包括有远程边缘计算平台;
所述边缘感知终端用于对目标区域进行图像拍摄;
所述移动边缘计算终端用于在所述无人机的剩余电量达到预设的第一电量阈值的情况下,进入完全边缘计算模式,根据所述边缘感知终端拍摄的图像进行火点识别和火点蔓延路径计算,并将计算结果发送到所述远程服务器端;
所述远程边缘计算平台用于在在所述无人机的剩余电量未达到预设的第一电量阈值的情况下,进入任务卸载模式,进行火点蔓延路径计算。
7.如权利要求6所述的基于多平台协同计算模式的林火蔓延预测系统,其特征在于:
所述远程边缘计算平台还用于在无人机的剩余电量未达到预设的第二电量阈值的情况下,进入完全任务卸载模式,接收所述边缘感知终端拍摄的图像并对其进行火点识别和火点蔓延路径计算;和/或者,
所述移动边缘计算终端还用于在所述无人机的剩余电量在第一电量阈值和第二电量阈值之间的情况下,进入部分任务卸载模式,对所述边缘感知终端拍摄的图像进行火点识别,并将识别到的火点信息发送到所述远程服务器端;
所述远程边缘计算平台还用于在所述无人机的剩余电量在第一电量阈值和第二电量阈值之间的情况下,进入部分任务卸载模式,接收所述无人机发送的火点信息并根据其进行火点蔓延路径计算。
8.如权利要求6或7所述的基于多平台协同计算模式的林火蔓延预测系统,其特征在于,所述无人机还搭载有:
机载存储模块,与所述边缘感知终端和移动边缘计算终端相连,用于存储与目标区域相关的自然环境参数和预设的火灾蔓延预测模型,包括有BP神经网络模型和惠更斯拟合算法模型;
所述移动边缘计算终端包括有:
移动火情检测模块,与所述边缘感知终端和机载存储模块相连,用于根据所述边缘感知终端拍摄的图像进行火点识别;
移动火情预测模块,与所述移动火情检测模块和机载存储模块相连,用于根据识别的火点信息及其自然环境参数,调用所述火灾蔓延预测模型进行火点蔓延路径计算,得到蔓延区域边缘的多边形拟合顶点数据。
9.如权利要求8所述的基于多平台协同计算模式的林火蔓延预测系统,其特征在于,所述远程边缘计算平台包括有:
远程火情检测模块,用于根据所述无人机通过无线通信模块发送的所述边缘感知终端拍摄的图像进行火点识别;
远程火情预测模块,与所述远程火情检测模块相连,用于根据识别的火点信息及其自然环境参数,调用火灾蔓延预测模型进行火点蔓延路径计算,得到蔓延区域边缘的多边形拟合顶点数据。
10.如权利要求9所述的基于多平台协同计算模式的林火蔓延预测系统,其特征在于,所述远程服务器端还包括有:
三维展示平台,用于接收以文本形式传送的无人机的状态参数和/或所述多边形拟合顶点数据,并对所述无人机的轨迹和所述多边形拟合顶点数据进行三维展示。
11.一种基于多平台协同计算模式的林火蔓延预测装置,其特征在于,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现如权利要求1至5中任一项所述的基于多平台协同计算模式的林火蔓延预测方法的步骤。
12.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有基于多平台协同计算模式的的林火蔓延预测程序,所述基于多平台协同计算模式的的林火蔓延预测程序被处理器执行时实现如权利要求1至5中任一项所述的基于多平台协同计算模式的的林火蔓延预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310353456.5A CN116597155A (zh) | 2023-04-04 | 2023-04-04 | 基于多平台协同计算模式的林火蔓延预测方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310353456.5A CN116597155A (zh) | 2023-04-04 | 2023-04-04 | 基于多平台协同计算模式的林火蔓延预测方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116597155A true CN116597155A (zh) | 2023-08-15 |
Family
ID=87592654
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310353456.5A Pending CN116597155A (zh) | 2023-04-04 | 2023-04-04 | 基于多平台协同计算模式的林火蔓延预测方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116597155A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117553803A (zh) * | 2024-01-09 | 2024-02-13 | 大连海事大学 | 一种基于深度强化学习的多无人机智能路径规划方法 |
-
2023
- 2023-04-04 CN CN202310353456.5A patent/CN116597155A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117553803A (zh) * | 2024-01-09 | 2024-02-13 | 大连海事大学 | 一种基于深度强化学习的多无人机智能路径规划方法 |
CN117553803B (zh) * | 2024-01-09 | 2024-03-19 | 大连海事大学 | 一种基于深度强化学习的多无人机智能路径规划方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3743781B1 (en) | Automated and adaptive three-dimensional robotic site surveying | |
CN106094569B (zh) | 多传感器融合无人机感知与规避仿真系统及其仿真方法 | |
CN104168455B (zh) | 一种空基大场景摄像系统及方法 | |
CN116310898A (zh) | 基于神经网络和惠更斯原理的林火蔓延预测方法和系统 | |
CN107219857B (zh) | 一种基于三维全局人工势函数的无人机编队路径规划算法 | |
CN107577241B (zh) | 一种基于避障系统的消防无人机航迹规划方法 | |
EP3387399A2 (en) | Unmanned aerial system based thermal imaging and aggregation systems and methods | |
CN111932813B (zh) | 一种基于边缘计算的无人机森林火灾侦察系统及工作方法 | |
JP7432595B2 (ja) | 連携仮想インターフェース | |
JP2017537484A (ja) | 可動物体を検出し、追跡するシステム及び方法 | |
CN109074090A (zh) | 无人机硬件架构 | |
CN106683038B (zh) | 一种生成火情态势图的方法及装置 | |
CN106683039B (zh) | 一种生成火情态势图的系统 | |
CN104118561B (zh) | 一种基于无人机技术的大型濒危野生动物监测的方法 | |
CN112529022B (zh) | 一种训练样本的生成方法及装置 | |
CN109996728A (zh) | 用于模拟视觉数据的方法和系统 | |
CN109035665A (zh) | 一种新型森林火灾预警系统及火灾预警方法 | |
CN111275015A (zh) | 一种基于无人机的电力巡线电塔检测识别方法及系统 | |
Xing et al. | Multi-UAV cooperative system for search and rescue based on YOLOv5 | |
CN114743021A (zh) | 一种输电线路图像与点云数据的融合方法及系统 | |
CN116597155A (zh) | 基于多平台协同计算模式的林火蔓延预测方法和系统 | |
CN110647170A (zh) | 一种基于无人机的航标巡检装置与方法 | |
CN116206223A (zh) | 一种基于无人机边缘计算的火灾检测方法及系统 | |
CN114495416A (zh) | 基于无人机的火情监测方法、装置及终端设备 | |
CN210835732U (zh) | 一种基于无人机的航标巡检装置 |
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 |