CN116778423A - 一种基于人工智能的森林火灾检测方法 - Google Patents

一种基于人工智能的森林火灾检测方法 Download PDF

Info

Publication number
CN116778423A
CN116778423A CN202310807543.3A CN202310807543A CN116778423A CN 116778423 A CN116778423 A CN 116778423A CN 202310807543 A CN202310807543 A CN 202310807543A CN 116778423 A CN116778423 A CN 116778423A
Authority
CN
China
Prior art keywords
flame
formula
value
fire detection
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.)
Pending
Application number
CN202310807543.3A
Other languages
English (en)
Inventor
林乐薇
麦毅锋
邓秀婷
常育豪
安宏祥
刘燕琴
杨寒波
谢镇南
白济通
罗玉婷
李�雨
简富梁
李茂毅
吴树薇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chengdu College of University of Electronic Science and Technology of China
Original Assignee
Chengdu College of University of Electronic Science and Technology of China
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chengdu College of University of Electronic Science and Technology of China filed Critical Chengdu College of University of Electronic Science and Technology of China
Priority to CN202310807543.3A priority Critical patent/CN116778423A/zh
Publication of CN116778423A publication Critical patent/CN116778423A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • 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
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • 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
    • G06V10/766—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using regression, e.g. by projecting features on hyperplanes
    • 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
    • G06V20/188—Vegetation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10048—Infrared image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30181—Earth observation
    • G06T2207/30188—Vegetation; Agriculture
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30232—Surveillance

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Fire-Detection Mechanisms (AREA)

Abstract

本发明公开了一种基于人工智能的森林火灾检测方法，其包括以下步骤：S1、分别获取森林同一个位置处的视频图像和红外热像图；S2、采用卷积神经网络提取视频图像的特征；S3、通过最小二乘支持向量机进行火焰的分类识别，得到第一火焰位置；S4、通过FCN全卷积神经网络对红外热像图的最高温度点进行火焰判断，得到第二火焰位置；S5、通过高斯分布对第一火焰位置和第二火焰位置进行判定，得到火焰的真实位置，完成森林火灾检测。本发明通过与热成像的动态结合，能够及时监测和应对森林火灾，在检测的同时能够做到对火焰位置进行精确定位，配合位置进行精准灭火和方式火焰扩散，可以有效减少森林火灾发生时产生的损失。

Description

一种基于人工智能的森林火灾检测方法
技术领域
本发明涉及火灾识别领域，具体涉及一种基于人工智能的森林火灾检测方法。
背景技术
由于森林火灾是一个全球性的问题，世界各国的研究人员长期以来都致力于这一领域的研究。通过人工巡查不能及时反应火灾情况，且需要消耗大量人力资源。近年来，也有团队使用机器学习对火灾进行检测。现有的方法采用随机森林算法、增强回归树和支持向量机，将机器学习模型应用于森林野火评估。结果表明，虽然这些机器算法可以提高林火预测的精度，但这些算法的准确度仍有待进一步提高，而且仅通过图像识别无法检测到野草或者树木等内部着火的情况。
发明内容
针对上述现有对于森林火灾识别判断技术中的不足，本发明提供的一种基于人工智能的森林火灾检测方法解决了现有仅通过图像无法检测内部着火的问题。
为了达到上述发明目的，本发明采用的技术方案为：
提供一种基于人工智能的森林火灾检测方法，其包括以下步骤：
S1、分别获取森林同一个位置处的视频图像和红外热像图；
S2、采用卷积神经网络提取视频图像的特征；
S3、基于特征，通过最小二乘支持向量机进行火焰的分类识别，得到第一火焰位置；
S4、通过FCN全卷积神经网络对红外热像图的最高温度点进行火焰判断，得到第二火焰位置；
S5、通过高斯分布对第一火焰位置和第二火焰位置进行判定，得到火焰的真实位置，完成森林火灾检测。
进一步地，步骤S3的具体方法包括以下子步骤：
S3-1、根据公式：
使用非线性映射方法将特征x映射到特征空间，并在特征空间中构造线性回归函数约束条件；其中ω为权值，ωT为权向量；为非线性映射；b为常数阈值；ξi为第i维特征空间的拟合误差；
S3-2、定义拉格朗日函数为公式：
其中λ为拉格朗日乘子，
定义的拉格朗日函数公式，消去w和ξi得到公式：
其中，ξ1为1×N的单位行向量ξ1 T为ξ1的转置，其中(I,j＝1,2,…,N)，D为对角阵/>k(xi,xj)是内核函数，用于将输入数据转换为更高维度的空间，它测量两个数据点xi,xj之间的相似性；
S3-3、构建最小二乘支持向量机回归函数，其表达式为：
其中y为火焰的分类识别结果；
S3-4、基于火焰的分类识别结果，得到第一火焰位置。
进一步地，步骤S4的具体方法包括以下子步骤：
S4-1、使用FCN全卷积神经网络对红外热像图进行粗分割，获取原始图像特征；
S4-2、对原始图像特征进行像素级火焰预测分类，形成一个基于FCN粗分割结果的目标区域：
S4-3、将FCN粗分割结果的目标区域进行最小矩形框划分，得到目标区域坐标位置；
S4-4、以最小矩形框中心点为初始种子点，按照m领域的方式，从初始种子点坐标开始的m领域像素点定义为初始生长区域S0；
S4-5、计算初始生长区域S0的像素均值V0和动态差D0，将初始生长区域S0内所有像素灰度值置为V0；
S4-6、判断初始生长区域是否不再扩大，若是则进入步骤S4-9；否则进入步骤S4-7；
S4-7、判断初始生长区域的生长次数是否到达迭代次数阈值，若是则进入步骤S4-9；否则进入步骤S4-8；
S4-8、根据公式：
Ω0＝[Vn-1-θDn-1,Vn-1+θDn-1]
获取可生长像素点阈值范围Ω0,使用新的阈值范围Ω0来识别下一次迭代中可以增长的新像素集，返回步骤S4-4，重复此过程，直到获得所需的分割结果，其中Vn-1为当前初始生长区域的像素均值，θ为调节因子，即常数，Dn-1为当前初始生长区域的动态差，n表示第n次迭代；
S4-9、将当前初始生长区域与包含有目标区域的FCN粗分割结果进行融合，得到第二火焰位置，
进一步地，步骤S4-5中动态差的计算方法为：
根据公式：
获取第n次生成初始生长区域的动态差Dn；其中x1,x2…xn为每一次迭代时新加入的像素灰度值，Vn-1为第n次生成初始生长区域的像素均值。
进一步地，步骤S4-9的具体方法为：
设由S4-2得到FCN粗分割面积为Sf，由S4-4到S4-7得到的二次分割面积为Sd，为方便计算，将所得两个结果的所有灰度值分别进行二值化，得到Sfb和Sdb，如公式：
其中，Sb是二值化结果，N(x,y)表示坐标为x和y处像素灰度值，μ是预先设定的阈值；
将Sfb和Sdb叠加，得到最终图像I(x,y)，叠加方法如公式：
其中，Sfb(x,y)和Sdb(x,y)分别表示Sfb和Sdb在(x,y)处的灰度值。
将当前初始生长区域与包含有目标区域的FCN粗分割结果中大于等于灰度阈值的像素灰度值置为1，小于灰度阈值的像素灰度值置为0，分别得到二值化后的生长区域和二值化后的粗分割结果；判断二值化后的生长区域和二值化后的粗分割结果在点(x,y)处的灰度值是否均为0，若是则将点(x,y)处的I(x,y)的值置为0；否则将点(x,y)处的I(x,y)的值置为1。
进一步地，步骤S5的具体方法包括以下子步骤：
S5-1、获取第一火焰位置与第二火焰位置的平均数a和标准差σ；
S5-2、根据公式：
获取正态分布结果g(x)；其中π为圆周率；
S5-3、将火焰判断分数导入正态分布后的结果，取规定值以上的火焰发生情况分数信息作为输出结果，最后将结果带入公式进行损失计算，将大于分布阈值的正态分布结果对应的位置作为火焰的真实位置，完成森林火灾检测。
进一步的，步骤S5-3的带入公式为：
根据公式：
Lr(ti,t′i)＝R(ti-t′i)
其中Lr(·)为回归损失值，R(·)为smoothL1，ti为规定值以上火焰判断分数导入正态分布后的结果，ti'为ti的倒数，
本发明的有益效果为：本发明相较于现有的森林火灾检测方法，能够提高检测效率和精准度，减少人员投入，更加安全有效。在检测的同时能够做到对火焰位置进行精确定位，配合位置进行精准灭火和方式火焰扩散，可以有效减少森林火灾发生时产生的损失。
附图说明
图1为本方法的流程示意图。
具体实施方式
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
如图1所示，该基于人工智能的森林火灾检测方法包括以下步骤：
S1、分别获取森林同一个位置处的视频图像和红外热像图；
S2、采用卷积神经网络提取视频图像的特征；
S3、基于特征，通过最小二乘支持向量机进行火焰的分类识别，得到第一火焰位置；
S4、通过FCN全卷积神经网络对红外热像图的最高温度点进行火焰判断，得到第二火焰位置；
S5、通过高斯分布对第一火焰位置和第二火焰位置进行判定，得到火焰的真实位置，完成森林火灾检测。
步骤S3的具体方法包括以下子步骤：
S3-1、根据公式：
使用非线性映射方法将特征x映射到特征空间，并在特征空间中构造线性回归函数约束条件；其中ω为权值，ωT为权向量；为非线性映射；b为常数阈值；ξi为第i维特征空间的拟合误差；
S3-2、定义拉格朗日函数为公式：
其中λ为拉格朗日乘子，
定义的拉格朗日函数公式，消去w和ξi得到公式：
其中，ξ1为1×N的单位行向量ξ1 T为ξ1的转置，其中(I,j＝1,2,…,N)，D为对角阵/>k(xi,xj)是内核函数，用于将输入数据转换为更高维度的空间，它测量两个数据点xi,xj之间的相似性；
S3-3、构建最小二乘支持向量机回归函数，其表达式为：
其中y为火焰的分类识别结果；
S3-4、基于火焰的分类识别结果，得到第一火焰位置。
进一步的，步骤S4的具体方法包括以下子步骤：
S4-1、使用FCN全卷积神经网络对红外热像图进行粗分割，获取原始图像特征；
S4-2、对原始图像特征进行像素级火焰预测分类，得到包含有目标区域的FCN粗分割结果；
S4-3、将FCN粗分割结果的目标区域进行最小矩形框划分，得到目标区域坐标位置；
S4-4、以最小矩形框中心点为初始种子点，按照m领域的方式，从初始种子点坐标开始的m领域像素点定义为初始生长区域S0；
S4-5、计算初始生长区域S0的像素均值V0和动态差D0，将初始生长区域S0内所有像素灰度值置为V0；
S4-6、判断初始生长区域是否不再扩大，若是则进入步骤S4-9；否则进入步骤S4-7；
S4-7、判断初始生长区域的生长次数是否到达迭代次数阈值，若是则进入步骤S4-9；否则进入步骤S4-8；
S4-8、根据公式：
Ω0＝[Vn-1-θDn-1,Vn-1+θDn-1]
获取可生长像素点阈值范围Ω0,使用新的阈值范围Ω0来识别下一次迭代中可以增长的新像素集，返回步骤S4-4，重复此过程，直到获得所需的分割结果，其中Vn-1为当前初始生长区域的像素均值，θ为调节因子，即常数，Dn-1为当前初始生长区域的动态差，n表示第n次迭代；
S4-9、将当前初始生长区域与包含有目标区域的FCN粗分割结果进行融合，得到第二火焰位置。
其中，步骤S4-5中动态差的计算方法为：
根据公式：
获取第n次生成初始生长区域的动态差Dn；其中x1,x2…xn为每一次迭代时新加入的像素灰度值，Vn-1为第n次生成初始生长区域的像素均值。
其中，步骤S4-9的具体方法为：
设由S4-2得到FCN粗分割面积为Sf，由S4-4到S4-7得到的二次分割面积为Sd，为方便计算，将所得两个结果的所有灰度值分别进行二值化，得到Sfb和Sdb，如公式：
其中，Sb是二值化结果，N(x,y)表示坐标为x和y处像素灰度值，μ是预先设定的阈值；
将Sfb和Sdb叠加，得到最终图像I(x,y)，叠加方法如公式：
其中，Sfb(x,y)和Sdb(x,y)分别表示Sfb和Sdb在(x,y)处的灰度值。
将当前初始生长区域与包含有目标区域的FCN粗分割结果中大于等于灰度阈值的像素灰度值置为1，小于灰度阈值的像素灰度值置为0，分别得到二值化后的生长区域和二值化后的粗分割结果；判断二值化后的生长区域和二值化后的粗分割结果在点(x,y)处的灰度值是否均为0，若是则将点(x,y)处的I(x,y)的值置为0；否则将点(x,y)处的I(x,y)的值置为1
步骤S5的具体方法包括以下子步骤：
S5-1、获取第一火焰位置与第二火焰位置的平均数a和标准差σ；
S5-2、根据公式：
获取正态分布结果g(x)；其中π为圆周率；
S5-3、将火焰判断分数导入正态分布后的结果，取规定值以上的火焰发生情况分数信息作为输出结果，最后将结果带入公式进行损失计算，将大于分布阈值的正态分布结果对应的位置作为火焰的真实位置，完成森林火灾检测。
进一步的，步骤S5-3的带入公式为：
根据公式：
Lr(ti,t′i)＝R(ti-t′i)
其中Lr(·)为回归损失值，R(·)为smoothL1，ti为规定值以上火焰判断分数导入正态分布后的结果，ti'为ti的倒数，
在具体实施过程中，最小二乘支持向量机的表达式为：
其中C为正则化参数；ei为的权值；N为特征空间的总维数；
基于最小二乘支持向量机的表达式和权值ei可以得到拉格朗日函数表达式：
其中λ为拉格朗日乘子；
根据拉格朗日函数表达式消去ω和ξi即可得到公式：
其中，ξz为1×N的单位行向量，为ξz的转置；/>D为对角阵/>进而即可得到最小二乘支持向量机回归函数。
在具体实施过程中，对CNN卷积神经网络和FCN全卷积神经网络的训练可以采用如下方式：
将大于等于分布阈值的正态分布结果带入公式Lr(ti,ti')＝R(ti,ti')进行损失计算，通过反向传播方式更新卷积神经网络和FCN分割网络，通过降低损失值，提高识别精度。其中Lr(·)为回归损失值，ti为规定值以上火焰判断分数导入正态分布后的结果，ti'为ti的倒数。R(·)为smoothL1，
综上所述，本发明通过与热成像的动态结合，能够及时监测和应对森林火灾，在检测的同时能够做到对火焰位置进行精确定位，配合位置进行精准灭火和方式火焰扩散，可以有效减少森林火灾发生时产生的损失。

Claims (7)

1.一种基于人工智能的森林火灾检测方法，其特征在于，包括以下步骤：
S1、分别获取森林同一个位置处的视频图像和红外热像图；
S2、采用卷积神经网络提取视频图像的特征；
S3、基于特征，通过最小二乘支持向量机进行火焰的分类识别，得到第一火焰位置；
S4、通过FCN全卷积神经网络对红外热像图的最高温度点进行火焰判断，得到第二火焰位置；
S5、通过高斯分布对第一火焰位置和第二火焰位置进行判定，得到火焰的真实位置，完成森林火灾检测。
2.根据权利要求1所述的基于人工智能的森林火灾检测方法，其特征在于，步骤S3的具体方法包括以下子步骤：
S3-1、根据公式：
使用非线性映射方法将特征x映射到特征空间，并在特征空间中构造线性回归函数约束条件；其中ω为权值，ωT为权向量；为非线性映射；b为常数阈值；ξi为第i维特征空间的拟合误差；
S3-2、定义拉格朗日函数为公式：
其中λ为拉格朗日乘子，
定义的拉格朗日函数公式，消去w和ξi得到公式：
其中，ξ1为1×N的单位行向量ξ1 T为ξ1的转置，其中(I,j＝1,2,…,N)，D为对角阵/>k(xi，xj)是内核函数，用于将输入数据转换为更高维度的空间，它测量两个数据点xi，xj之间的相似性；
S3-3、构建最小二乘支持向量机回归函数，其表达式为：
其中y为火焰的分类识别结果；
S3-4、基于火焰的分类识别结果，得到第一火焰位置。
3.根据权利要求1所述的基于人工智能的森林火灾检测方法，其特征在于，步骤S4的具体方法包括以下子步骤：
S4-1、使用FCN全卷积神经网络对红外热像图进行粗分割，获取原始图像特征；
S4-2、对原始图像特征进行像素级火焰预测分类，形成一个基于FCN粗分割结果的目标区域：
S4-3、将FCN粗分割结果的目标区域进行最小矩形框划分，得到目标区域坐标位置；
S4-4、以最小矩形框中心点为初始种子点，按照m领域的方式，从初始种子点坐标开始的m领域像素点定义为初始生长区域S0；
S4-5、计算初始生长区域S0的像素均值V0和动态差D0，将初始生长区域S0内所有像素灰度值置为V0；
S4-6、判断初始生长区域是否不再扩大，若是则进入步骤S4-9；否则进入步骤S4-7；
S4-7、判断初始生长区域的生长次数是否到达迭代次数阈值，若是则进入步骤S4-9；否则进入步骤S4-8；
S4-8、根据公式：
Ω0＝[Vn-1-θDn-1,Vn-1+θDn-1]
获取可生长像素点阈值范围Ω0，返回步骤S4-4，其中Vn-1为当前初始生长区域的像素均值，θ为调节因子，即常数，Dn-1为当前初始生长区域的动态差，n表示第n次迭代；
S4-9、将当前初始生长区域与包含有目标区域的FCN粗分割结果进行融合，得到第二火焰位置。
4.根据权利要求3所述的基于人工智能的森林火灾检测方法，其特征在于，步骤S4-5中动态差的计算方法为：
根据公式：
获取第n次生成初始生长区域的动态差Dn；其中x1,x2…xn为每一次迭代时新加入的像素灰度值，Vn-1为第n次生成初始生长区域的像素均值。
5.根据权利要求3所述的基于人工智能的森林火灾检测方法，其特征在于，步骤S4-9的具体方法为：
设由S4-2得到FCN粗分割面积为Sf，由S4-4到S4-7得到的二次分割面积为Sd，将所得两个结果的所有灰度值分别进行二值化，得到Sfb和Sdb，如公式：
其中，Sb是二值化结果，N(x,y)表示坐标为x和y处像素灰度值，μ是预先设定的阈值；
将Sfb和Sdb叠加，得到最终图像I(x,y)，叠加方法如公式：
其中，Sfb(x,y)和Sdb(x,y)分别表示Sfb和Sdb在(x,y)处的灰度值，
将当前初始生长区域与包含有目标区域的FCN粗分割结果中大于等于灰度阈值的像素灰度值置为1，小于灰度阈值的像素灰度值置为0，分别得到二值化后的生长区域和二值化后的粗分割结果；判断二值化后的生长区域和二值化后的粗分割结果在点(x,y)处的灰度值是否均为0，若是则将点(x,y)处的I(x,y)的值置为0；否则将点(x,y)处的I(x,y)的值置为1。
6.根据权利要求1所述的基于人工智能的森林火灾检测方法，其特征在于，步骤S5的具体方法包括以下子步骤：
S5-1、获取第一火焰位置与第二火焰位置的平均数a和标准差σ；
S5-2、根据公式：
获取正态分布结果g(x)；其中π为圆周率；
S5-3、将火焰判断分数导入正态分布后的结果，取规定值以上的火焰发生情况分数信息作为输出结果，最后将结果带入公式进行损失计算，将大于分布阈值的正态分布结果对应的位置作为火焰的真实位置，完成森林火灾检测。
7.根据权利要求6所述的基于人工智能的森林火灾检测方法，其特征在于，步骤S5-3的带入公式为：
根据公式：
Lr(ti,t′i)＝R(ti-t′i)
其中Lr(·)为回归损失值，R(·)为smoothL1，ti为规定值以上火焰判断分数导入正态分布后的结果，t'i为ti的倒数，
CN202310807543.3A 2023-06-30 2023-06-30 一种基于人工智能的森林火灾检测方法 Pending CN116778423A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310807543.3A CN116778423A (zh) 2023-06-30 2023-06-30 一种基于人工智能的森林火灾检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310807543.3A CN116778423A (zh) 2023-06-30 2023-06-30 一种基于人工智能的森林火灾检测方法

Publications (1)

Publication Number Publication Date
CN116778423A true CN116778423A (zh) 2023-09-19

Family

ID=88007987

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310807543.3A Pending CN116778423A (zh) 2023-06-30 2023-06-30 一种基于人工智能的森林火灾检测方法

Country Status (1)

Country Link
CN (1) CN116778423A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117523499A (zh) * 2023-12-29 2024-02-06 广东邦盛北斗科技股份公司 基于北斗定位与感知的森林防火监测方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117523499A (zh) * 2023-12-29 2024-02-06 广东邦盛北斗科技股份公司 基于北斗定位与感知的森林防火监测方法及系统
CN117523499B (zh) * 2023-12-29 2024-03-26 广东邦盛北斗科技股份公司 基于北斗定位与感知的森林防火监测方法及系统

Similar Documents

Publication Publication Date Title
CN108961235B (zh) 一种基于YOLOv3网络和粒子滤波算法的缺陷绝缘子识别方法
CN110827213B (zh) 一种基于生成式对抗网络的超分辨率图像修复方法
CN109934200B (zh) 一种基于改进M-Net的RGB彩色遥感图像云检测方法及系统
CN113850242B (zh) 一种基于深度学习算法的仓储异常目标检测方法及系统
CN111127416A (zh) 基于计算机视觉的混凝土结构表面缺陷自动检测方法
CN110097053B (zh) 一种基于改进Faster-RCNN的电力设备外观缺陷检测方法
CN108038846A (zh) 基于多层卷积神经网络的输电线路设备图像缺陷检测方法及系统
CN113379703B (zh) 基于Yolo-v4网络结构光伏面板暗斑缺陷检测方法
CN112767357A (zh) 一种基于Yolov4的混凝土结构病害检测方法
CN116778423A (zh) 一种基于人工智能的森林火灾检测方法
CN111079518B (zh) 一种基于执法办案区场景下的倒地异常行为识别方法
CN110334660A (zh) 一种雾天条件下基于机器视觉的森林火灾监测方法
CN113792427A (zh) 一种已有边界条件下森林火灾蔓延预测模拟的方法
Li et al. Robust double spatial regularization sparse hyperspectral unmixing
CN116433545A (zh) 基于雨条纹引导的多尺度融合单幅图像去雨方法
Cui et al. A novel underwater image restoration method based on decomposition network and physical imaging model
CN114332748A (zh) 基于多源特征联合网络与变换图像自生成的目标检测方法
CN117789081A (zh) 一种基于自信息的双重注意力机制小物体识别方法
CN112232403A (zh) 一种红外图像与可见光图像的融合方法
CN111160372A (zh) 一种基于高速卷积神经网络的大目标识别方法
CN116664421A (zh) 一种基于多光照角度图像融合的航天器图像去阴影的方法
Wang et al. Multi-patch and feature fusion network for single image Dehazing
CN106530300A (zh) 一种低秩分析的火焰识别算法
Chen et al. GADO-Net: an improved AOD-Net single image dehazing algorithm
CN113496159A (zh) 一种多尺度卷积与动态权重代价函数的烟尘目标分割方法

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