一种基于人工智能的森林火灾检测方法

1.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：

2.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。


技术实现要素：

3.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。
4.为了达到上述发明目的，本发明采用的技术方案为：
5.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：
6.s1、分别获取森林同一个位置处的视频图像和红外热像图；
7.s2、采用卷积神经网络提取视频图像的特征；
8.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；
9.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；
10.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。
11.进一步地，步骤s3的具体方法包括以下子步骤：
12.s3-1、根据公式：
[0013][0014]
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，ω
t
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；
[0015]
s3-2、定义拉格朗日函数为公式：
[0016][0017]
其中λ为拉格朗日乘子，
[0018]
定义的拉格朗日函数公式，消去w和ξi得到公式：
[0019][0020]
其中，ξ1为1
×
n的单位行向量ξ
1t
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；
[0021]
s3-3、构建最小二乘支持向量机回归函数，其表达式为：
[0022][0023]
其中y为火焰的分类识别结果；
[0024]
s3-4、基于火焰的分类识别结果，得到第一火焰位置。
[0025]
进一步地，步骤s4的具体方法包括以下子步骤：
[0026]
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；
[0027]
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：
[0028][0029]
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；
[0030]
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；
[0031]
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；
[0032]
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；
[0033]
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；
[0034]
s4-8、根据公式：
[0035]
ω0＝[v
n-1-θd
n-1
,v
n-1
+θd
n-1
]
[0036]
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v
n-1
为当前初始生长区域的像素均值，θ为调节因子，即常数，d
n-1
为当前初始生长区域的动态差，n表示第n次迭代；
[0037]
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，
[0038]
进一步地，步骤s4-5中动态差的计算方法为：
[0039]
根据公式：
[0040][0041]
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，v
n-1
为第n次生成初始生长区域的像素均值。
[0042]
进一步地，步骤s4-9的具体方法为：
[0043]
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s
fb
和s
db
，如公式：
[0044][0045]
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；
[0046]
将s
fb
和s
db
叠加，得到最终图像i(x,y)，叠加方法如公式：
[0047][0048]
其中，s
fb
(x,y)和s
db
(x,y)分别表示s
fb
和s
db
在(x,y)处的灰度值。
[0049]
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。
[0050]
进一步地，步骤s5的具体方法包括以下子步骤：
[0051]
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；
[0052]
s5-2、根据公式：
[0053][0054]
获取正态分布结果g(x)；其中π为圆周率；
[0055]
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。
[0056]
进一步的，步骤s5-3的带入公式为：
[0057]
根据公式：
[0058]
lr(ti,t
′i)＝r(t
i-t
′i)
[0059]
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，
[0060][0061]
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
[0062]
图1为本方法的流程示意图。
具体实施方式
[0063]
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。
[0064]
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：
[0065]
s1、分别获取森林同一个位置处的视频图像和红外热像图；
[0066]
s2、采用卷积神经网络提取视频图像的特征；
[0067]
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；
[0068]
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；
[0069]
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。
[0070]
步骤s3的具体方法包括以下子步骤：
[0071]
s3-1、根据公式：
[0072][0073]
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，ω
t
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；
[0074]
s3-2、定义拉格朗日函数为公式：
[0075][0076]
其中λ为拉格朗日乘子，
[0077]
定义的拉格朗日函数公式，消去w和ξi得到公式：
[0078][0079]
其中，ξ1为1
×
n的单位行向量ξ
1t
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；
[0080]
s3-3、构建最小二乘支持向量机回归函数，其表达式为：
[0081][0082]
其中y为火焰的分类识别结果；
[0083]
s3-4、基于火焰的分类识别结果，得到第一火焰位置。
[0084]
进一步的，步骤s4的具体方法包括以下子步骤：
[0085]
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；
[0086]
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；
[0087][0088]
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；
[0089]
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；
[0090]
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；
[0091]
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；
[0092]
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；
[0093]
s4-8、根据公式：
[0094]
ω0＝[v
n-1-θd
n-1
,v
n-1
+θd
n-1
]
[0095]
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v
n-1
为当前初始生长区域的像素均值，θ为调节因子，即常数，d
n-1
为当前初始生长区域的动态差，n表示第n次迭代；
[0096]
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。
[0097]
其中，步骤s4-5中动态差的计算方法为：
[0098]
根据公式：
[0099][0100]
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，v
n-1
为第n次生成初始生长区域的像素均值。
[0101]
其中，步骤s4-9的具体方法为：
[0102]
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s
fb
和s
db
，如公式：
[0103][0104]
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；
[0105]
将s
fb
和s
db
叠加，得到最终图像i(x,y)，叠加方法如公式：
[0106][0107]
其中，s
fb
(x,y)和s
db
(x,y)分别表示s
fb
和s
db
在(x,y)处的灰度值。
[0108]
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
[0109]
步骤s5的具体方法包括以下子步骤：
[0110]
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；
[0111]
s5-2、根据公式：
[0112][0113]
获取正态分布结果g(x)；其中π为圆周率；
[0114]
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。
[0115]
进一步的，步骤s5-3的带入公式为：
[0116]
根据公式：
[0117]
lr(ti,t
′i)＝r(t
i-t
′i)
[0118]
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，
[0119][0120]
在具体实施过程中，最小二乘支持向量机的表达式为：
[0121][0122][0123]
其中c为正则化参数；ei为的权值；n为特征空间的总维数；
[0124]
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：
[0125][0126]
其中λ为拉格朗日乘子；
[0127]
根据拉格朗日函数表达式消去ω和ξi即可得到公式：
[0128][0129]
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。
[0130]
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：
[0131]
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，
[0132]
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。

技术特征：
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，ω
t
为权向量；为非线性映射；b为常数阈值；ξ
i
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ξ
i
得到公式：其中，ξ1为1
×
n的单位行向量ξ
1t
为ξ1的转置，其中(i,j＝1,2,
…
,n)，d为对角阵k(x
i
，x
j
)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x
i
，x
j
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＝[v
n-1-θd
n-1
,v
n-1
+θd
n-1
]获取可生长像素点阈值范围ω0，返回步骤s4-4，其中v
n-1
为当前初始生长区域的像素均值，θ为调节因子，即常数，d
n-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d
n
；其中x1,x2…
x
n
为每一次迭代时新加入的像素灰度值，v
n-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s
f
，由s4-4到s4-7得到的二次分割面积为s
d
，将所得两个结果的所有灰度值分别进行二值化，得到s
fb
和s
db
，如公式：其中，s
b
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s
fb
和s
db
叠加，得到最终图像i(x,y)，叠加方法如公式：其中，s
fb
(x,y)和s
db
(x,y)分别表示s
fb
和s
db
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：l
r
(t
i
,t
′
i
)＝r(t
i-t
′
i
)其中l
r
(
·
)为回归损失值，r(
·
)为smoothl1，t
i
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t
i
的倒数，

技术总结
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。森林火灾发生时产生的损失。森林火灾发生时产生的损失。


技术研发人员：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
受保护的技术使用者：电子科技大学成都学院
技术研发日：2023.06.30
技术公布日：2023/9/20