CN114399734A - 一种基于视觉信息的森林火灾预警方法 - Google Patents
一种基于视觉信息的森林火灾预警方法 Download PDFInfo
- Publication number
- CN114399734A CN114399734A CN202210049405.9A CN202210049405A CN114399734A CN 114399734 A CN114399734 A CN 114399734A CN 202210049405 A CN202210049405 A CN 202210049405A CN 114399734 A CN114399734 A CN 114399734A
- Authority
- CN
- China
- Prior art keywords
- smoke
- forest
- forest fire
- detection model
- feature
- 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
- 238000000034 method Methods 0.000 title claims abstract description 29
- 230000000007 visual effect Effects 0.000 title claims abstract description 12
- 239000000779 smoke Substances 0.000 claims abstract description 75
- 238000001514 detection method Methods 0.000 claims abstract description 52
- 238000012544 monitoring process Methods 0.000 claims abstract description 25
- 238000012549 training Methods 0.000 claims abstract description 7
- 230000004927 fusion Effects 0.000 claims description 19
- 238000007781 pre-processing Methods 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 8
- 230000003044 adaptive effect Effects 0.000 claims description 7
- 238000010586 diagram Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000005520 cutting process Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 claims description 2
- 230000002194 synthesizing effect Effects 0.000 claims description 2
- 230000000694 effects Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 101100441251 Arabidopsis thaliana CSP2 gene Proteins 0.000 description 1
- 102100027557 Calcipressin-1 Human genes 0.000 description 1
- 101100247605 Homo sapiens RCAN1 gene Proteins 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 101150064416 csp1 gene Proteins 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000002542 deteriorative effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000010076 replication Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Images
Classifications
-
- 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
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06N3/045—Combinations of 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
- 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
- G08B17/10—Actuation by presence of smoke or gases, e.g. automatic alarm devices for analysing flowing fluid materials by the use of optical means
-
- 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
- G08B17/125—Actuation by presence of radiation or particles, e.g. of infrared radiation or of ions by using a video camera to detect fire or smoke
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)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Emergency Management (AREA)
- Business, Economics & Management (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biodiversity & Conservation Biology (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Multimedia (AREA)
- Fire-Detection Mechanisms (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于视觉信息的森林火灾预警方法，包括：将待测数据集中的图像输入森林火灾检测模型进行训练；在森林中布置监控摄像头，并对所有监控摄像头进行编号；将监控摄像头采集的视频数据输入森林火灾检测模型进行分类，若分类结果为检测到烟雾则发出烟雾报警，并提供视频来源的监控摄像头的编号，完成森林火灾预警。本发明利用注意力机制使网络对小尺度烟雾更加敏感，更好提取早期森林火灾烟雾的特征。本发明融入了特征级和决策级的分类检测模块，提高了烟雾与相似物体的鉴别能力，尤其是鉴别烟和雾的特征。本发明在数据集中加入雾的负样本，使网络适应在雾天环境下对烟的检测。
Description
技术领域
本发明属于森林火警预测领域，特别是涉及一种基于视觉信息的森林火灾预警方法。
背景技术
全世界平均每年发生森林火灾22万次，受灾面积达1000万公顷,造成了无数财产损失和珍惜动物伤亡，防范森林火灾迫在眉睫。在火灾发生的早期，烟雾总是先于明火而产生，所以及时检测出烟雾可以有效防止火势恶化，传统的方法大部分基于传感器，但由于传感器的探测距离有限，仅适合室内场所，对大面积的森林起不到有效作用。
对于森林火灾，最易实现的办法就是通过监控摄像头检测烟雾，传统基于图像的森林烟雾检测都是通过根据烟雾的形状、颜色、纹理、运动特性进行识别，先利用前景提取或运动区域提取方法生成疑似烟雾候选区域。然后设计人工特征，提取候选区域的烟雾特征向量，最后将提取的特征输入分类器分类，得到最终的检测结果。但森林火灾监控摄像头视野广，一般获取远距离火灾烟雾视频，所以烟雾区域往往较小，传统基于图像的检测算法检测效果较差，漏检情况严重，而且不能在多场景任务中应用。
近几年深度学习飞速发展，大量实验证明基于深度学习的烟雾检测算法更有效和实用，通过神经网络和损失函数，对大量烟雾数据集进行训练，得到了高效烟雾检测模型。起初研究者使用AlexNet进行特征提取，获得比传统算法更好的特征图，但在准确度和漏报率上还达不到要求。随着卷积神经网络不断发展，对图像的特征提取越来越精确，如VGG、RCNN、YOLO系列网络已经能满足很多应用需求，但它们作为目标检测的基础网络，直接用作烟雾检测效果并不好，最主要的原因是火灾发生早期的烟雾在整个视野里占比很小，像素信息很少，神经网络难以识别；其次因为真实环境比较复杂，在雾天情况识别火灾烟雾是关键难题；在火灾烟雾检测这一特定的领域的数据集很少，公开的数据集大多没有标签，并且样本单一不具有代表性，通过这样数据集训练的网络并不能有效检测早期烟雾火灾，给科研工作者带来极大不便。
发明内容
本发明的目的是提供一种基于视觉信息的森林火灾预警方法，以解决上述现有技术存在的问题。
一方面为实现上述目的，本发明提供了一种基于视觉信息的森林火灾预警方法，包括：
构建待测数据集和森林火灾检测模型，并将所述待测数据集中的图像输入所述森林火灾检测模型进行训练，获得完成训练的所述森林火灾检测模型；
在森林中布置监控摄像头，并对所有所述监控摄像头进行编号；
将所述监控摄像头采集的视频数据输入训练好的所述森林火灾检测模型进行分类，若分类结果为检测到烟雾则发出烟雾报警，并提供视频来源的监控摄像头的编号，完成森林火灾预警。
可选的，构建待测数据集的过程包括：
收集从网络爬取到的森林烟雾图片和仅有雾的森林图片；
人工制造以森林为背景的烟雾，通过摄像机远距离拍摄，将拍摄的视频逐帧保存为统一格式的图片，作为森林烟雾图片；
随机对部分所述森林烟雾图片加上雾的干扰，获得有雾干扰的森林烟雾图片；
将所述有雾干扰的森林烟雾图片和所述仅有雾的森林图片合成所述待测数据集。
可选的，构建待测数据集的过程还包括：
对所述有雾干扰的森林烟雾图片进行标注，获得烟雾的分类信息和真实框的坐标大小信息。
可选的，构建所述森林火灾检测模型的过程中包括：
采用YOLOv5网络模型构建所述森林火灾检测模型，所述森林火灾检测模型通过四层卷积层进行特征提取。
可选的，将所述待测数据集中的图像输入所述森林火灾检测模型进行训练的过程中包括：
对所述待测数据集中的图像进行预处理；
通过注意力机制对结束预处理后的图像进行特征提取，提取出特征图；
对所述特征图进行特征融合和决策分类，获得最终特征图，基于所述最终特征图进行检测。
可选的，对所述待测数据集中的图像进行预处理的过程包括：
对所述待测数据集中的图像进行马赛克数据增强、自适应锚框计算和自适应图像缩放；
其中马赛克数据增强通过随机缩放、随机裁剪、随机排布的方式对所述待测数据集中的图像进行拼接。
可选的，通过注意力机制对结束预处理后的图像进行特征提取，提取出特征图的过程包括：
通过空间注意力找到结束预处理后的图像中的烟雾区域，降低其他背景区域的权重；
通过通道注意力强调代表烟雾的特征通道，降低其他通道权重，提取出所述特征图。
可选的，对所述特征图进行特征融合和决策分类的过程包括：
获取所述森林火灾检测模型的第二、三、四个卷积层的数据并进行融合，获取融合特征；
对所述融合特征进行分类，获取最终特征图。
本发明的技术效果为：
(1)本发明在YOLOv5网络neck部分嵌入CBAM注意力机制，使网络对小尺度烟雾更加敏感，更好提取早期森林火灾烟雾的特征。
(2)本发明把特征级和决策级的分类检测模块融入YOLOv5的Backbone部分，提高了烟雾与相似物体的鉴别能力，尤其是鉴别烟和雾的特征。
(3)本发明在数据集中加入雾的负样本，使网络适应在雾天环境下对烟的检测。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为本发明实施例中的YOLOv5s网络结构图；
图2为本发明实施例中的融合CBAM后的YOLOv5结构图；
图3为本发明实施例中的CBAM结构图；
图4为本发明实施例中的融合分类检测模块结构图；
图5为本发明实施例中的YOLOv5+融合分类检测模块结构图。
具体实施方式
需要说明的是，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。下面将参考附图并结合实施例来详细说明本申请。
需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
实施例一
本发明实施例中提供了一种基于视觉信息的森林火灾预警方法，包括：
(1)收集从网络爬取到的森林烟雾图片，转化为固定格式。
(2)人工制造以森林为背景的烟雾，通过摄像机远距离拍摄，将拍摄的视频逐帧保存为统一格式的图片。
(3)通过程序给一部分森林烟图片加上雾的干扰。
(4)将上述所处理的图片连同只有雾的图片合并为一个数据集，通过标注软件对所有包含烟的图像人工标注，获得烟雾的分类信息和真实框的坐标大小信息。
(5)在边缘服务器搭建改进后的YOLOv5网络模型。利用创建的数据集训练改进后的YOLOv5网络。
(6)在森林各个区域布置监控摄像头，给每个监控编号。如果是山林，一座山可以通过3个摄像头实施监控，在距离山腰3千米左右的地方布置监控，每个摄像头水平视角120°，即可对一座山实施全方位监控；如果在平原森林，在森林瞭望塔布置监控，一个瞭望塔同样使用3个摄像头形成对周围360°监控。
(7)在边缘服务器接收监控摄像头传来的视频数据，送入训练好的网络模型进行分类。
(8)如果分类结果是检测到烟雾，则发出烟雾警报，提供视频来源的监控摄像头编号，然后重复步骤6；如果分类结果没检测到烟雾，则重复步骤6。
本发明实施例中的模型采用的为YOLOv5网络模型，YOLOv5是一种单阶段的端到端目标检测框架，有s、x、m、l四个版本，模型由小变大，目标检测的精确度逐步提高，但同时检测速度也逐渐降低，YOLOv5模型一直都在持续更新中，具体的，本发明使用YOLOv5-5.0的s版本，因为森林火灾烟雾检测要求反应迅速，才能足够短的时间内防止火势蔓延。YOLOv5s的结构如图1所示，由四个部分组成：输入部分、Backbone部分、Neck部和Detect部分。
输入部分主要包括部分主要包括马赛克数据增强、自适应锚框计算和自适应图像缩放。马赛克数据增强通过随机缩放、随机裁剪、随机排布的方式进行拼接，对小尺度的检测有很好效果；设置合适的锚框会得到较高的交并比，这有助于提高模型的准确性，在训练过程中，先验框可以更好地学习适应不同物体的形状。自适应锚框设计针对不同的数据集，都会有初始设定长宽的锚框。在网络训练中，网络在初始锚框的基础上输出预测框，进而和真实框进行比对，计算两者差距，再反向更新，迭代网络参数。自适应图像缩放在于，实际使用时，很多图片的长宽比不同。因此缩放填充后，两端的黑边大小都不同，而如果填充的比较多，则存在信息冗余，影响推理速度。因此对原始图像自适应的添加最少的黑边，图像高度上两端的黑边变少了，在推理时，计算量也会减少，即目标检测速度会得到提升。
Backbone部分使用CSP1网络结构进行特征提取，主要用于解决较大卷积层中的梯度复制问题，此外YOLOv5系列还增加了YOLOv4所没有的Focus结构。
Neck部分用于特征融合，采用特征金字塔网络(Feature pyramid Network,FPN)和感知对抗网络(Perceptual adversial Network,PAN)结构实现上采样和下采样过程。FPN是自顶向下的，它使用上采样的方法来传输和融合信息，得到预测的特征图。PAN使用自底向上的特征金字塔。FPN使用自顶向下的特征卷积，利用插值在较高的特征层上从19*19到38*38做2次上采样，而特征层通过1x1卷积水平连接，改变下层特征层的底层通道数。与YOLOv4不同的是，Yolov4的Neck采用的都是普通的卷积操作，而Yolov5的Neck结构中，采用借鉴CSPNet设计的CSP2结构，加强网络特征融合的能力。
Detect部分主要包括Bounding box损失函数和NMS非极大值抑制，Bounding box损失函数为GIOU_loss，其公式为：
其中C为能够同时框住真实框与预测框的最小的框，C的面积减去预测框与真实框的面积，再比上C的面积，即可反映出真实框与预测框距离，有效地解决了当预测帧与真实帧不相交时，预测帧与真实帧之间的距离信息丢失，且IOU等于0的问题。NMS非极大值抑制可以选出众多预测框中IOU最高的那个，使模型更准确。
在森林火灾发生的早期，烟雾还比较少，在整个监控视野的占比也很小，通过多层卷积神经网络最终提取的特征与背景相比非常少，导致特征表达能力较弱，对小目标的检测下降，无论是正常环境还是雾天环境都是个挑战。为了解决这个问题，本发明将空间注意力和通道注意力融入YOLOv5网络中，有助于网络学习到烟雾的特征，减少背景的干扰，融合CBAM后的网络结构如图2所示，将CBAM模块分别放在三种不同尺度检测头的卷积层前面，可以对各种尺度的目标起作用。
CBAM模块结构如图3所示，它是由空间注意力和通道注意力连接起来的，空间注意力会在找到图片中包含物体概率最大的区域，即有烟雾区域，给这个区域更高的权重，同时将其他背景区域的权重降低；通过卷积提取特征过程中，会将原始图片变成多通道的特征图，通道注意力强调代表烟雾的特征通道，并赋予它们更高的权重，而其他通道权重则变小。这种联合的注意机制可以更加注意烟雾的位置，减少背景干扰，提高小尺度烟雾检测的准确性。
雾的存在给烟雾检测带来了很大的困难，不仅因为它看起来跟烟相似，导致误判率变高，而且雾会影响到终端监控的照片质量，让特征提取变得更加困难。为了获得更具鉴别能力的特征，实现实时分类。本文将一种特征级和决策级的融合分类检测模块融入YOLOv5，可以使网络更具鉴别烟和雾的能力，降低误判率。融合分类检测模块如图4所示，特征融合部分通过类似与特征金字塔网络(FPN)结构的特征级融合，获得了三组更具鉴别能力的特征，包括烟雾的详细边缘纹理信息和高级语义信息，以提高烟雾与相似对象之间的鉴别能力。
在卷积层、dropout层和全局池化层三组分类层的基础上，进行决策层融合。这个模块有三个输入一个输出，本文将YOLOv5的第二、三、四个Conv模块作为输入，将输出作为SPP模块的输入；前半部分是特征融合，将不同尺度卷积层信息单独取出，即加强了对不同尺度目标的检测，也可以加强对烟这种分布不均匀、边界轮廓模糊目标的检测，提取的三种不同尺度特征输入后面的决策融合模块，这个模块通过由卷积层、dropout层和全局池化层组成的分类器加权融合，由于这三种尺度的特征包含不同的目标信息，在分类中具有不同的重要性。加了融合分类检测模块后的YOLOv5网络如图5。
以上所述，仅为本申请较佳的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应该以权利要求的保护范围为准。
Claims (8)
1.一种基于视觉信息的森林火灾预警方法，其特征在于，包括以下步骤：
构建待测数据集和森林火灾检测模型，并将所述待测数据集中的图像输入所述森林火灾检测模型进行训练，获得完成训练的所述森林火灾检测模型；
在森林中布置监控摄像头，并对所有所述监控摄像头进行编号；
将所述监控摄像头采集的视频数据输入训练好的所述森林火灾检测模型进行分类，若分类结果为检测到烟雾则发出烟雾报警，并提供视频来源的监控摄像头的编号，完成森林火灾预警。
2.根据权利要求1所述的方法，其特征在于，构建待测数据集的过程包括：
收集从网络爬取到的森林烟雾图片和仅有雾的森林图片；
人工制造以森林为背景的烟雾，通过摄像机远距离拍摄，将拍摄的视频逐帧保存为统一格式的图片，作为森林烟雾图片；
随机对部分所述森林烟雾图片加上雾的干扰，获得有雾干扰的森林烟雾图片；
将所述有雾干扰的森林烟雾图片和所述仅有雾的森林图片合成所述待测数据集。
3.根据权利要求2所述的方法，其特征在于，构建待测数据集的过程还包括：
对所述有雾干扰的森林烟雾图片进行标注，获得烟雾的分类信息和真实框的坐标大小信息。
4.根据权利要求1所述的方法，其特征在于，构建所述森林火灾检测模型的过程中包括：
采用YOLOv5网络模型构建所述森林火灾检测模型。
5.根据权利要求1所述的方法，其特征在于，将所述待测数据集中的图像输入所述森林火灾检测模型进行训练的过程中包括：
对所述待测数据集中的图像进行预处理；
通过注意力机制对结束预处理后的图像进行特征提取，提取出特征图；
对所述特征图进行特征融合和决策分类，获得最终特征图，基于所述最终特征图进行检测。
6.根据权利要求5所述的方法，其特征在于，对所述待测数据集中的图像进行预处理的过程包括：
对所述待测数据集中的图像进行马赛克数据增强、自适应锚框计算和自适应图像缩放；
其中马赛克数据增强通过随机缩放、随机裁剪、随机排布的方式对所述待测数据集中的图像进行拼接。
7.根据权利要求5所述的方法，其特征在于，通过注意力机制对结束预处理后的图像进行特征提取，提取出特征图的过程包括：
通过空间注意力找到结束预处理后的图像中的烟雾区域，降低其他背景区域的权重；
通过通道注意力强调代表烟雾的特征通道，降低其他通道权重，提取出所述特征图。
8.根据权利要求4或5所述的方法，其特征在于，对所述特征图进行特征融合和决策分类的过程包括：
获取所述森林火灾检测模型的第二、三、四个卷积层的数据并进行融合，获取融合特征；
对所述融合特征进行分类，获取最终特征图。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210049405.9A CN114399734A (zh) | 2022-01-17 | 2022-01-17 | 一种基于视觉信息的森林火灾预警方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210049405.9A CN114399734A (zh) | 2022-01-17 | 2022-01-17 | 一种基于视觉信息的森林火灾预警方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114399734A true CN114399734A (zh) | 2022-04-26 |
Family
ID=81230243
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210049405.9A Pending CN114399734A (zh) | 2022-01-17 | 2022-01-17 | 一种基于视觉信息的森林火灾预警方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114399734A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114998801A (zh) * | 2022-06-09 | 2022-09-02 | 北京林业大学 | 基于对比自监督学习网络的森林火灾烟雾视频检测方法 |
| CN115273017A (zh) * | 2022-04-29 | 2022-11-01 | 桂林电子科技大学 | 基于Yolov5交通标志检测识别模型训练方法及系统 |
| CN116106473A (zh) * | 2023-02-13 | 2023-05-12 | 广东烟草惠州市有限责任公司 | 双目视觉传感的烟草阴燃监测方法 |
| CN117197978A (zh) * | 2023-04-21 | 2023-12-08 | 中国消防救援学院 | 一种基于深度学习的林火监测预警系统 |
| CN117253031A (zh) * | 2023-11-16 | 2023-12-19 | 应急管理部天津消防研究所 | 一种基于多元复合深度学习的森林火灾监测方法 |
| CN117876874A (zh) * | 2024-01-15 | 2024-04-12 | 西南交通大学 | 基于高点监控视频的森林火灾检测和定位方法及系统 |
| CN118230202A (zh) * | 2024-05-24 | 2024-06-21 | 江西啄木蜂科技有限公司 | 一种基于深度学习的森林火灾检测方法 |
-
2022
- 2022-01-17 CN CN202210049405.9A patent/CN114399734A/zh active Pending
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115273017A (zh) * | 2022-04-29 | 2022-11-01 | 桂林电子科技大学 | 基于Yolov5交通标志检测识别模型训练方法及系统 |
| CN114998801A (zh) * | 2022-06-09 | 2022-09-02 | 北京林业大学 | 基于对比自监督学习网络的森林火灾烟雾视频检测方法 |
| CN116106473A (zh) * | 2023-02-13 | 2023-05-12 | 广东烟草惠州市有限责任公司 | 双目视觉传感的烟草阴燃监测方法 |
| CN117197978A (zh) * | 2023-04-21 | 2023-12-08 | 中国消防救援学院 | 一种基于深度学习的林火监测预警系统 |
| CN117253031A (zh) * | 2023-11-16 | 2023-12-19 | 应急管理部天津消防研究所 | 一种基于多元复合深度学习的森林火灾监测方法 |
| CN117253031B (zh) * | 2023-11-16 | 2024-01-30 | 应急管理部天津消防研究所 | 一种基于多元复合深度学习的森林火灾监测方法 |
| CN117876874A (zh) * | 2024-01-15 | 2024-04-12 | 西南交通大学 | 基于高点监控视频的森林火灾检测和定位方法及系统 |
| CN117876874B (zh) * | 2024-01-15 | 2024-09-06 | 西南交通大学 | 基于高点监控视频的森林火灾检测和定位方法及系统 |
| CN118230202A (zh) * | 2024-05-24 | 2024-06-21 | 江西啄木蜂科技有限公司 | 一种基于深度学习的森林火灾检测方法 |
| CN118230202B (zh) * | 2024-05-24 | 2024-08-06 | 江西啄木蜂科技有限公司 | 一种基于深度学习的森林火灾检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114399734A (zh) | 一种基于视觉信息的森林火灾预警方法 | |
| CN112216049B (zh) | 一种基于图像识别的施工警戒区监测预警系统及方法 | |
| CN112084869B (zh) | 一种基于紧致四边形表示的建筑物目标检测方法 | |
| CN111951212A (zh) | 对铁路的接触网图像进行缺陷识别的方法 | |
| CN111222478A (zh) | 一种工地安全防护检测方法和系统 | |
| CN111414807B (zh) | 一种基于yolo技术的潮水识别与危机预警方法 | |
| CN112287983B (zh) | 一种基于深度学习的遥感图像目标提取系统和方法 | |
| CN111582074A (zh) | 一种基于场景深度信息感知的监控视频树叶遮挡检测方法 | |
| Zhao et al. | FSDF: A high-performance fire detection framework | |
| CN113033315A (zh) | 一种稀土开采高分影像识别与定位方法 | |
| Sun et al. | IRDCLNet: Instance segmentation of ship images based on interference reduction and dynamic contour learning in foggy scenes | |
| Qiang et al. | Forest fire smoke detection under complex backgrounds using TRPCA and TSVB | |
| CN114627269A (zh) | 一种基于深度学习目标检测的虚拟现实安防监控平台 | |
| CN114708566A (zh) | 一种基于改进YOLOv4的自动驾驶目标检测方法 | |
| CN115880765A (zh) | 区域入侵异常行为检测方法、装置及计算机设备 | |
| CN112926426A (zh) | 基于监控视频的船舶识别方法、系统、设备及存储介质 | |
| CN114463624A (zh) | 一种应用于城市管理监督的违章建筑物检测方法及装置 | |
| CN117671602B (zh) | 基于图像识别的农田森林烟雾防火检测方法和设备 | |
| CN113052139A (zh) | 一种基于深度学习双流网络的攀爬行为检测方法及系统 | |
| CN113158963A (zh) | 一种高空抛物的检测方法及装置 | |
| CN116682057A (zh) | 一种基于窗口自注意力机制的变电站安全隐患检测方法 | |
| CN113902744B (zh) | 基于轻量级网络的图像检测方法、系统、设备和存储介质 | |
| CN116798118A (zh) | 一种基于TPH-yolov5的异常行为检测方法 | |
| CN111160255B (zh) | 一种基于三维卷积网络的捕鱼行为识别方法及系统 | |
| CN114359705A (zh) | 一种地质灾害监测方法和装置 |
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 |