[发明专利]一种基于图像与视频多模型的森林火情预警方法

说明书

本发明提供一种基于图像与视频多模型的森林火情预警方法，该森林火情预警方法包括：S101：获取森林烟火的图片数据集，根据图片数据集训练Fast R‑CNN模型和YOLO V3模型；S102：通过训练后的Fast R‑CNN模型识别接入的图片，YOLO V3模型识别接入的视频，根据识别结果获取视频和图片中的森林烟火信息；S103：对王正飞模型中的初始火区、火场以及坡度进行修改，并通过修改后的王正飞模型和森林烟火信息计算火情蔓延趋势，并将森林烟火信息和火情蔓延趋势显示在GIS地图上。本发明既可以免去人工肉眼巡检造成的人力物力的巨大消耗，又可以提高对森林火情识别报警的准确率，且能够直观的了解森林火情的具体情况，便于管理者更好的进行救援决策，提高了救援效率。

技术领域

本发明涉及森林火情预警领域，尤其涉及一种基于图像与视频多模型的森林火情预警方法。

背景技术

森林火灾的定义是：在森林区域内，突发性的引起失去人为控制的大片林木的燃烧，而且森林火灾的蔓延速度非常快。森林防火是中国防灾减灾的重要组成部分，对森林资源的保护和优良生态环境的发展都有重大意义，对中国能源的发展具有重大影响。

森林防火监测主要采用人工瞭望、远程视频监控、卫星遥感等方式。人工瞭望方式是在制高点设立瞭望哨，值班人员24小时轮流值班，由于人为的疏忽和过失，会使得许多火情未能及早发现，延误扑火时间，造成严重后果。远程视频监控方式是在林区搭建大量的视频监控点，监控点配备摄像机，通过有线或无线网络将实时画面传送到监控中心，由中心人员实施监控。该方式不需直接派驻人员到林区现场，但在远距离上人工很难别早期火情。尤其是可见光摄像机监控系统，在夜间，几乎没有可探测的光谱范围的光照，视频图像上几乎是漆黑一片，很难发现和判断林火。即便换成热红外视频监控，森林环境复杂，容易存在监控死点，从而造成隐患。卫星遥感方式是通过对遥感照片的处理后发现林火，但卫星只能发现较大区域的林火，在火灾早期无法发现；同时还存在遥感图像分辨率不足、灵活性差等问题。

发明内容

为了克服现有技术的不足，本发明提出一种基于图像与视频多模型的森林火情预警方法，借助于深度学习算法识别和提取图像或视频中的森林烟火信息，这样既可以免去人工肉眼巡检造成的人力物力的巨大消耗，又可以提高对森林火情识别报警的准确率，且通过修改后的王正非模型对火情的蔓延方向与速度进行预测，并将森林火情信息和蔓延趋势显示在GIS地图上，能够直观的了解森林火情的具体情况，便于管理者更好的进行救援决策，提高了救援效率。

为解决上述问题，本发明采用的一个技术方案为：一种基于图像与视频多模型的森林火情预警方法，所述森林火情预警方法包括：S101：获取森林烟火的图片数据集，根据所述图片数据集训练Fast R-CNN模型和YOLO V3模型；S102：通过训练后的Fast R-CNN模型识别接入的图片，YOLO V3模型识别接入的视频，根据识别结果获取所述视频和图片中的森林烟火信息；S103：对王正飞模型中的初始火区、火场以及坡度进行修改，并通过修改后的王正飞模型和所述森林烟火信息计算火情蔓延趋势，并将所述森林烟火信息和火情蔓延趋势显示在GIS地图上。

进一步地，所述获取森林烟火的图片数据集的步骤具体包括：

获取与森林烟火相关的图片数据，对所述图片数据中的森林烟火目标进行标注，并对标注后的所述图片数据进行预处理以获取所述图片数据集。

进一步地，所述对标注后的所述图片数据进行预处理的步骤具体包括：

对所述图片数据中的图片进行归一化处理，使所述图片中的每个像素点减去均值像素，并对所述图片的图像进行缩放处理。

进一步地，所述根据所述图片数据集训练Fast R-CNN模型和YOLO V3模型的步骤具体包括：通过RPN生成候选区域，根据所述候选区域训练Fast R-CNN模型和YOLO V3模型；初始化新的RPN，并根据所述新的RPN的结果微调所述Fast R-CNN模型全连接层和YOLO V3模型的全连接层以构成一个统一的网络。