[发明专利]一种基于外业图片的地表火模型的可燃物自动识别方法

说明书

本发明涉及一种基于外业图片的地表火模型的可燃物自动识别方法。包括：可燃物分类模型生成、可燃物自动分类以及可燃物区域图谱生成。通过输入采集数据与标记后可燃物数据训练卷积神经网络，生成可燃物分类模型。并以该模型对不同的可燃物数据进行分类，输出对应的可燃物类别概率图谱，并对不同的可燃物类别进行颜色标记与区域合并，生成完整的地表可燃物类别区域图谱，并与真实地表图像叠加，获得地表真实可燃物类别区域图像。本发明能够实现实时自动智能化的地表可燃物类别划分，可在森林火灾发生时帮助林火专家快速预测林火蔓延时间及灼烧区域，从而在森林火灾发生时快速划分隔离带，并做好周边群众的疏散工作，具有巨大的经济意义与社会价值。

技术领域

本发明涉及可燃物分类领域，具体涉及一种基于外业图片的地表火模型的可燃物自动识别方法。

背景技术

森林火灾突发性强、破坏性大、且救助较为困难，一般需要快速设置隔离带阻止林火蔓延，减少火灾损失。但森林地势复杂，可燃物类别多样，这对林火专家快速进行火灾边界预测造成了一定的困难。因此需要对地表可燃物进行快速且精确的分类，形成地表可燃物区域图谱，帮助专家快速有效的完成火灾边界预测。然而在外业现场进行人工采样标记，不仅难度较大，周期较长且由于采样范围的限制不具有全局代表性。而传统的计算机建模方法受可燃物的空间位置以及燃烧特性参数的影响不具有较高的鲁棒性，且不能完成实时采样，自动识别。因此需要一种方案能够从外业图片中快速确定可燃物类型并精确的生成地表可燃物区域图谱，实现实时采样与自动分类，从而减少人工误差，提高森林火灾的边界预测效率。

发明内容

本发明的目的在于解决对可燃物进行人工采样标记，不仅难度较大，周期较长且由于采样范围的限制不具有全局代表性。计算机建模方法受可燃物的空间位置以及燃烧特性参数的影响不具有较高的鲁棒性，不能完成实时采样，自动识别的问题，因此提供一种基于外业图片的地表火模型的可燃物自动识别方法。

为实现上述目的，本发明的技术方案是：一种基于外业图片的地表火模型的可燃物自动识别方法，包括可燃物分类模型生成，可燃物自动分类，以及可燃物区域图谱生成三大步骤；其中，

可燃物分类模型生成步骤，通过输入采集数据集与标记后可燃物类别数据集训练卷积神经网络，生成可燃物分类模型；

可燃物自动分类步骤，通过可燃物分类模型对不同的可燃物数据进行分类，输出对应的可燃物类别概率图谱；

可燃物区域图谱生成步骤，通过对不同的可燃物类别进行颜色标记与区域合并，生成完整的地表可燃物类别区域图谱，并与真实地表图像叠加，获得地表真实可燃物类别区域图像。

在本发明一实施例中，数据集构建包括数据收集、数据处理、标签标定以及数据集生成；其中，

数据收集：采集卫星遥感数据，获得高精度的地表图像；

数据处理：根据不同的应用场景要求设定不同的采样精度，并在该采样精度下采集具有典型特征的可燃物类别图像；

标签标定：按照外业图片的地表火模型分类方案，将不同可燃物划分为：NB(Nonburnable)、GR(Grass)、GS(Grass-Shrub)、SH(Shrub)、TU(Timber-Understory)、TL(Timber Litter)、SB(Slash-Blowdown)七大类别并进行标签标记，同时进行二次校验；

数据集生成：每种可燃物类型选取1000张带有标签标记的遥感数据图像，其中80％放入训练集，10％放入测试集，10％放入验证集。

在本发明一实施例中，可燃物分类模型生成过程，包括框架搭建、模型训练、最优模型选择以及模型保存；其中，