[发明专利]一种森林火灾图片实时分割和火灾边缘点监测算法

说明书

本发明公开了一种森林火灾图片实时分割和火灾边缘点监测算法，其步骤依次包括：搭建MobileNet网络模型；构建注意力模块；构造一个注意力残差网络；将得到的空间注意力特征与原特征使用残差得到微调后的图片特征；获得的注意力残差模块；提取森林火灾的图片特征；将图片中的火情区域分割出来；计算火情边界点像素；计算飞机的横向纵向距离；计算图像中心点经纬度坐标；计算火情边界点经纬度。本发明提供的算法可以帮助工作人员查看火情的实时状况，监测火情边界；通过对森林火情的实时快速的分析，可以对火灾进行有效处理，降低对火灾带来的损失。

技术领域

本发明涉及一种森林火灾图片实时分割和火灾边缘点监测算法，对森林火灾的图片进行实时分割和火灾边缘点监测，具体使用深度学习和神经网络对图片进行分割，分割后计算的火灾边缘点。

背景技术

森林火灾有着极强的破坏力和危险性，火灾带了的损失有时是无法弥补的，在重大火灾的情况下，会造成水土流失、危害野生动物、威胁人民财产。当森林发生火灾时，监测森林火情的实时情况是很必要的，只有了解了火情实时情况和火情实时边界范围，才能对森林火情进行一个有效的控制。

随着近几年深度学习的飞速发展，许多领域结合该技术解决实际问题，取得了很大的成功。其中卷积神经网络(CNN)具有很强的学习能力，语义分割往往是由CNN分类网络构建的。Lenet是最早的神经网络之一，可以简单快速的提取图片的特征，但是忽略了特征通道之间的关系。因此，迫切需要一种森林火灾图片实时分割和火灾边缘点监测算法，以解决现有技术中存在的这一问题。

为了解决上述技术问题，特提出一种新的技术方案。

发明内容

本发明的目的在于提供一种森林火灾图片实时分割和火灾边缘点监测算法，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：一种森林火灾图片实时分割和火灾边缘点监测算法，所述算法包含下述步骤：

S1、搭建MobileNet网络模型，该网络结构的基本单元为深度可分离卷积；

S2、构建注意力模块，分别为通道注意力模块和空间注意力模块；

S3、构造一个注意力残差网络，将得到的空间注意力特征与原特征使用残差得到微调后的图片特征；

S4、构造深度注意力模块，加入深度度可卷积模块，再连接pointwiseconvolution，最后加入S3获得的注意力残差模块；

S5、构建MobileCBAM-Net网络模型，以S1搭建的MobileNet做为基础的网络架构，以S2、S3、S4为组件组合成MobileCBAM-Net，提取森林火灾的图片特征；

S6、将火情图片输入到S5构建的MobileCBAM-Net网络模型中，将具有火请的区域的像素点赋值为红色，不是火情区域的像素点赋值为黑色，从而将图片中的火情区域分割出来；

S7、计算火情边界点像素，获得S6中分割后的图片，如果一个像素的四周有一个点不是红色，则该点为边界点像素，否则为非边界点像素；

S8、计算飞机的横向纵向距离，对输入的飞行夹角进行处理，使之转换成所需要的正夹角，结合飞机和吊舱的俯仰角和飞机飞行高度计算出飞机的横向纵向距离；

S9、计算图像中心点经纬度坐标，结合飞机经纬度与S8中的结果计算出图像中心点经纬度坐标；

S10、计算火情边界点经纬度，获取到S7中的边缘点像素和S9中图像的经纬度，计算左上角的经纬度，根据左上角的经纬度，计算其余三个点的经纬度，从而得到边界点的经纬度；

优选地，所述S1中，深度可分离卷积具体可以分为两个操作depthwiseconvolution和pointwise convolution；