遥感卫星火点识别方法、装置、设备及存储介质制造方法及图纸

本申请公开了遥感卫星火点识别方法、装置、设备及存储介质，涉及人工智能技术领域。通过火点识别模型进行火点识别，具有较高的准确率和召回率，无需对卫星遥感数据进行复杂预处理，对专家知识依赖较低，适用于不同遥感卫星；在遥感卫星图像的基础上考虑到天气信息和地表类型信息，避免遥感卫星图像受到天气因素和地表类型影响，适用于不同区域场景的火点识别。在火点识别模型训练阶段，通过迁移学习方法，在公开的火点识别产品数据构成的第一训练数据集训练的第一火点识别模型的基础上，通过少量的真实火灾案例构成的第二训练数据集对第一火点识别模型进行微调，解决缺少真实数据的问题，并且最终得到的火点识别模型具有较高的准确率和召回率。

Method, device, equipment and storage medium of remote sensing satellite fire point identification

【技术实现步骤摘要】
遥感卫星火点识别方法、装置、设备及存储介质
本申请涉及计算机
，尤其涉及人工智能

技术介绍
火灾是一种常见且频发的灾害，具有突发性强、破坏性大、处置救援困难的特点，尤其是森林过载，对森林的破坏性极大，造成的经济损失相当严重。因此，在火灾检测环节中，发现火点的及时性与准确性尤为重要，能够尽快采取有效的应急措施和防护措施，降低火灾带来的损失。现有技术的遥感卫星火点识别方法有绝对阈值法、自适应阈值法等。其中绝对阈值法通过对遥感数据某些通道值与固定阈值进行比较来识别火点，但是绝对阈值法召回率较低，且容易受到不同区域、季节、天气等因素的影响，在实际使用中需要针对区域、季节、天气等因素对阈值进行人为调整，依赖专家经验知识且花费的时间和人力成本较高；而自适应阈值法通过设置通道窗口计算均值和方差来确定阈值，可以解决不同区域、季节、天气等因素影响的问题，但不同的遥感卫星之间窗口确定不一致，且只使用单一的通道特征，忽略了其他通道中可能包含潜在的火灾特征，同时也依赖专家经验知识，召回率和准确率也较低。
技术实现思路
本申请提供一种遥感卫星火点识别方法、装置、设备及存储介质，以提高火点识别的准确率和召回率。本申请第一个方面提供一种遥感卫星火点识别方法，包括：获取目标区域的卫星遥感图像、以及对应的天气信息和地表类型信息；根据所述卫星遥感图像以及所述天气信息和地表类型信息，提取特征信息；将所述特征信息输入到预先训练的火点识别模型中，输出火点识别结果，根据所述火点识别结果判断所述目标区域是否发生火灾。本实施例通过火点识别模型进行火点识别，具有较高的准确率和召回率，且无需对卫星遥感数据进行复杂的预处理，对专家知识依赖较低，可适用于不同遥感卫星；在遥感卫星图像的基础上考虑到天气信息和地表类型信息，避免遥感卫星图像受到天气因素和地表类型的影响，可适用于不同的区域场景的火点识别。在一种可能的设计中，所述火点识别模型为神经网络模型，所述神经网络模型包括特征层，隐藏层和输出层；所述特征层包括用于提取经验特征的多层全连接层、用于提取空间特征的卷积神经网络层、以及用于提取时序特征的长短期记忆网络层；所述将所述特征信息输入到预先训练的火点识别模型中，输出火点识别结果，包括：由所述特征层根据所述特征信息获取经验特征向量、空间特征向量和时序特征向量，并将所述经验特征向量、空间特征向量和时序特征向量合并后输入到所述隐藏层，通过所述隐藏层处理后，由所述输出层输出火点概率，作为火点识别结果。在一种可能的设计中，所述将所述特征信息输入到预先训练的火点识别模型中，输出火点识别结果，包括：将所述特征信息分别输入到多个火点识别模型中，得到多个火点识别结果；其中所述多个火点识别模型为模型训练过程中得到的多个满足预定条件的火点识别模型；所述根据所述火点识别结果判断所述目标区域是否发生火灾，包括：融合所述多个火点识别结果，判断所述目标区域是否发生火灾。在一种可能的设计中，所述根据所述卫星图像以及所述天气信息和地表类型信息提取特征信息前，还包括：将所述目标区域内不同位置的卫星图像的预定通道的数据与预设阈值进行比较，筛选所述目标区域内的候选火点；所述根据所述卫星遥感图像以及所述天气信息和地表类型信息提取特征信息，包括：对所述目标区域内的候选火点的卫星遥感图像以及所述天气信息和地表类型信息提取特征信息。本申请第二个方面提供一种火点识别模型的训练方法，包括：获取第一训练数据集，所述第一训练数据集包括火点识别产品标注的卫星遥感图像、以及对应的天气信息和地表类型信息；获取第二训练数据集，所述第二训练数据集包括真实火灾案例的卫星遥感图像、以及对应的天气信息和地表类型信息；采用第一训练数据集对初始的火点识别模型进行训练，得到第一火点识别模型；采用第二训练数据集对所述第一火点识别模型进行微调，得到满足预定条件的火点识别模型。本实施例通过迁移学习方法，在公开的火点识别产品数据构成的第一训练数据集训练的第一火点识别模型的基础上，通过少量的真实火灾案例构成的第二训练数据集对第一火点识别模型进行微调，解决了缺少真实数据的问题，并且最终得到的火点识别模型具有较高的准确率和召回率。在一种可能的设计中，火点识别模型为神经网络模型，所述神经网络模型包括特征层，隐藏层和输出层；所述特征层包括用于提取经验特征的多层全连接层、用于提取空间特征的卷积神经网络层、以及用于提取时序特征的长短期记忆网络层。在一种可能的设计中，所述采用第二训练数据集对所述第一火点识别模型进行微调，包括：冻结所述第一火点识别模型的特征层和隐藏层，采用第二训练数据集对所述第一火点识别模型的输出层进行微调。在一种可能的设计中，所述得到满足预定条件的火点识别模型，包括：通过多轮训练和验证，得到多个满足预定条件的火点识别模型。本申请第三个方面提供一种遥感卫星火点识别装置，包括：获取模块，用于获取目标区域的卫星遥感图像、以及对应的天气信息和地表类型信息；提取模块，用于根据所述卫星遥感图像以及所述天气信息和地表类型信息，提取特征信息；识别模块，用于将所述特征信息输入到预先训练的火点识别模型中，输出火点识别结果，根据所述火点识别结果判断所述目标区域是否发生火灾。在一种可能的设计中，所述火点识别模型为神经网络模型，所述神经网络模型包括特征层，隐藏层和输出层；所述特征层包括用于提取经验特征的多层全连接层、用于提取空间特征的卷积神经网络层、以及用于提取时序特征的长短期记忆网络层；所述识别模块用于：由所述特征层根据所述特征信息获取经验特征向量、空间特征向量和时序特征向量，并将所述经验特征向量、空间特征向量和时序特征向量合并后输入到所述隐藏层，通过所述隐藏层处理后，由所述输出层输出火点概率，作为火点识别结果。在一种可能的设计中，所述识别模块用于：将所述特征信息分别输入到多个火点识别模型中，得到多个火点识别结果；其中所述多个火点识别模型为模型训练过程中得到的多个满足预定条件的火点识别模型；融合所述多个火点识别结果，判断所述目标区域是否发生火灾。在一种可能的设计中，所述装置还包括：过滤模块，用于将所述目标区域内不同位置的卫星图像的预定通道的数据与预设阈值进行比较，筛选所述目标区域内的候选火点；所述提取模块还用于，对所述目标区域内的候选火点的卫星遥感图像以及所述天气信息和地表类型信息提取特征信息。本申请第四个方面提供一种火点识别模型的训练装置，包括：获取模块，用于获取第一训练数据集和第二训练数据集，所述第一训练数据集包括火点识别产品标注的卫星遥感图像、以及对应的天气信息和地表类型信息；所述第二训练数据集包括真实火灾案例的卫星遥感图像、以及对应的天气信息和地表类型信息；训练模块，用于采用第一训练数据集对初始的火点识别模型进行训练本文档来自技高网...

【技术保护点】
1.一种遥感卫星火点识别方法，其特征在于，包括：/n获取目标区域的卫星遥感图像、以及对应的天气信息和地表类型信息；/n根据所述卫星遥感图像以及所述天气信息和地表类型信息，提取特征信息；/n将所述特征信息输入到预先训练的火点识别模型中，输出火点识别结果，根据所述火点识别结果判断所述目标区域是否发生火灾。/n

【技术特征摘要】
1.一种遥感卫星火点识别方法，其特征在于，包括：
获取目标区域的卫星遥感图像、以及对应的天气信息和地表类型信息；
根据所述卫星遥感图像以及所述天气信息和地表类型信息，提取特征信息；
将所述特征信息输入到预先训练的火点识别模型中，输出火点识别结果，根据所述火点识别结果判断所述目标区域是否发生火灾。


2.根据权利要求1所述的方法，其特征在于，所述火点识别模型为神经网络模型，所述神经网络模型包括特征层，隐藏层和输出层；所述特征层包括用于提取经验特征的多层全连接层、用于提取空间特征的卷积神经网络层、以及用于提取时序特征的长短期记忆网络层；
所述将所述特征信息输入到预先训练的火点识别模型中，输出火点识别结果，包括：
由所述特征层根据所述特征信息获取经验特征向量、空间特征向量和时序特征向量，并将所述经验特征向量、空间特征向量和时序特征向量合并后输入到所述隐藏层，通过所述隐藏层处理后，由所述输出层输出火点概率，作为火点识别结果。


3.根据权利要求1所述的方法，其特征在于，所述将所述特征信息输入到预先训练的火点识别模型中，输出火点识别结果，包括：
将所述特征信息分别输入到多个火点识别模型中，得到多个火点识别结果；其中所述多个火点识别模型为模型训练过程中得到的多个满足预定条件的火点识别模型；
所述根据所述火点识别结果判断所述目标区域是否发生火灾，包括：
融合所述多个火点识别结果，判断所述目标区域是否发生火灾。


4.根据权利要求1-3任一项所述的方法，其特征在于，所述根据所述卫星图像以及所述天气信息和地表类型信息提取特征信息前，还包括：
将所述目标区域内不同位置的卫星图像的预定通道的数据与预设阈值进行比较，筛选所述目标区域内的候选火点；
所述根据所述卫星遥感图像以及所述天气信息和地表类型信息提取特征信息，包括：
对所述目标区域内的候选火点的卫星遥感图像以及所述天气信息和地表类型信息提取特征信息。


5.一种火点识别模型的训练方法，其特征在于，包括：
获取第一训练数据集，所述第一训练数据集包括火点识别产品标注的卫星遥感图像、以及对应的天气信息和地表类型信息；
获取第二训练数据集，所述第二训练数据集包括真实火灾案例的卫星遥感图像、以及对应的天气信息和地表类型信息；
采用第一训练数据集对初始的火点识别模型进行训练，得到第一火点识别模型；
采用第二训练数据集对所述第一火点识别模型进行微调，得到满足预定条件的火点识别模型。


6.根据权利要求5所述的方法，其特征在于，火点识别模型为神经网络模型，所述神经网络模型包括特征层，隐藏层和输出层；所述特征层包括用于提取经验特征的多层全连接层、用于提取空间特征的卷积神经网络层、以及用于提取时序特征的长短期记忆网络层。


7.根据权利要求6所述的方法，其特征在于，所述采用第二训练数据集对所述第一火点识别模型进行微调，包括：
冻结所述第一火点识别模型的特征层和隐藏层，采用第二训练数据集对所述第一火点识别模型的输出层进行微调。


8.根据权利要求5-7任一项所述的方法，其特征在于，所述得到满足预定条件的火点识别模型，包括：
通过多轮训练和验证，得到多个满足预定条件的火点识别模型。


9.一种遥感卫星火点识别装置，其特征在于，包括：
获取模块，用于获取目标区域的卫星遥感图像、以及对应的天气信息和地表类型信息；
提取模块，用于根据所述卫星遥感图像以及所述天气信息和地表类型信息，提取特征信息；
识别模块，用于将所述特征信息输入到预先训练的火点识别模型中，输出火点识别结果，根据所述火点识别结果判断所述目标区域是否发生火灾。


10.根据权利要求9所述的装置，其特征在于，所述火点识别模型为神经网...

【专利技术属性】
技术研发人员：周厚谦，钟辉强，刘亮，尹存祥，方军，何加伟，
申请(专利权)人：北京百度网讯科技有限公司，
类型：发明
国别省市：北京;11