一种基于自适应目标检测的森林火灾烟雾自动识别方法技术

本发明专利技术属于人工智能在林业工程的应用领域，具体涉及一种基于自适应目标检测的森林火灾烟雾自动识别方法，旨在提供一种在满足实时性检测条件下具有高识别精度的森林火灾烟雾检测方法。具体包括在预先建立的森林火灾烟雾图像数据库中获取标定后的图像数据作为目标训练图像；将目标训练图像输入预定义的火灾烟雾检测识别模型，通过模型中的区域候选网络进行图像特征提取；选取预先建立的指标模型库中的指标，对图像特征提取的识别精度进行评估。本发明专利技术以改进的自适应目标检测网络为主体，有效的提高了森林火灾烟雾特征的提取能力，从而实现实时性且高精度的森林火灾烟雾的检测识别。别。别。

【技术实现步骤摘要】
一种基于自适应目标检测的森林火灾烟雾自动识别方法


[0001]本专利技术涉及一种基于自适应目标检测的森林火灾烟雾自动识别方法，属于人工智能在林业工程的应用领域。

技术介绍

[0002]森林火灾对经济、生态环境均构成了极大的威胁，对林业保护产生的危害极大，及时准确的发现森林火灾，是减小火灾危害的重要手段，也对森林火灾预警和扑救工作有着极其重要的意义。
[0003]火灾烟雾是森林火灾发生早期的一种显著现象，对火灾烟雾进行监测识别能够在火灾发生初期监测到火灾，将火灾遏制于摇篮。基于图像处理的检测方法智能化水平高且安全性高，目前已逐渐替代了传统的物理探测器，但图像检测方法效率低、准确率差、误报率高，基于人工智能的应用可以有效解决上述问题。

技术实现思路

[0004]为了解决上述问题，本专利技术基于火灾检测的特殊性及必要性，对其实时性及准确率都有较高的要求，提出一种自适应目标检测的森林火灾烟雾自动识别方法，既可以满足实时性检测要求，也可以保证高识别精度。
[0005]本专利技术的目的是采用下述技术方案实现的：
[0006]一种基于自适应目标检测的森林火灾烟雾自动识别方法，包括：
[0007]在预先建立的森林火灾烟雾图像数据库中获取标定后的图像数据作为目标训练图像；
[0008]将所述目标训练图像输入预定义的火灾烟雾检测识别模型，通过模型中的区域候选网络进行图像特征提取；
[0009]选取预先建立的指标模型库中的指标，对所述图像特征提取的识别精度进行评估。
[0010]优选的，所述建立森林火灾烟雾图像数据库包括：
[0011]确定建立森林火灾烟雾图像数据库的数据来源，采集图像数据，并对图像数据进行标定；
[0012]基于结构化查询语言，以存储图像路径的方式对标定后的图像数据进行存储，获得森林火灾烟雾图像数据库。
[0013]进一步地，所述森林火灾烟雾图像数据库的数据来源包括：网络真实森林草原火灾视频、实地监测视频、ImageNet数据库图像、火灾监测设备制造厂家及相关政府部门途径获取的森林火灾烟雾监测视频和图像信息；所述图像信息包括云、雾和霾的非烟雾干扰图像。
[0014]进一步地，所述对数据库中的图像数据进行标定之前还包括：基于远视距、近视距不同占比，在数据入库之前对分辨率清晰度不高的图像进行剔除。
[0015]进一步地，所述对图像数据进行标定包括：对图像中烟雾、云、雾及霾的特征区域进行提取标定。
[0016]优选的，所述火灾烟雾检测识别模型基于自适应目标检测网络进行构建；其中，所述目标检测网络为Faster R
‑
CNN模型；
[0017]所述火灾烟雾检测识别模型包括：Faster R
‑
CNN模型和设置于Faster R
‑
CNN模型的区域候选网络中的多个部件感知模块；
[0018]所述区域候选网络，用于生成候选区域；
[0019]所述部件感知模块，用于锚框的自适应生成。
[0020]进一步地，所述通过火灾烟雾检测识别模型中的区域候选网络进行图像特征提取包括：
[0021]通过Faster R
‑
CNN模型中区域候选网络生成候选区域；所述候选区域由锚框组成；
[0022]将多个部件感知模块加入至Faster R
‑
CNN模型的区域候选网络中，获取目标训练图像中每一候选区域的特征信息，生成特征图；
[0023]基于预定义的卷积层的卷积核，将所述特征图输入到卷积神经网络中至少一个卷积层进行卷积计算，归一化输出候选区域尺寸特征；基于候选区域的尺寸特征，获得多个锚框，输入到区域候选网络进行融合，获得多个融合特征；提取多个融合特征中的最大特征值，输出图像特征识别信息。
[0024]进一步地，所述生成特征图包括：
[0025]将目标训练图像输入到第一部件感知模块进行运算，获得第一感知特征；
[0026]将所述第一感知特征输入到第二部件感知模块进行运算，获得第二感知特征；
[0027]将所述第二感知特征输入到第三部件感知模块进行运算，获得第三感知特征，将所述第三感知特征作为特征图；
[0028]其中，所述部件感知模块以步长为1，以从左到右，从上到下的顺序滑动探测感知特征。
[0029]进一步地，所述基于候选区域的尺寸特征，获得多个锚框包括：将多级ROI池化层加入区域候选网络，将锚框在不同空间上分别划分为m
×
m,n
×
n,p
×
p区域，然后将其连接成单个向量进行输出；其中，m、n和p分别为锚框的空间划分参数，m取值为2，n取值为4，p取值为8。
[0030]优选的，根据权利要求1所述的方法，其特征在于，所述指标模型库的指标包括像素准确率、均值平均精度、交并比、漏报率和误报率；
[0031]其中，所述交并比表示候选框与原标记框的交叠率；
[0032]所述漏报率为未识别出来的图像数量除以总图像数量；
[0033]所述误报率为识别错误的图像数量除以图像总数量；
[0034]通过下式确定所述像素准确率：
[0035][0036]式中，P表示分类正确的图像数量占总图像数量的比例；TP代表预测正确的图像数量，FP代表预测错误图像数量；
[0037]通过下式确定所述平均精度：
[0038][0039]式中，AP表示衡量某个特征类的平均精度；∑Precision
c
是指待验证数据集上所有的图像对于特征类c的精度值的和，N(TotalImage)
c
是指含有特征类c的图像的数量；
[0040]通过下式确定所述均值平均精度：
[0041][0042]式中，MAP表示对检测到的目标平均精度的一个综合度量，是各类别平均精度的平均值；∑Average Pre cision
c
表示所有类别的平均精度，N(Classes)表示所有类别的数目。
[0043]本专利技术的有益效果是：
[0044]1.本专利技术通过应用Faster R
‑
CNN模型人工智能模型识别森林火灾烟雾来检测森林火灾发生情况，可以满足火灾烟雾特征复杂的情况，且在保证实时性的同时也可以保证高识别精度。
[0045]2.本专利技术在构造火灾烟雾图像数据库时，将带有云、雾及霾的图片也作为训练集使用，这样可以降低实际识别过程中误识别率的情况。
[0046]3.本专利技术在传统的Faster R
‑
CNN模型中引入部件感知模块来提升锚框的搜索效率，进而提升模型的识别速度，且通过对多个部件感知模块进行归一化处理，不仅能够归一化特征的尺寸和维度，还能够进一步的增强提取目标特征的能力。
[0047]4.本专利技术在传统的Faster R
‑
CNN模型中引入多级ROI池化层的思路，可以有效提高本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于自适应目标检测的森林火灾烟雾自动识别方法，其特征在于，包括：在预先建立的森林火灾烟雾图像数据库中获取标定后的图像数据作为目标训练图像；将所述目标训练图像输入预定义的火灾烟雾检测识别模型，通过模型中的区域候选网络进行图像特征提取；选取预先建立的指标模型库中的指标，对所述图像特征提取的识别精度进行评估。2.根据权利要求1所述的方法，其特征在于，所述建立森林火灾烟雾图像数据库包括：确定建立森林火灾烟雾图像数据库的数据来源，采集图像数据，并对图像数据进行标定；基于结构化查询语言，以存储图像路径的方式对标定后的图像数据进行存储，获得森林火灾烟雾图像数据库。3.根据权利要求2所述的方法，其特征在于，所述森林火灾烟雾图像数据库的数据来源包括：网络真实森林草原火灾视频、实地监测视频、ImageNet数据库图像、火灾监测设备制造厂家及相关政府部门途径获取的森林火灾烟雾监测视频和图像信息；所述图像信息包括云、雾和霾的非烟雾干扰图像。4.根据权利要求2所述的方法，其特征在于，所述对数据库中的图像数据进行标定之前还包括：基于远视距、近视距不同占比，在数据入库之前对分辨率清晰度不高的图像进行剔除。5.根据权利要求2所述的方法，其特征在于，所述对图像数据进行标定包括：对图像中烟雾、云、雾及霾的特征区域进行提取标定。6.根据权利要求1所述的方法，其特征在于，所述火灾烟雾检测识别模型基于自适应目标检测网络进行构建；其中，所述目标检测网络为Faster R
‑
CNN模型；所述火灾烟雾检测识别模型包括：Faster R
‑
CNN模型和设置于Faster R
‑
CNN模型的区域候选网络中的多个部件感知模块；所述区域候选网络，用于生成候选区域；所述部件感知模块，用于锚框的自适应生成。7.根据权利要求1所述的方法，其特征在于，所述通过火灾烟雾检测识别模型中的区域候选网络进行图像特征提取包括：通过Faster R
‑
CNN模型中区域候选网络生成候选区域；所述候选区域由锚框组成；将多个部件感知模块加入至Faster R
‑
CNN模型的区域候选网络中，获取目标训练图像中每一候选区域的特征信息，生...

【专利技术属性】
技术研发人员：张军国，赵恩庭，谢将剑，李婷婷，柴垒，
申请(专利权)人：北京林业大学，
类型：发明
国别省市：