一种可自动识别布放区域的防山火热成像方法技术

本发明专利技术公开了一种可自动识别布放区域的防山火热成像方法，包括：采集热成像图像信息和可见光图像信息，提取其图像信息特征并进行融合处理，形成新的特征，采集的两种图像信息区域一致；利用深度学习网络对所述图像信息区域的异常热源进行算法识别，判断所述异常热源是否为山火，实现山火的自动识别。本发明专利技术通过运用热成像和可见光相机，云台转动，自动区域识别算法，自动巡检等技术融合，实现了对山火的追踪和有效识别。的追踪和有效识别。的追踪和有效识别。

【技术实现步骤摘要】
一种可自动识别布放区域的防山火热成像方法


[0001]本专利技术涉及图像识别处理的
，尤其涉及一种可自动识别布放区域的防山火热成像方法。

技术介绍

[0002]电力现在山火事故在线路事故中占有很大的比例，山火导致电网遭受重大的安全威胁。山区配电线路不可避免会经过山火易发地区，如何有效的预防和发现、识别山火隐患，已经成为国网线路安全的重要研究方向。
[0003]现有技术的热成像相机一般都是固定视角，只能对固定画面的图像进行采集和分析，这样就大大降低了预防山火的覆盖性和及时性。传统热成像相机不能自动识别布放区域，只能根据预设的位置进行定点巡航，识别的冗余度增大，准确度大幅降低。

技术实现思路

[0004]本部分的目的在于概述本专利技术的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和专利技术名称中可能会做些简化或省略以避免使本部分、说明书摘要和专利技术名称的目的模糊，而这种简化或省略不能用于限制本专利技术的范围。
[0005]鉴于上述现有存在的问题，提出了本专利技术。
[0006]因此，本专利技术解决的技术问题是：现有技术的热成像相机一般都是固定视角，只能对固定画面的图像进行采集和分析，大大降低了预防山火的覆盖性和及时性，另外，传统热成像相机不能自动识别布放区域，只能根据预设的位置进行定点巡航，识别的冗余度增大，准确度大幅降低。
[0007]为解决上述技术问题，本专利技术提供如下技术方案：采集热成像图像信息和可见光图像信息，提取其图像信息特征并进行融合处理，形成新的特征，采集的两种图像信息区域一致；利用深度学习网络对所述图像信息区域的异常热源进行算法识别，判断所述异常热源是否为山火，实现山火的自动识别。
[0008]作为本专利技术所述的可自动识别布放区域的防山火热成像方法的一种优选方案，其中：所述热成像图像信息和可见光图像信息的采集包括，同步运行热成像相机和可见光相机；利用所述可见光相机对360度位置进行全景取景，通过识别算法识别出山木、草丛或其他易燃地区的图像信息，形成布防区域，即可见光图像信息；利用所述热成像相机按周期对所述布防区域自动巡检，并拍摄自动巡检过程中的异常热源，生成热成像图像信息；提取所述可见光图像信息和所述热成像图像信息的特征，将二者特征相结合，以拼接的方式在通道上重新生成新的特征。
[0009]作为本专利技术所述的可自动识别布放区域的防山火热成像方法的一种优选方案，其中：所述深度学习网络包括FIRECROSSNET网络和LSTM网络：所述FIRECROSSNET网络以卷积神经网络为基础架构，提取图像的浅层以及深层的语义特征，以FPN网络为特征融合的基础网络，结合使用场景，目标的远近、大小以及分布情况，将原始卷积操作替换为深度可分离
卷积，并裁剪一部分，且在该网络基础上，引入跨阶段传输的机制。
[0010]作为本专利技术所述的可自动识别布放区域的防山火热成像方法的一种优选方案，其中：还包括，所述FIRECROSSNET网络的基本单元为卷积层+批量归一化处理+激活层；网络层数为62层，层与层之间采用残差连接方式、模块与模块之间采用跨阶段信息传递连接方式；利用摄像头采集的山火数量达到预设标准的图像数据对所述FIRECROSSNET网络进行训练，得到训练好的FIRECROSSNET网络；所述训练好的FIRECROSSNET网络以时间提取所述重新生成新的特征的序列图像特征，生成时间序列图像语义特征。
[0011]作为本专利技术所述的可自动识别布放区域的防山火热成像方法的一种优选方案，其中：还包括，利用所述时间序列图像语义特征训练所述LSTM网络，采用训练好的LSTM网络预测序列帧关于山火短时语义特征；所述LSTM网络包括一个两层的RNN和一个线性LR层。
[0012]作为本专利技术所述的可自动识别布放区域的防山火热成像方法的一种优选方案，其中：采用训练好的LSTM网络预测序列帧关于山火短时语义特征的过程包括，将所述布防区域的连续变化，定义为异常事件，通过计数划分策略检测所述异常事件；定义当前15帧作为一个短时序列，则相机判断的间隔时间为1秒，基于投票机制定义连续的异常帧是否为符合预设标准的异常段视频；通过设定阈值判断所述异常帧，当lstm预测的分值低于阈值时定义为异常，通过ROC曲线查找得出所述阈值，从而判断是否出现山火燃烧情况。
[0013]作为本专利技术所述的可自动识别布放区域的防山火热成像方法的一种优选方案，其中：根据所述FIRECROSSNET网络的分类能力以及测试数据集作出所述ROC曲线，将所述ROC曲线面积最大的情况下对应的阈值选定为目标值。
[0014]作为本专利技术所述的可自动识别布放区域的防山火热成像方法的一种优选方案，其中：所述测试数据集数据选取的阈值范围为0.5～0.95。
[0015]本专利技术的有益效果：本专利技术通过运用热成像和可见光相机，云台转动，自动区域识别算法，自动巡检等技术融合，实现了对山火的追踪和有效识别。
附图说明
[0016]为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：
[0017]图1为本专利技术一个实施例提供的一种可自动识别布放区域的防山火热成像方法的基本流程示意图；
[0018]图2为本专利技术一个实施例提供的一种可自动识别布放区域的防山火热成像方法的深度神经网络整体结构示意图；
[0019]图3为本专利技术一个实施例提供的一种可自动识别布放区域的防山火热成像方法的特征提取网络结构示意图；
[0020]图4为本专利技术一个实施例提供的一种可自动识别布放区域的防山火热成像方法的CBL结构示意图；
[0021]图5为本专利技术一个实施例提供的一种可自动识别布放区域的防山火热成像方法的CBM结构示意图；
[0022]图6为本专利技术一个实施例提供的一种可自动识别布放区域的防山火热成像方法的残差单元示意图；
[0023]图7为本专利技术一个实施例提供的一种可自动识别布放区域的防山火热成像方法的CSP_X跨阶段网络连接形式示意图；
[0024]图8为本专利技术一个实施例提供的一种可自动识别布放区域的防山火热成像方法的TBBTFPN示意图；
[0025]图9为本专利技术一个实施例提供的一种可自动识别布放区域的防山火热成像方法的夜晚山上正常视频序列示意图；
[0026]图10为本专利技术一个实施例提供的一种可自动识别布放区域的防山火热成像方法的山上起火燃烧的视频帧序列示意图；
[0027]图11为本专利技术一个实施例提供的一种可自动识别布放区域的防山火热成像方法的lstm对于图10对应视频的响应示意图；
[0028]图12为本专利技术一个实施例提供的一种可自动识别布放区域的防山火热成像方法的山火燃烧视频序列的响应示意图。
具体实施方式
[0029]为使本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种可自动识别布放区域的防山火热成像方法，其特征在于，包括：采集热成像图像信息和可见光图像信息，提取其图像信息特征并进行融合处理，形成新的特征，采集的两种图像信息区域一致；利用深度学习网络对所述图像信息区域的异常热源进行算法识别，判断所述异常热源是否为山火，实现山火的自动识别。2.如权利要求1所述的可自动识别布放区域的防山火热成像方法，其特征在于：所述热成像图像信息和可见光图像信息的采集包括，同步运行热成像相机和可见光相机；利用所述可见光相机对360度位置进行全景取景，通过识别算法识别出山木、草丛或其他易燃地区的图像信息，形成布防区域，即可见光图像信息；利用所述热成像相机按周期对所述布防区域自动巡检，并拍摄自动巡检过程中的异常热源，生成热成像图像信息；提取所述可见光图像信息和所述热成像图像信息的特征，将二者特征相结合，以拼接的方式在通道上重新生成新的特征。3.如权利要求1所述的可自动识别布放区域的防山火热成像方法，其特征在于：所述深度学习网络包括FIRECROSSNET网络和LSTM网络：所述FIRECROSSNET网络以卷积神经网络为基础架构，提取图像的浅层以及深层的语义特征，以FPN网络为特征融合的基础网络，结合使用场景，目标的远近、大小以及分布情况，将原始卷积操作替换为深度可分离卷积，并裁剪一部分，且在该网络基础上，引入跨阶段传输的机制。4.如权利要求1或3所述的可自动识别布放区域的防山火热成像方法，其特征在于：还包括，所述FIRECROSSNET网络的基本单元为卷积层+批量归一化处理+激活层；网络层数为62层，层与层之间采用残差连...

【专利技术属性】
技术研发人员：许超，何黎，韩淼，臧卫江，薛瑞鹏，张书伟，张志军，王旭东，李永刚，陈金浩，徐鹏，
申请(专利权)人：国家电网有限公司南京瀚元科技有限公司，
类型：发明
国别省市：