基于阵列相机的森林火灾检测方法技术

本发明专利技术提供一种基于阵列相机的森林火灾检测方法，包括其中一个火灾检测算法模型先分配GPU资源，其它火灾检测算法模型用信号量的P操作等待，当该火灾检测算法模型检测结束之后，通过信号量的V操作释放GPU资源，然后读取下一帧视频，同时进行信号量的P操作，等待下一次GPU资源的释放；已抢到的火灾检测算法模型信号量的等待操作P自动解除，开始利用GPU资源进行火灾检测，未抢到的其它火灾检测算法模型继续保持信号量的P操作等待；通过信号量的V操作释放GPU资源，然后读取下一帧视频，同时进行信号量的P操作，等待下一次GPU资源的释放。其它火灾检测算法模型又开始争抢GPU资源。提高了火灾检测的精度,在火势比较小的时候，就能够检测出火灾。够检测出火灾。够检测出火灾。

【技术实现步骤摘要】
基于阵列相机的森林火灾检测方法


[0001]本专利技术属于火灾检测
，特别涉及一种基于阵列相机的森林火灾检测方法。

技术介绍

[0002]森林资源十分宝贵，一旦发生森林火灾，大火能在很短的时间内，烧毁大面积的森林和大量的林副产品，破坏林分结构和生态平衡，造成环境污染，气候失调，水土流失等验证后果。为了有效控制森林火灾，目前已经提出了一些方法来对火灾进行检测识别。
[0003]烟雾探测器是一种常见的火警预防手段，可以使火灾风险降低了一半，但是，这些装置的故障率仍然高达17％。
[0004]有些公共场所采用摄像头的方式，基于物联网将拍摄的视频传回云端，在云端进行火灾识别，如此通过摄像头定时检测能够有效判断是否发生火灾。这种方式需要在森林各处布置很多个摄像头，这些摄像头拍摄的视频传回云端需要时间，造成火灾检测有延时，导致火灾发生状况和火灾监控状况不完全一致，并且在云端对很多个摄像头回传的视频进行火灾识别需要很大的算力支持。
[0005]当火势还比较小的时候，在森林这个大场景中准确识别出火灾也是一个难点，因此有必要提出更高效的森林火灾检测识别方法来解决上述问题。

技术实现思路

[0006]本专利技术的目的是提供一种基于阵列相机的森林火灾检测方法，提高森林火灾检测的时效性和精准度。
[0007]为实现上述目的，本专利技术采用的一个技术方案是：一种基于阵列相机的森林火灾检测方法，其步骤包括：
[0008]第一步骤，将森林监控区域分割多个小区域，阵列相机每个小镜头分别监控一个小区域；
[0009]第二步骤，在每个小镜头上，分别初始化基于卷积神经网络的火灾检测算法模型；
[0010]第三步骤，将小镜头采集到的视频图像分割为多个小块子图像；
[0011]第四步骤，给其中一个火灾检测算法模型先分配GPU资源，其它火灾检测算法模型用信号量的P操作等待，当该火灾检测算法模型检测结束之后，通过信号量的V操作释放GPU资源，然后读取下一帧视频，同时进行信号量的P操作，等待下一次GPU资源的释放；
[0012]第五步骤，其它火灾检测算法模型开始争抢GPU资源，已抢到的火灾检测算法模型信号量的等待操作P自动解除，开始利用GPU资源进行火灾检测，未抢到的其它火灾检测算法模型继续保持信号量的P操作等待；
[0013]第六步骤，当第五步骤中抢到GPU资源的模型检测火灾结束后，通过信号量的V操作释放GPU资源，然后读取下一帧视频，同时进行信号量的P操作，等待下一次GPU资源的释放。其它火灾检测算法模型又开始争抢GPU资源，转回到第五步骤。
[0014]在GPU资源争抢中，将已经抢到的火灾检测算法模型资源向后排列，满足未抢到的算法模型优先抢夺到GPU资源。
[0015]火灾检测采用YOLO V7的方法。
[0016]与现有技术相比，本专利技术一种基于阵列相机的森林火灾检测方法的有益效果在于，利用阵列相机本身的GPU资源，将火灾检测操作放到前端来做，避免了视频数据回传云端的延时，保证了火灾检测的实时性。利用阵列相机的特点将整个森林区域分割为若干个小区域，对于某一个小区域，在利用分割的方法将小镜头采集的视频图像分割为16个小图像，提高了火灾检测的精度,在火势比较小的时候，就能够检测出火灾。
附图说明
[0017]为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，其中：
[0018]图1是本专利技术一种基于阵列相机的森林火灾检测方法的流程图。
具体实施方式
[0019]下面结合附图对本专利技术作详细的描述，但是应该强调的是，下面的实施方式只是示例性的，而不是为了限制本专利技术的范围及应用。
[0020]请参看图1，本专利技术为一种基于阵列相机的森林火灾检测方法，其包括如下步骤：
[0021]第一步骤，将森林监控区域分割多个小区域，阵列相机每个小镜头分别监控一个小区域；
[0022]利用阵列相机的特性，森林监控区域可以分割为十几个小区域，比如9、12、16或25个区域，阵列相机采用3*3、3*4、4*4或5*5组成的小镜头。
[0023]第二步骤，在每个小镜头上，分别初始化基于卷积神经网络的火灾检测算法模型，对火灾检测算法模型进行编号，比如：编号可以依次为M1，M2，
……
，M16。
[0024]第三步骤，将小镜头采集到的视频图像分割为多个小块子图像，分别标记，导入火灾检测算法模型；小块子图像的标记为I1，I2，
……
，I16。
[0025]第四步骤，给其中一个火灾检测算法模型(比如M1算法模型)先分配GPU资源，其它火灾检测算法模型用信号量的P操作等待，当该火灾检测算法模型(M1算法模型)检测结束之后，通过信号量的V操作释放GPU资源，然后读取下一帧视频，同时进行信号量的P操作，等待下一次GPU资源的释放。
[0026]第五步骤，其它火灾检测算法模型开始争抢GPU资源，已抢到的火灾检测算法模型(M1算法模型)信号量的等待操作P自动解除，开始利用GPU资源进行火灾检测，未抢到的其它火灾检测算法模型继续保持信号量的P操作等待。加上第四步骤中M1算法模型也进入了信号量的P操作等待，一共有15个模型的信号量处在P等待状态。
[0027]在GPU资源争抢中，可以设置将已经抢到的火灾检测算法模型资源向后排列，满足未抢到的算法模型优先抢夺到GPU资源。
[0028]火灾检测采用YOLO V7的方法，优化了在小镜头上的处理速度。
[0029]信号量本身的性质保证了每个模型争抢到GPU资源的概率是相同的，并且在一个概率周期16次里面，只会抢到一次。同一时刻只有一个模型在使用GPU资源，其它15个模型
的信号量处在P等待状态。
[0030]第六步骤，当第五步骤中抢到GPU资源的模型检测火灾结束后，通过信号量的V操作释放GPU资源，然后读取下一帧视频，同时进行信号量的P操作，等待下一次GPU资源的释放。其它15个模型又开始争抢GPU资源，转回到第5步。
[0031]本专利技术利用阵列相机本身的GPU资源，将火灾检测操作放到前端来做，避免了视频数据回传云端的延时，保证了火灾检测的实时性。利用阵列相机的特点将整个森林区域分割为若干个小区域，对于某一个小区域，在利用分割的方法将小镜头采集的视频图像分割为16个小图像，提高了火灾检测的精度,在火势比较小的时候，就能够检测出火灾。
[0032]当然，本
内的一般技术人员应当认识到，上述实施例仅是用来说明本专利技术，而并非用作对本专利技术的限定，只要在本专利技术的实质精神范围内，对上述实施例的变化、变型都将落在本专利技术权利要求的范围内。
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于阵列相机的森林火灾检测方法，其特征在于，其步骤包括：第一步骤，将森林监控区域分割多个小区域，阵列相机每个小镜头分别监控一个小区域；第二步骤，在每个小镜头上，分别初始化基于卷积神经网络的火灾检测算法模型；第三步骤，将小镜头采集到的视频图像分割为多个小块子图像；第四步骤，给其中一个火灾检测算法模型先分配GPU资源，其它火灾检测算法模型用信号量的P操作等待，当该火灾检测算法模型检测结束之后，通过信号量的V操作释放GPU资源，然后读取下一帧视频，同时进行信号量的P操作，等待下一次GPU资源的释放；第五步骤，其它火灾检测算法模型开始争抢GPU资源，已抢到的火灾检测算法模型信号量的等待操作P自...

【专利技术属性】
技术研发人员：赵利林，张华，
申请(专利权)人：广州爱科赛尔云数据科技有限公司，
类型：发明
国别省市：