一种基于无人机航拍图像的早期森林火灾检测方法技术

本发明专利技术公开了一种基于无人机航拍图像的早期森林火灾检测方法，首先采用双边滤波算法和暗通道先验去雾算法来提升林火图像质量；然后针对无人机航拍早期林火图像中火灾面积过小的问题，选用精度更高的两阶段网络Faster

【技术实现步骤摘要】
一种基于无人机航拍图像的早期森林火灾检测方法


[0001]本专利技术属于森林火灾检测
，具体涉及一种基于无人机航拍图像的早期森林火灾检测方法。

技术介绍

[0002]随着社会的发展，森林火灾的发生频率也在不断增加，对环境和人类的生活造成了严重的影响。因此，及早发现森林火灾，并及时采取有效的措施，以防止森林火灾的发生和扩大，已成为当前社会的重要课题。通过无人机航拍的方式可对林区进行全地域、全天候和大范围的监测，并且能够实时拍摄并传输林区现场图像，一旦发生火灾，可在火灾发生的早期阶段就发出预警，对早期林火的及时发现和扑救具有重大的现实意义。随着无人机航拍技术的发展，基于无人机航拍图像的森林火灾检测技术成为一大研究热点。
[0003]目前基于计算机视觉的森林火灾检测方法主要包含两种方法，一种是基于机器学习处理技术的森林火灾检测方法，该领域的大多数研究都依赖于手动提取的特征，如颜色、形状和纹理来探测火灾，但是检测精度不高且不具备实时性。另一种是基于深度学习技术的森林火灾检测方法，该方法具有深层网络结构，利用深层结构逐步提取林火图像特征，可有效检测出大面积燃烧的林火区域。由于无人机航拍场景下的早期林火目标具有面积较小、长宽比差异较大、航拍图像背景复杂的特点，现有方法对其的检测存在精度不高和实时性较差的缺陷。因此，本方法提出了一种基于无人机航拍图像的早期森林火灾检测方法，该方法基于Faster
‑
RCNN算法，通过优化Anchor框、融合早期林火不同层次的图像特征和引入注意力机制降低林火复杂背景干扰的改进，可有效解决在无人机航拍场景下的早期森林火灾检测精度不高和实时性较差的问题，与同类算法相比，精度更高并且满足实时检测需求，可用于林区防火监测。

技术实现思路

[0004]有鉴于此，本专利技术的主要目的在于提供一种基于无人机航拍图像的早期森林火灾检测方法。
[0005]为达到上述目的，本专利技术的技术方案是这样实现的：
[0006]一种基于无人机航拍图像的早期森林火灾检测方法，包括如下步骤：
[0007]步骤1，预处理：收集并制作无人机航拍场景下的早期森林火灾图像数据集，先后使用双边滤波算法和暗通道先验去雾算法对该航拍林火图像数据集进行预处理，得到预处理后的图像；
[0008]步骤2，选择检测模型并优化Anchor框：针对通过无人机航拍获取到的早期森林火灾目标面积过小的问题，选用精度更高的两阶段网络Faster
‑
RCNN作为基础检测网络，并使用K
‑
means聚类算法优化Faster
‑
RCNN的Anchor框，使其更加贴合无人机航拍图像中的早期林火目标；
[0009]步骤3，航拍林火检测模型精度优化：虽然Faster
‑
RCNN可以有效提高航拍图像中
早期林火的检测精度，但是本专利技术所研究的航拍图像中的早期林火目标可利用像素过少，并且形状各异，因此引入PPM结构改进Faster
‑
RCNN网络，通过融合上下文特征，提升模型感受野，用来进一步提高无人机航拍场景下的早期林火图像的检测精度；
[0010]步骤4，航拍林火检测模型速度优化：针对无人机航拍森林火灾图像背景复杂问题引入注意力机制SENet改进Faster
‑
RCNN原有的Flatten展平层以及FC1、FC2全连接层的方式，从而提高模型对无人机航拍场景下的早期林火检测的学习效率和检测精度；
[0011]步骤5：林火检测网络训练：针对无人机航拍场景下的早期林火检测问题，完成上述的改进点并搭建网络训练Faster
‑
RCNN改进模型，并使用改进后的模型对无人机航拍图像中的早期林火进行检测。
[0012]与现有技术相比，本专利技术的有益效果是：
[0013]本专利技术针对无人机航拍场景下的早期森林火灾检测模型精度不高等问题，可以有效地消除森林自然环境噪声，解决现有模型对无人机航拍场景下的早期林火图像检测精度不高的问题，并且满足实时检测需求，具有较好的应用前景。
附图说明
[0014]图1为本专利技术实例中的流程框图。
[0015]图2为本专利技术实例中的改进后的特征提取网络结构图。
[0016]图3为本专利技术实例中的基于Faster
‑
RCNN改进的航拍森林火灾检测模型整体结构示意图
具体实施方式
[0017]为了更好的理解本专利技术的技术方案，下面结合附图对本专利技术实施例进行详细描述。应当明确，此处所描述的具体实施例仅用以解释本专利技术，并不用于限定本专利技术。
[0018]本专利技术实施例提供了一种基于无人机航拍图像的早期森林火灾检测方法，如图1所示，其主要步骤为：
[0019]步骤1：收集并制作无人机航拍场景下的早期森林火灾图像数据集，首先通过双边滤波算法消除航拍林火图像的噪声，接着使用暗通道先验去雾算法对航拍林火图像进行去雾处理；
[0020]示例地，本步骤中，采用双边滤波算法和暗通道先验去雾算法进行图像质量增强，具体步骤如下：
[0021]步骤1
‑
1，采用双边滤波算法预处理林火图像，对输入的林火图像进行局部加权平均得到输出图像的像素值，如下公式所示：
[0022][0023]其中，
[0024][0025][0026]上式中，D为林火图像中心邻域内像素点的坐标集合，F(x,y)为输出图像的像素值，f(i,j)为图像当前像素点(i,j)的像素值，ω
s
(i,j)和ω
r
(i,j)分别为图像在(i,j)处的空间域权系数和灰度域权系数，f(x,y)为中心点(x,y)的像素值，σ
s
和σ
r
分别为空间域标准差和灰度域标准差；
[0027]考虑到无人机是从高空中采集到的林火图像，由于空气中的悬浮颗粒与光线之间发生相互作用，使得通过无人机航拍采集到的森林火灾图像具有明显的退化现象，其表现就是图像模糊含雾。本方法采用暗通道先验去雾算法对无人机航拍林火数据进行增强；
[0028]步骤1
‑
2，采用暗通道先验去雾算法以固定尺度提取航拍林火图像的暗通道特征，如下公式所示：
[0029][0030]其中，为以Ω为尺度的暗通道特征，I
ch
(x,y)为模糊含雾的航拍林火图像的R、G、B三个通道；
[0031]步骤1
‑
3，通过暗通道特征计算大气光值以及透射传输率，得到增强后的航拍林火图像。
[0032]步骤2：针对通过无人机航拍获取到的早期森林火灾面积过小的问题，选用精度更高的两阶段网络Faster
‑
RCNN作为基础检测网络，并使用K
‑
means聚类算法优化Faster
‑
RCNN的Anchor框，使其更加贴合无人机航拍图像中的早期林火目标；
[0033]具体地，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于无人机航拍图像的早期森林火灾检测方法，其特征在于，包括以下步骤：步骤1：收集并制作无人机航拍场景下的早期森林火灾图像数据集，首先通过双边滤波算法消除航拍林火图像的噪声，接着使用暗通道先验去雾算法对航拍林火图像进行去雾处理；步骤2：针对通过无人机航拍获取到的早期森林火灾目标面积过小的问题，选用精度更高的两阶段网络Faster
‑
RCNN作为基础检测网络，并使用K
‑
means聚类算法优化Faster
‑
RCNN的Anchor框，贴合无人机航拍图像中的早期林火目标；步骤3：引入PPM结构改进Faster
‑
RCNN网络，通过融合上下文特征，提升模型感受野，提高无人机航拍场景下的早期森林火灾的检测精度；步骤4：针对无人机航拍森林火灾图像背景复杂问题引入注意力机制SENet改进Faster
‑
RCNN原有的Flatten展平层以及FC1、FC2全连接层的方式，从而提高模型对无人机航拍场景下的早期森林火灾检测的学习效率和检测精度；步骤5：针对无人机航拍场景下的早期森林火灾检测问题，完成上述的改进内容并搭建网络训练Faster
‑
RCNN改进模型，并使用改进后的模型对无人机航拍图像中的早期森林火灾进行检测。2.根据权利要求1所述的一种基于无人机航拍图像的早期森林火灾检测方法，其特征在于：步骤1中，自建一个完整的无人机航拍森林火灾数据集；对森林火灾图像先采用双边滤波算法对航拍林火图像去噪，再利用暗通道先验去雾算法对林火图像去雾，实现对原始航拍林火数据集的增强，处理步骤包含以下步骤：步骤1.1，采用双边滤波算法预处理林火图像，对输入的林火图像进行局部加权平均得到输出图像的像素值，如下公式所示：其中，其中，上式中，D为林火图像中心邻域内像素点的坐标集合，F(x,y)为输出图像的像素值，f(i,j)为图像当前像素点(i,j)的像素值，ω
s
(i,j)和ω
r
(i,j)分别为图像在(i,j)处的空间域权系数和灰度域权系数，f(x,y)为中心点(x,y)的像素值，σ
s
和σ
r
分别为空间域标准差和灰度域标准差；步骤1.2，采用暗通道先验去雾算法以固定尺度提取航拍林火图像的暗通道特征，如下公式所示：其中，为以Ω为尺度的暗通道特征，I
ch
(x,y)为模糊含雾的航拍林火图像的R、
G、B三个通道；步骤1.3，通过暗通道特征计算大气光值以及透射传输率，得到增强后的航拍林火图像。3.根据权利要求1所述的一种基于无人机航拍图像的早期森林火灾检测方法，其特征在于：步骤2中，通过对无人机航拍的早期森林火灾数据集进行统计可得如下数据，无人机航拍场景下的早期林火目标长宽比在1.2，最大的长宽比达到4.77，同时还有部分林火目标长宽比位于3到4.7之间；使用K
‑
means聚类算法对该数据集标注框尺寸进行聚类，以得到最佳贴合的Anchor框；采用IOU来衡量对象之间的距离；d
IOU
计算公式如式下所示：d
IOU
＝1
‑
IOU其中，S
j
代表Anchor框与标注框的相交面积、S
b
代表Anchor框与标注框相并面积；K
‑
means聚类算法具体步骤如下：步骤2.1，选定n个数据集中林火目标的标注框X＝{X1,X2,X3,
…
,Xn}；步骤2.2，随机选择9个林火目标的标注框作为聚类中心{C1,C2,C3,
…
,C9}；步骤2.3，分别计算每个林...

【专利技术属性】
技术研发人员：黄志清，谢飞飞，洪岩，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：