一种森林火灾烟雾探测方法和系统技术方案

本发明专利技术公开了一种森林火灾烟雾探测方法和系统，方法包括：获取森林图像；将所述森林图像输入预先训练的森林烟雾检测模型，得到含有烟雾的森林图像，其中，所述森林烟雾检测模型包括长距离依赖关系模型、全局视觉注意力模型和薄雾干扰自动消除模型；将含有烟雾的森林图像输入预先训练的森林烟雾浓度估计模型；根据所述森林烟雾浓度估计模型的输出，确定森林烟雾浓度及预警措施。本发明专利技术能够快速、准确和高效地对森林火灾进行及时监测和灾情预警。效地对森林火灾进行及时监测和灾情预警。效地对森林火灾进行及时监测和灾情预警。

【技术实现步骤摘要】
一种森林火灾烟雾探测方法和系统


[0001]本专利技术属于火灾探测
，具体涉及一种森林火灾烟雾探测方法和系统。

技术介绍

[0002]现实生活中发生火灾时往往最先出现烟雾。识别烟雾对火灾的及早发现、扑灭和人员疏散极为重要。
[0003]传统火灾探测器，普遍存在以下问题：(1)烟雾颗粒输送到探测器需要较长时间，因此不可避免地造成报警延误；(2)由于气流、烟雾分层停留等原因，烟雾颗粒可能无法到达传感器，造成无法报警；(3)传感器必须安装在起火点附近，长期暴露在空气中会造成接触大量粉尘而导致传感器失效。综合而言，传统传感器不适用于高大空间、室外、存在强气流或粉尘等场合，尤其是森林火灾烟雾的探测。
[0004]此外，由于烟雾浓度在火灾模拟、人员疏散、自动灭火机器人等应用领域提供了关键信息，因此有了火灾烟雾浓度场的分布，救援人员可以决策人员疏散的最佳路径和时间。但是现有的森林火灾探测预警模型难以消除薄雾等非火灾烟雾的干扰，造成火灾探测不准确、不及时，甚至造成预警错误。

技术实现思路

[0005]本专利技术的目的在于克服现有技术中的不足，提供一种森林火灾烟雾探测方法和系统，能够快速、准确和高效地对森林火灾进行及时监测和灾情预警。
[0006]本专利技术提供了如下的技术方案：
[0007]第一方面，提供一种森林火灾烟雾探测方法，包括：
[0008]获取森林图像；
[0009]将所述森林图像输入预先训练的森林烟雾检测模型，得到含有烟雾的森林图像，其中，所述森林烟雾检测模型包括长距离依赖关系模型、全局视觉注意力模型和薄雾干扰自动消除模型；
[0010]将含有烟雾的森林图像输入预先训练的森林烟雾浓度估计模型；
[0011]根据所述森林烟雾浓度估计模型的输出，确定森林烟雾浓度及预警措施。
[0012]进一步的，所述长距离依赖关系模型的搭建方法包括：
[0013]对含有烟雾的森林图像进行金字塔池化处理，得到一系列不同尺度的编码特征图，对每个尺度的编码特征图进行序列化分块，为每个分块生成位置编码特征，然后将分块特征和位置编码特征进行融合，得到融合特征；
[0014]将来自同一尺度的融合特征作为Transformer自注意力机制网络结构中的Query、Key和Value特征，实现同一尺度内的自注意力机制，得到同一尺度内的自注意力特征；
[0015]将来自不同尺度的融合特征作为Transformer自注意力机制网络结构中的Query、Key和Value特征，实现不同尺度的交叉注意力机制，得到不同尺度的交叉注意力特征；
[0016]将同一尺度内的自注意力特征和不同尺度的交叉注意力特征进行融合，解码还原
成不同尺度的空间特征图。
[0017]进一步的，所述长距离依赖关系模型使用Non
‑
local网络捕获长距离依赖关系，基本公式如下：
[0018][0019]式中，y
i
为对应位置的响应，f(x
i
,x
j
)为两个不同特征向量x
i
和x
j
的相关函数，g(x
j
)为增强操作，C(x)为响应因子，为全局响应。
[0020]进一步的，所述全局视觉注意力模型的搭建方法包括：
[0021]运用全局类别嵌入注意力模块，对含有烟雾的森林图像进行图像卷积、图像归一化、图像激活和图像池化处理，得到类别比率特征图；
[0022]运用烟雾像素比例先验生成模块，用正负样本先验嵌入的注意力网络结构和烟雾像素占比监督方法，监督所述类别比率特征和真实标签生成的正负样本比率图，得到完善后的类别比率特征图；
[0023]运用全局类别嵌入注意力模块将所述完善后的类别比率特征图和输入特征图进行加权融合，获得融合后的样本特征图；
[0024]基于所述融合后的样本特征图，运用空间通道混合注意力模块设计在通道、水平和垂直方向上的烟雾外观注意力机制，通过不同注意力机制生成烟雾形态特征图；
[0025]采用自适应融合方法和多头监督方法将不同注意力机制生成的烟雾形态特征图进行融合，建立出全局视觉注意力模型。
[0026]进一步的，所述薄雾干扰自动消除模型的搭建方法包括：
[0027]计算有雾图像的最小颜色通道Ι
m1
(x)，公式为：
[0028][0029]式中，Ι
c
(x)表示有雾图像I的任意一个颜色通道；
[0030]按升序方式对有雾图像的最小颜色通道中的局部图像块中的像素值进行排序，得到通道最小化值排序的框架；
[0031]基于通道最小化值排序的框架，针对森林薄雾的特点，通过去雾先验方法，建立出薄雾干扰自动消除模型。
[0032]进一步的，所述森林烟雾检测模型依据长距离依赖关系模型、全局视觉注意力模型和薄雾干扰自动消除模型复合并改进Transformer自注意力模型得到；
[0033]所述Transformer自注意力模型的自注意力机制网络结构采用Query向量Q、Key向量K和Value向量V计算相互关联信息，然后采用softmax函数进行激活，具体计算方式如下：
[0034][0035]式中，d
k
为向量K的维度，T为代码向量或矩阵的转置。
[0036]进一步的，所述森林烟雾检测模型采用森林火灾烟雾图像库进行训练，所述森林火灾烟雾图像库采用人工标注、计算机模拟和人工智能相结合的方法获得。
[0037]进一步的，所述森林烟雾浓度估计模型的搭建方法包括：
[0038]建立视觉注意力机制、长距离依赖关系模型网络结构，采用通道连接、逐点残差相加、通道加权融合方法，以多尺度方式嵌入到统一的编码解码网络框架之中，得到同尺度的特征信号；
[0039]在所述不同尺度的特征信号之间增加尺度方向特征融合模块，最后融合所有尺度注意力特征和编码解码输出特征，得到非常鲁棒的烟雾浓度特征表达。
[0040]进一步的，所述森林烟雾浓度估计模型训练、测试和验证时采用复合损失函数，所述复合损失函数包括图像级别烟雾分类交叉熵损失函数、像素级别密集分类交叉熵损失函数和像素级别回归平滑L1损失函数；
[0041]所述交叉熵损失函数的公式为：
[0042][0043]式中，i为样本总数，x
i
为对应样本变量值，p(x
i
)为样本的真实分布，q(x
i
)为模型所预测的分布；
[0044]所述平滑L1损失函数的公式为：
[0045][0046]式中，x为样本变量。
[0047]第二方面，提供一种森林火灾烟雾探测系统，包括：
[0048]数据获取模块，用于获取森林图像；
[0049]图像筛选模块，用于将所述森林图像输入预先训练的森林烟雾检测模型，得到含有烟雾的森林图像，其中，所述森林烟雾检测模型包本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种森林火灾烟雾探测方法，其特征在于，包括：获取森林图像；将所述森林图像输入预先训练的森林烟雾检测模型，得到含有烟雾的森林图像，其中，所述森林烟雾检测模型包括长距离依赖关系模型、全局视觉注意力模型和薄雾干扰自动消除模型；将含有烟雾的森林图像输入预先训练的森林烟雾浓度估计模型；根据所述森林烟雾浓度估计模型的输出，确定森林烟雾浓度及预警措施。2.根据权利要求1所述的森林火灾烟雾探测方法，其特征在于，所述长距离依赖关系模型的搭建方法包括：对含有烟雾的森林图像进行金字塔池化处理，得到一系列不同尺度的编码特征图，对每个尺度的编码特征图进行序列化分块，为每个分块生成位置编码特征，然后将分块特征和位置编码特征进行融合，得到融合特征；将来自同一尺度的融合特征作为Transformer自注意力机制网络结构中的Query、Key和Value特征，实现同一尺度内的自注意力机制，得到同一尺度内的自注意力特征；将来自不同尺度的融合特征作为Transformer自注意力机制网络结构中的Query、Key和Value特征，实现不同尺度的交叉注意力机制，得到不同尺度的交叉注意力特征；将同一尺度内的自注意力特征和不同尺度的交叉注意力特征进行融合，解码还原成不同尺度的空间特征图。3.根据权利要求1所述的森林火灾烟雾探测方法，其特征在于，所述长距离依赖关系模型使用Non
‑
local网络捕获长距离依赖关系，基本公式如下：式中，y
i
为对应位置的响应，f(x
i
,x
j
)为两个不同特征向量x
i
和x
j
的相关函数，g(x
j
)为增强操作，C(x)为响应因子，为全局响应。4.根据权利要求1所述的森林火灾烟雾探测方法，其特征在于，所述全局视觉注意力模型的搭建方法包括：运用全局类别嵌入注意力模块，对含有烟雾的森林图像进行图像卷积、图像归一化、图像激活和图像池化处理，得到类别比率特征图；运用烟雾像素比例先验生成模块，用正负样本先验嵌入的注意力网络结构和烟雾像素占比监督方法，监督所述类别比率特征和真实标签生成的正负样本比率图，得到完善后的类别比率特征图；运用全局类别嵌入注意力模块将所述完善后的类别比率特征图和输入特征图进行加权融合，获得融合后的样本特征图；基于所述融合后的样本特征图，运用空间通道混合注意力模块设计在通道、水平和垂直方向上的烟雾外观注意力机制，通过不同注意力机制生成烟雾形态特征图；采用自适应融合方法和多头监督方法将不同注意力机制生成的烟雾形态特征图进行融合，建立出全局视觉注意力模型。5.根据权利要求1所述的森林火灾烟雾探测方法，其特征在于，所述薄雾干扰自动消...

【专利技术属性】
技术研发人员：舒佳乐，金越，李甲未，邹宇，贺诤扬，
申请(专利权)人：昆明理工大学，
类型：发明
国别省市：