一种融合物理优化模型与深度学习的智能火点识别方法技术

本发明专利技术公开了一种融合物理优化模型与深度学习的智能火点识别方法，包括以下步骤：步骤1：根据物理机理的模型进行阈值动态化处理，得到优化后的自适应阈值物理机理模型；步骤2：构建基于U

【技术实现步骤摘要】
一种融合物理优化模型与深度学习的智能火点识别方法


[0001]本专利技术涉及智能火点识别领域，尤其涉及一种融合物理优化模型与深度学习的智能火点识别方法。

技术介绍

[0002]卫星遥感是监测实时火情的重要技术手段，基于遥感数据的火点识别算法思路主要包括辐射传输物理模型与深度学习模型两大类。虽然基于物理机理的全局火点指数法与局部上下文算法已比较成熟，但传统算法中关键指标的固定阈值会导致火点的误检和漏检，特别是在沙漠戈壁、山体阴影、云阴影等极端情况下，固定阈值缺陷明显，产生大量误检，对灾害应急工作造成干扰。因此，将物理模型中的阈值进行自适应动态化处理，可以有效减少各类系统误差，从根源提高火点识别精度。
[0003]比较而言，物理模型从辐射传输机理出发，检测效果稳定，但辐射能量限制了散火检测效果；深度学习从数据挖掘入手，散火检测效果很好，但缺乏机理约束，常存在高亮地表误检情况。现有的两种思路均能取得较高精度，但单一方法已难以实现创新性进展，如何集成两者互补优势，充分利用影像的局部特征、全局特征及抽象高级属性，是亟待突破的瓶颈。
[00本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种融合物理优化模型与深度学习的智能火点识别方法，其特征在于，包括以下步骤：步骤1：根据物理机理的模型进行阈值动态化处理，得到自适应阈值以及优化后的物理机理模型；步骤2：构建基于U
‑
Net网络模型；步骤3：引入YOLOv5模型检测高亮目标；步骤4：根据优化后的物理机理模型与U
‑
Net网络模型决策识别火点，获取遥感火点初筛结果；步骤5：将YOLOv5模型识别出的高亮目标在遥感火点初筛结果上作误差剔除，提高遥感火点初筛结果识别的整体精度。2.根据权利要求1所述的融合物理优化模型与深度学习的智能火点识别方法，其特征在于，所述步骤1包括以下子步骤：子步骤11：采用自适应阈值优化局部上下文法中关键指标，提高算法中滑动窗口间灵活性；子步骤12：将全局火点指数算法最终判断条件的固定阈值改为自适应阈值，缩小系统误差。3.根据权利要求1所述的融合物理优化模型与深度学习的智能火点识别方法，其特征在于，所述步骤2具体处理过程为：训练的遥感火点识别模型的数据属于不平衡类型，因此对输入影像采取“分块
‑
火点识别
‑
拼接”的处理流程，能发挥U
‑
Net网络模型的固有优势。4.根据权利要求1所述的融合物理优化模型与深度学习的智能火点识别方法，其特征在于，所述步骤3的建筑群落高亮目标为综合考虑特大城市、棋盘放...

【专利技术属性】
技术研发人员：靳舒婷，王天星，李同文，郑小坡，郭舟，
申请(专利权)人：中山大学，
类型：发明
国别省市：