【技术实现步骤摘要】
本申请涉及计算机视觉和深度学习，具体涉及一种基于轻量级的tfdeepnn空间火灾风险预测。
技术介绍
1、烟雾是火灾发生初期的重要特征，烟雾检测是火灾早期预警的一种重要方式。现有烟雾检测方法主要分为人工和非人工2种方式。人工方式有护林员巡逻、瞭望台观察、飞机巡护、实时视频监控等。这些检测方法存在效率低、成本高和难以推广等缺点。非人工方式主要通过算法自动对空间视频监控图像进行检测，具有检测范围广、成本适中等优点，当算法判定图像中存在烟雾时，将在第一时间产生预警信号并发送至所属消防等有关部门以便于快速对火灾信息进行甄别并确定对应的处置方案。目前烟雾检测算法主要有基于传统的图像检测方法和基于深度学习的图像检测方法2种类型。传统烟雾图像检测方法着重于手动设计烟雾特征提取方案。muhamma等提出一种可以区分雾天与正常环境下的烟雾分类算法，实现了雾天场景的烟雾检测。汪睿卿等通过设计细节特征融合注意力模块，加强了卷积神经网络的高层特征图细节，增强了烟雾检测能力。这些方法具有鲁棒性高、适应性强、局限性小、检测效果好等优点，在烟雾检测领域有着众多运用。尽管采用卷积神经网络对烟雾进行检测的算法取得了一定的进展，但为了获得更好的检测能力，研究者们通常采用不断加深的特征提取结构或者各种繁杂的多尺度特征融合方法，这导致了算法不断复杂化，部署所需硬件配置过高，难以实际应用，阻碍了其在空间防火领域的推广。同时，仅仅以烟雾图像作为评判是否发生火灾的标准是很片面的因此加入必要的传感器数据是很重要的。
2、近年来，深度学习已经成为自然灾害和环境建模领
3、本研究旨在通过引入和测试一种新的空间火灾危险建模方法来填补这一文献空白。具体来说，我们利用张量流深度神经网络（tfdeepnn）以及轻量化卷积神经网络结合地理信息系统（giss）模拟空间的火灾危险。
技术实现思路
1、有鉴于此，本说明书实施例提供一种基于轻量级的tfdeepnn空间火灾风险预测，不仅实现了特征的多尺度融合，还提高了空间火灾风险预测的准确率。
2、本说明书实施例提供以下技术方案：
3、一方面，提供一种基于轻量级的tfdeepnn空间火灾风险预测，包括：
4、该模型主要分为四个部分：空间环境数据的来源、空间火灾数据库、tfdeepnnd模型的构建、生成空间火灾地图。
5、在一些实施例中，
6、所述第一部分：空间环境数据来源，根据空间环境所提供的设备提取了空间内各类传感器的数据以及发生火灾的烟雾图像数据；
7、所述第二部分：空间火灾数据库，利用arcgis pro 3.0对空间环境设备提取到的数据进行了处理；
8、所述第三部分：tfdeepnnd模型的构建，根据所提取到的特征构建模型；
9、所述第四部分：生成空间火灾地图，根据模型所预测的空间火灾危险情况，构建相应的空间火灾地图。
10、在一些实施例中，
11、所述的空间火灾数据用于：对各类传感器提取到的数据表示为驱动因子；
12、所述的提取到的处理得到的数据用于：同时，编写了另一个python脚本来处理这5个驱动因子映射；
13、所述的空间tfdeepnnd用于：tfdeepnn的合适架构对于构建空间火灾危险至关重要，它可以帮助实现高性能，防止过拟合和欠拟合，并最小化计算资源；
14、所述的空间空间火灾地图用于：使用了基于python的weka api来生成空间火灾危险模型。
15、在一些实施例中，
16、所述驱动因子用于：对传感器的特征提取采用直接送入到arcgis pro 3.0进行处理；对烟雾图像数据的特征提取则采用更加轻量化的结构l-csprepconv；
17、所述驱动因子映射用于：利用arcgis pro中的esri文件地理数据库格式对驱动因子构建了空间火灾数据库；
18、所述的tfdeepnn的合适架构用于：需要很好地了解空间火灾机制，并了解张量流中不同可用的架构。
19、在一些实施例中，
20、所述的烟雾图像特征提取用于：由于提取到的特征是多维度的，因此采用烟雾图度尺度特征融合方法，repconv；
21、所述的提取到的特征用于：基于包装器的随机森林（wraprf）算法来识别显著的特征进行预测。
22、基于多基于轻量级的tfdeepnn空间火灾风险预测方法还包括：模型训练模块，用于：将所述特性数据分批次送入神经网络，训练所述神经网络；模型测试模块：用于对完成训练后的模型进行性能测试。
23、另一方面，提供一种基于轻量级的tfdeepnn空间火灾风险预测方法，利用根据上述任一实施例所述的基于轻量级的tfdeepnn空间火灾风险预测方法，执行基于轻量级的tfdeepnn空间火灾风险预测方法。
24、与现有技术相比，本说明书实施例采用的上述至少一个技术方案能够达到的有益效果至少包括：
25、本实施案例提出了一种新的构建空间火灾风险预测的方法。现有的技术仅仅以烟雾图像或是传感器数据作为评判是否发生火灾的标准是很片面的，因此结合二者的数据，进行特征融合是很重要的。实施案例的方法通过通过引入和测试一种新的空间火灾危险建模方法来填补这一文献空白。具体来说，我们利用张量流深度神经网络（tfdeepnn）以及轻量化卷积神经网络结合地理信息系统（giss）模拟空间的火灾危险。
本文档来自技高网...【技术保护点】
1.一种基于轻量级的TFDeepNN空间火灾风险预测方法，其特征包括：
2.根据权利要求1所述的系统，其特征在于，
3.所述运用TFDeepNN模型进行训练在于：使用构建的数据库分批次送入到模型中进行训练。
4.根据权利要求2所述的系统，其特征在于，
5.根据权利要求3所述的系统，其特征在于，
6.所述运用TFDeepNN模型进行训练在于：合适的架构可以帮助实现高性能，防止过拟合和欠拟合，并最小化计算资源。
7.根据权利要求4所述的系统，其特征在于，
8.根据权利要求5所述的系统，其特征在于，对于提取到的特征采用随机森林（WarpRF）算法进行特征评估，以确定预测模型中信息最丰富的因素。
9.根据权利要求6所述的系统，其特征在于，
10.一种基于轻量级的TFDeepNN空间火灾风险预测方法，其特征在于，利用根据权利要求1至7任一项所述的基于轻量级的TFDeepNN空间火灾风险预测方法，执行基于轻量级的TFDeepNN空间火灾风险预测功能。
【技术特征摘要】
1.一种基于轻量级的tfdeepnn空间火灾风险预测方法，其特征包括：
2.根据权利要求1所述的系统，其特征在于，
3.所述运用tfdeepnn模型进行训练在于：使用构建的数据库分批次送入到模型中进行训练。
4.根据权利要求2所述的系统，其特征在于，
5.根据权利要求3所述的系统，其特征在于，
6.所述运用tfdeepnn模型进行训练在于：合适的架构可以帮助实现高性能，防止过拟合和欠拟合，并最小化计算资源。
<...【专利技术属性】
技术研发人员：王永明，王旺，
申请(专利权)人：苏州如朋智能消防科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。