【技术实现步骤摘要】
本专利技术涉及遥感影像智能处理，具体涉及一种基于高分辨率遥感影像的山火检测方法及系统。
技术介绍
1、森林山火不仅会破坏自然环境，同时也给人类、动物等生态环境安全带来巨大威胁。此外，由于森林本身存在的自燃现象，传统通过控制人类活动区域的方法难以避免森林山火发生。同时，森林山火一旦发生就会迅速蔓延，因此对于山火检测技术，尤其是早期山火发现等关键技术研究具有重要意义。随着遥感技术的快速发展，基于卫星或无人平台遥感影像的山火检测技术得到了广泛关注。
2、其主要原理是利用过顶卫星采集当前森林区域的视觉或红外影像，通过分析影像内容变化或与周围植被区域差异，判断是否发生山火或者是否有早期山火。近年来，随着机器学习技术的快速发展，尤其是基于深度学习的视觉特征自动学习技术的涌现，极大促进了基于遥感影像的山火检测技术发展。目前，基于遥感影像的山火检测技术主要可以分为基于传统手工特征方法和基于数据驱动的方法。基于传统手工特征的方法主要是通过人为分析影像中山火区域的统计特征，设计对应的手工特征进行山火位置检测。而数据驱动的方法，主要是通过大量有标注数据的监督学习，利用卷积神经网络自动学习好的特征表达，从而实现火点位置检测。周公器等在“一种基于卫星遥感数据的山火监测方法和系统，cn201810902067.2”提出了一种基于卫星遥感数据的山火监测方法和系统，利用卫星遥感数据对山火进行监测,同时通过机器学习方法,将历史山火、气象等数据进行分析从而实现山火发生预测。王丹在“一种基于气象和遥感数据的山火预警方法，cn202010251747.x”
3、但是目前针对高分辨率遥感影像的山火检测技术还比较少，且存在例如山火的像素点通常很少，而正常的植被、地面等像素点则占据了绝大部分等情况，这就导致无法获取到大量的标注数据，影响山火检测效果。
技术实现思路
1、为了克服上述山火检测技术依赖于难以获得的大量标注数据，导致山火检测效果差的缺陷，本专利技术提供一种基于高分辨率遥感影像的山火检测方法，所述方法包括：
2、采集高分辨率遥感影像的待检测数据；
3、将所述待检测数据输入到预先训练的山火检测模型中，确定所述待检测数据的山火预测结果；其中所述山火检测模型基于包含山火信息的历史遥感影像数据集进行对抗性训练得到；
4、根据所述山火预测结果，确定所述待检测数据中的潜在火点区域；
5、根据所述潜在火点区域，确定所述待检测数据的山火检测结果。
6、可选的，所述山火检测模型的训练过程包括：
7、获取包含山火信息的历史遥感影像数据集，所述历史遥感影像数据集包括源域数据和目标域数据；
8、利用所述源域数据对所述山火检测模型中的源域分类器进行训练，得到所述源域分类器的参数,并将所述源域分类器的参数确定为所述山火检测模型中的目标域分类器的参数；
9、利用所述参数的所述源域分类器对所述目标域数据进行预测，确定第一预测结果；
10、利用所述参数的所述目标域分类器对所述目标域数据进行预测，确定第二预测结果；
11、根据所述第一预测结果和所述第二预测结果，对所述源域分类器和所述目标域分类器进行迭代训练。
12、可选的，所述根据所述第一预测结果和所述第二预测结果，对所述源域分类器和所述目标域分类器进行迭代训练包括：
13、根据损失函数，确定所述第一预测结果和所述第二预测结果之间的距离；
14、若所述距离不大于设定距离阈值，则确定所述源域分类器和所述目标域分类器训练完成；
15、若所述距离大于所述设定距离阈值，则根据所述距离对所述源域分类器和所述目标域分类器的参数进行优化，并采用优化后的参数重新对所述目标域数据进行预测，直至重新确定的距离不大于所述设定距离阈值。
16、可选的，所述损失函数包括最大均值散度损失函数。
17、可选的，所述根据所述山火预测结果，确定所述待检测数据中的潜在火点区域包括：
18、采用聚类算法对所述山火预测结果进行聚类，确定包含多个类别的聚类结果；
19、对所述聚类结果进行分析，确定用于预测山火的特异性分布属性；
20、对所述特异性分布属性进行异常分析，确定所述待检测数据中的潜在火点区域。
21、可选的，所述采用聚类算法对所述山火预测结果进行聚类，确定包含多个类别的聚类结果包括：
22、采用基于像素的聚类算法，对所述山火预测结果的像素点按照空间分布进行聚类，确定包含多个类别的聚类结果。
23、可选的，所述采用聚类算法对所述山火预测结果进行聚类，确定包含多个类别的聚类结果包括：
24、采用基于密度的聚类算法，确定所述山火预测结果的聚类数量和边界。
25、可选的，所述对所述特异性分布属性进行异常分析，确定所述待检测数据中的潜在火点区域包括：
26、根据所述特异性分布属性，采用局部异常分析算法，确定所述待检测数据中每个像素点的异常分数；
27、根据所述每个像素点的异常分数，确定所述每个像素点的二值化掩膜，并确定山火区域的掩膜；
28、根据所述山火区域的掩膜，确定潜在火点区域。
29、可选的，所述局部异常分析算法包括核密度估计算法。
30、可选的，所述根据所述山火区域的掩膜，确定潜在火点区域包括：
31、对所述山火区域的掩膜去除区域噪声点和/或提取用于山火检测的空间信息，确定后处理后的所述山火区域的掩膜；
32、根据后处理后的所述山火区域的掩膜，确定潜在火点区域。
33、另一方面，本专利技术还提供一种基于高分辨率遥感影像的山火检测系统，包括：
34、采集模块，用于采集高分辨率遥感影像的待检测数据；
35、预测模块，用于将所述待检测数据输入到预先训练的山火检测模型中，确定所述待检测数据的山火预测结果；其中所述山火检测模型基于包含山火信息的历史遥感影像数据集进行对抗性训练得到；
36、分析模块，用于根据所述山火预测结果，确定所述待检测数据中的潜在火点区域；
37、检测模块，用于根据所述潜在火点区域，确定所述待检测数据的山火检测结果。
38、可选的，还包括：
39、训练模块，用于获取包含山火信息的历史遥感影像数据集，所述历史遥感影像数据集包括源域数据和目标域数据；利用所述源域数据对所述山火检测模型中的源域分类器进行训练，得到所述源域分类器的参数,并将所述源域分类器的参数确定为所述山火检测模型中的目标域分类器的参数；利用所述参数的所述源域分类器对所述目标域数据进行预测，确定第一预测结果；利用所述参数的所述目标域分类器对所述目标域数据进行预测，确定第二预测结果；根据本文档来自技高网...
【技术保护点】
1.一种基于高分辨率遥感影像的山火检测方法，其特征在于，包括：
2.如权利要求1所述的方法，其特征在于，所述山火检测模型的训练过程包括：
3.如权利要求2所述的方法，其特征在于，所述根据所述第一预测结果和所述第二预测结果，对所述源域分类器和所述目标域分类器进行迭代训练包括：
4.如权利要求3所述的方法，其特征在于，所述损失函数包括最大均值散度损失函数。
5.如权利要求1-4任一项所述的方法，其特征在于，所述根据所述山火预测结果，确定所述待检测数据中的潜在火点区域包括：
6.如权利要求5所述的方法，其特征在于，所述采用聚类算法对所述山火预测结果进行聚类，确定包含多个类别的聚类结果包括：
7.如权利要求5所述的方法，其特征在于，所述采用聚类算法对所述山火预测结果进行聚类，确定包含多个类别的聚类结果包括：
8.如权利要求5所述的方法，其特征在于，所述对所述特异性分布属性进行异常分析，确定所述待检测数据中的潜在火点区域包括：
9.如权利要求8所述的方法，其特征在于，所述局部异常分析算法包括核密
10.如权利要求8所述的方法，其特征在于，所述根据所述山火区域的掩膜，确定潜在火点区域包括：
11.一种基于高分辨率遥感影像的山火检测系统，其特征在于，包括：
12.如权利要求11所述的系统，其特征在于，还包括：
13.如权利要求11所述的系统，其特征在于，所述分析模块，具体用于采用聚类算法对所述山火预测结果进行聚类，确定包含多个类别的聚类结果；对所述聚类结果进行分析，确定用于预测山火的特异性分布属性；对所述特异性分布属性进行异常分析，确定所述待检测数据中的潜在火点区域。
14.如权利要求13所述的系统，其特征在于，所述分析模块，具体用于根据所述特异性分布属性，采用局部异常分析算法，确定所述待检测数据中每个像素点的异常分数；根据所述每个像素点的异常分数，确定所述每个像素点的二值化掩膜，并确定山火区域的掩膜；根据所述山火区域的掩膜，确定潜在火点区域。
15.如权利要求14所述的系统，其特征在于，所述分析模块，具体用于对所述山火区域的掩膜去除区域噪声点和/或提取用于山火检测的空间信息，确定后处理后的所述山火区域的掩膜；根据后处理后的所述山火区域的掩膜，确定潜在火点区域。
16.一种计算机设备，其特征在于，包括：一个或多个处理器；
17.一种计算机可读存储介质，其特征在于，其上存有计算机程序，所述计算机程序被执行时，实现如权利要求1至10中任意一项所述的基于高分辨率遥感影像的山火检测方法。
...【技术特征摘要】
1.一种基于高分辨率遥感影像的山火检测方法，其特征在于，包括：
2.如权利要求1所述的方法，其特征在于，所述山火检测模型的训练过程包括：
3.如权利要求2所述的方法，其特征在于，所述根据所述第一预测结果和所述第二预测结果，对所述源域分类器和所述目标域分类器进行迭代训练包括：
4.如权利要求3所述的方法，其特征在于，所述损失函数包括最大均值散度损失函数。
5.如权利要求1-4任一项所述的方法，其特征在于，所述根据所述山火预测结果，确定所述待检测数据中的潜在火点区域包括：
6.如权利要求5所述的方法，其特征在于，所述采用聚类算法对所述山火预测结果进行聚类，确定包含多个类别的聚类结果包括：
7.如权利要求5所述的方法，其特征在于，所述采用聚类算法对所述山火预测结果进行聚类，确定包含多个类别的聚类结果包括：
8.如权利要求5所述的方法，其特征在于，所述对所述特异性分布属性进行异常分析，确定所述待检测数据中的潜在火点区域包括：
9.如权利要求8所述的方法，其特征在于，所述局部异常分析算法包括核密度估计算法。
10.如权利要求8所述的方法，其特征在于，所述根据所述山火区域的掩膜，确定潜在火点区域包括：
11.一种基于高分辨率遥感影...
【专利技术属性】
技术研发人员：魏敏，杨知，窦晓军，孟令，李闯，朱理宏，张思航，张振威，刘彬，周飞飞，刘畅，王少杰，徐郑，
申请(专利权)人：国网安徽省电力有限公司，
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。