基于深度学习与特征融合的山火监测方法及装置制造方法及图纸

本申请涉及一种基于深度学习与特征融合的山火监测方法及装置，尤其涉及计算机视觉技术领域。包括：获取林区视频图像数据；基于轻量化深度学习模型对预处理后的林区视频图像数据进行初步识别，以获取疑似山火信息和目标特征；其中，轻量化深度学习模型是基于注意力机制的卷积神经网络模型经过压缩和优化后得到；结合疑似山火信息，对融合后的目标特征进行二次识别，以检测火灾事件和对应的着火点地理坐标。本申请引入注意力机制，更加关注山火火焰和烟雾的关键特征，从而能够更加准确地识别山火，尤其是早期的小火或烟雾，提高了山火监测的精度。

【技术实现步骤摘要】

本申请涉及计算机视觉，尤其涉及一种基于深度学习与特征融合的山火监测方法及装置。

技术介绍

1、山火是全球范围内严重的自然灾害之一，近年来由于极端干旱频发，输电线路由于山火灾害导致的构成巨大威胁。传统的山火监测方法，如瞭望塔人工观测、卫星遥感等，存在实时性差、精度低、易受天气条件限制等问题。近年来，基于地面摄像头的山火监测技术得到了快速发展，但仍然存在以下不足：①误报率高:传统图像处理方法对复杂环境的适应性差，容易将云雾、光照变化等误判为火灾；②早期火灾识别能力弱:对于早期的小火或烟雾，传统方法的识别率较低；③模型部署困难:高精度的深度学习模型通常计算量大，难以部署在资源受限的边缘设备上；④单一特征识别的局限性：仅依靠单一的颜色或纹理特征进行识别，容易受到干扰，鲁棒性不强。

2、因此，开发一种高精度、高效率、低误报率的智能地面摄像头山火监测系统及方法具有重要意义。

技术实现思路

1、为了解决上述技术问题或者至少部分地解决上述技术问题，本申请提供了一种基于深度学习与特征融合的山火监测方法及装置，能够更本文档来自技高网...

【技术保护点】

1.一种基于深度学习与特征融合的山火监测方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，所述基于注意力机制的卷积神经网络模型是ImageNet上预训练的MobileNetV3模型；所述MobileNetV3模型的倒置残差模块中包括卷积块注意力模块。

3.根据权利要求1所述的方法，其特征在于，所述轻量化深度学习模型的训练过程包括如下步骤：

4.根据权利要求1所述的方法，其特征在于，所述目标特征包括颜色特征、纹理特征、运动特征和深度学习特征；

5.一种基于深度学习与特征融合的山火监测装置，其特征在于，包括：

6....

【技术特征摘要】

1.一种基于深度学习与特征融合的山火监测方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，所述基于注意力机制的卷积神经网络模型是imagenet上预训练的mobilenetv3模型；所述mobilenetv3模型的倒置残差模块中包括卷积块注意力模块。

3.根据权利要求1所述的方法，其特征在于，所述轻量化深度学习模型的训练过程包括如下步骤：

4.根据权利要求1所述的方法，其特征在于，所述目标特征包括颜色特征、纹理特征、运动特征和深度学习特征；

5.一种基于深度学习与特征融合的山火监测装置，其特征在于，包括：

6.根据权利要求5所述的装置，其特征在于，所述装置还包括训练模块，用于训练轻量化深度学习模型，包括：

【专利技术属性】
技术研发人员：张华玉，冯涛，欧阳亿，王磊，简洲，李丽，
申请(专利权)人：国网湖南省电力有限公司，
类型：发明
国别省市：

全部详细技术资料下载 我是这个专利的主人