CN113283276A - 一种联动热成像自学习火点检测方法及*** - Google Patents
一种联动热成像自学习火点检测方法及*** Download PDFInfo
- Publication number
- CN113283276A CN113283276A CN202011619255.8A CN202011619255A CN113283276A CN 113283276 A CN113283276 A CN 113283276A CN 202011619255 A CN202011619255 A CN 202011619255A CN 113283276 A CN113283276 A CN 113283276A
- Authority
- CN
- China
- Prior art keywords
- image
- fire
- pixel
- point
- gray
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000001931 thermography Methods 0.000 title claims abstract description 27
- 238000001514 detection method Methods 0.000 title claims abstract description 23
- 238000000034 method Methods 0.000 claims abstract description 20
- 238000007781 pre-processing Methods 0.000 claims abstract description 12
- 238000010606 normalization Methods 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 17
- 238000004458 analytical method Methods 0.000 claims description 5
- 238000010586 diagram Methods 0.000 claims description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 2
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000012544 monitoring process Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B17/00—Fire alarms; Alarms responsive to explosion
- G08B17/005—Fire alarms; Alarms responsive to explosion for forest fires, e.g. detecting fires spread over a large or outdoors area
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B17/00—Fire alarms; Alarms responsive to explosion
- G08B17/12—Actuation by presence of radiation or particles, e.g. of infrared radiation or of ions
- G08B17/125—Actuation by presence of radiation or particles, e.g. of infrared radiation or of ions by using a video camera to detect fire or smoke
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Emergency Management (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Fire-Detection Mechanisms (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种联动热成像自动学习火点检测方法及***,获取被监测地点在周期时间内不同时间点的第一图像与第二图像;对第一图像与第二图像做预处理,得到第一灰度图像与第二灰度图像;将第二灰度图像与第一灰度图像做减法运算,获得第三灰度图像;选择第三灰度图像中的任意一个像素点,若该像素点的灰度值大于火点差值门限,则提取该像素点在第二灰度图像中的像素灰度值,若该值大于火点灰度门限阈值,则该像素点为火点,令火点数量L=L+1,遍历完成,输出火点数量L;获取被监测地点的温度、风力数据以及火点周围植被数据,对被监测地点的火警风险程度进行分析;本发明的有益效果为通过采用这种方法对火点检测,大大的增加了火点检测的准确率。
Description
技术领域
本发明涉及火点识别技术领域,尤其涉及一种联动热成像自学习火点检测方法及***。
背景技术
在森林防火监控领域,通过摄像头进行火灾识别和预警是一种常用的技术手段。一般有两种方式,一种是通过摄像头采集图像,通过卷积神经网络来识别,这是一种监督学习方法,依赖大量的训练数据,因为实际场景的方位,色彩因素变化存在较大的误判情况。另一种是采用红外热成像摄像头进行高温区域识别,来辅助判断火警的发生,常规的做法是通过温度的阈值来直接判断是否有着火点的产生,红外线在地表传送时,会受到大气组成物质(特别是H2O、CO2、CH4、N2O、O3等)的吸收,强度明显下降,这种方法因为摄像头距离因素,天气因素影响大。
发明内容
本发明的目的在于提供一种联动热成像自学习火点检测方法及***,通过获取监测地点不同时间的图像,并对两个不同图像做差异运算,在通过监测地点周围环境的数据之间的关系,计算得到当前监测地点的火场的风险。
本发明通过下述技术方案实现:一种联动热成像自学习火点检测方法,包括以下步骤:
S1:获取被监测地点在不同时间段的第一图像与第二图像,所述第一图像与所述第二图像均为热成像图像;
S2:对第一图像依次做归一化处理、灰度处理,得到第一灰度图像,对第二图像依次做归一化处理、灰度处理,得到第二灰度图像;
S3:将第二灰度图像与第一灰度图像做减法运算,获得第三灰度图像;
S4:选择第三灰度图像中的任意一个像素点,检测该像素点的灰度值是否大于火点差值门限m,若该像素点的灰度值大于火点差值门限m,则提取该像素点在第二灰度图像中对应位置像素点的像素灰度值,若该像素灰度值大于火点灰度门限阈值,则该像素点为火点,令火点数量L=L+1,否则,该像素点为背景,直到对第三灰度图像中的像素点遍历完成,输出火点数量L,L的初始值为0;
S5:获取被监测地点的温度M、风力数据F以及火点周围植被数据P;
S6:基于火点像素数量L、温度M、风力数据F以及植被数据P参数,对被监测地点的火警风险程度进行分析。
传统对火点识别的方法中,采用卷积神经网络识别对采集的数据进行大量训练,但是场景的色彩数据变化的误差会导致判断出错;或者通过采集红外热成像图像,根据温度阈值来判断火点,但是当出现雾天或者在不好的天气状况下,识别的图像不准确,带来很大的误差,本发明提供了一种联动热成像自学习火点检测方法及***,通过采集在同一周期不同时间点上的图像,对图像做差值处理,结合多种环境因素参数进行分析,对火点进行检测,采用这种方法对火点进行检测,能够增加火点检测的准确率。
优选地,所述步骤S2中的预处理为归一化处理与灰度处理。
优选地,所述归一化处理的具体步骤为:
提取图像中像素点的RGB;
通过像素归一化公式对像素点的R,G,B分别进行归一化处理,获得该像素点的值为(r,g,b),所述R、G、B分别为像素点归一化之前的三通道值。
优选地,所述像素归一化公式为:
r=R/(R+B+G)
g=G/(R+B+G)
b=1-r-g。
优选地,所述步骤S3中具体操作步骤为:
S31:提取第二灰度图像中的像素P2i;
S32:提取第一灰度图像中的像素P1i;
S33:将P2i与P1i做差值运算,得到像素P3i;
S34:对第二灰度图像中的所有像素点重复步骤S31~S33,获得P3像素;
S35:将P3像素保存为第三灰度图像。
优选地,所述对被监测地点的火警风险程度进行分析的具体分析方法为:根据火点像素数量L、温度M、风力数据F以及植被数据P之间的关系计算火场数据S,通过火场数据S的计算值对被监测地点的火警风险进行分析;
所述火场数据S具体表达式为:
S=k1*M+k2*F+k3*P+k4*L
k1为温度系数,M为摄像头所在地的环境温度,k2为风力系数,F为摄像头所在地点的风力数据,k3为植被系数,P为摄像头火点周围植被数据,k4为热力图系数,L为摄像头热力图评价数据。
优选地,所述数据S用于评价当前地点的火警风险的具体包括:当s>0.6时,当前火场为高风险;当0.3<s<0.6,当前火场为中风险;当0.2<s<0.3,当前火场为低风险;当s<0.2,提示会有火场发生。
优选地,所述植被数据为10或5或1,当植被数据为10时,表示当前植被为森林或灌木,当植被数据为5时,表示当前植被为草原,当植被数据为1时,表示当前植被为湿地或水域。
优选地,所述环境温度范围为-40-80℃,所述风力数据范围为0-60m/s。
本发明还公开了一种联动热成像自学习火点检测方法,所述检测***包括:
图像采集模块,用于获取被监测地点在周期时间内不同时间点的第一图像与第二图像;
预处理模块,用于分别对第一图像与第二图像做预处理,得到第一灰度图像与第二灰度图像;
减法模块,用于将第二灰度图像与第一灰度图像做减法运算,获得第三灰度图像;
判断模块,选择第三灰度图像中的任意一个像素点,检测该像素点的灰度值是否大于火点差值门限m,若该像素点的灰度值大于火点差值门限m,则提取该像素点在第二灰度图像中对应位置像素点的像素灰度值,若该像素灰度值大于火点灰度门限阈值,则该像素点为火点,令火点数量L=L+1,否则,该像素点为背景,直到对第三灰度图像中的像素点遍历完成,输出火点数量L,L的初始值为0;
数据采集模块,用于获取被监测地点的温度M、风力数据F以及火点周围植被数据P;
分析模块,用于通过火点像素数量L、温度M、风力数据F以及植被数据P之间的关系,计算当前地点的火场数据S,基于火场数据S的计算值对被监测地点的火警风险进行分析。本发明与现有技术相比,具有如下的优点和有益效果:
1、采用本发明提供的一种联动热成像自学习火点检测方法及***,通过根据周围环境结合火点像素数量之间的关系,更能准确的计算出当前监测地点的火场风险预警;
2、采用本发明提供的一种联动热成像自学习火点检测方法及***,通过将两个不同图像之间的做差异运算,提高了对火点像素检测的准确率。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解,构成本申请的一部分,并不构成对本发明实施例的限定。在附图中:
图1为本发明火点检测方法示意图
图2为本发明发电检测***示意图
图3为灰度处理流程图
图4为归一化处理流程图
图5为图像减法运算流程图
图6为整体流程示意图
图7为本发明效果示意图
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,下面结合实施例和附图,对本发明作进一步的详细说明,本发明的示意性实施方式及其说明仅用于解释本发明,并不作为对本发明的限定。
实施例一
本实施例公开了一种联动热成像自学习火点检测方法,如图1与6所示,包括以下步骤:
S1:获取被监测地点在不同时间段的第一图像与第二图像,所述第一图像与所述第二图像均为热成像图像;
S2:分别对第一图像与第二图像做预处理,得到第一灰度图像与第二灰度图像;预处理包括归一化处理与灰度处理,如图4所示为归一化处理流程图,归一化处理的具体步骤为:
提取图像中像素点的RGB;
通过像素归一化公式对像素点的R,G,B分别进行归一化处理,获得该像素点的值为(r,g,b),所述R、G、B分别为像素点归一化之前的三通道值。
像素归一化公式为:
r=R/(R+B+G)
g=G/(R+B+G)
b=1-r-g。
如图3所示,灰度处理主要是通过对像素点的R,G,B进行提取,通过计算式Gray=(R*30+G*59+B*11)/100,对每个像素点的灰度值进行提取,将提取之后的灰度像素点进行保存,获得灰度图。
S3:如图5所示,为第一灰度图像与第二灰度图像相减得到流程示意图,将第二灰度图像与第一灰度图像做减法运算,获得第三灰度图像;
S31:提取第二灰度图像中的像素P2i;
S32:提取第一灰度图像中的像素P1i;
S33:将P2i与P1i做差值运算,得到像素P3i;
S34:对第二灰度图像中的所有像素点重复步骤S31~S33,获得P3像素;
S35:将P3像素保存为第三灰度图像。
S4:选择第三灰度图像中的任意一个像素点,检测该像素点的灰度值是否大于火点差值门限m,若该像素点的灰度值大于火点差值门限m,则提取该像素点在第二灰度图像中对应位置像素点的像素灰度值,若该像素灰度值大于火点灰度门限阈值,则该像素点为火点,令火点数量L=L+1,否则,该像素点为背景,直到对第三灰度图像中的像素点遍历完成,输出火点数量L,L的初始值为0;
S5:获取监测地点的温度M、风力数据F,通过GIS数据获取火点周围植被数据P;
S6:基于火点像素数量L、温度M、风力数据F以及植被数据P参数,对被监测地点的火警风险程度进行分析,根据火点像素数量L、温度M、风力数据F以及植被数据P之间的关系计算火场数据S,通过火场数据S的计算值对被监测地点的火警风险进行分析;
火场数据S具体表达式为:
S=k1*M+k2*F+k3*P+k4*L
k1为温度系数,M为摄像头所在地的环境温度,k2为风力系数,F为摄像头所在地点的风力数据,k3为植被系数,P为摄像头火点周围植被数据,k4为热力图系数。
数据S用于评价当前地点的火警风险的具体包括:当s>0.6时,当前火场为高风险;当0.3<s<0.6,当前火场为中风险;当0.2<s<0.3,当前火场为低风险;当s<0.2,提示会有火场发生
植被数据为10或5或1,当植被数据为10时,表示当前植被为森林或灌木,当植被数据为5时,表示当前植被为草原,当植被数据为1时,表示当前植被为湿地或水域;环境温度范围为-40-80℃,风力数据范围为0-60m/s。
最终得出的结论做归一化处理之后,在与操作人员进行确认,对参数k1、k2、k3以及k4进行自我调整,优化,最终使得检测的结果更准确。
实施例二
本实施例基于实施例一的基础上,公开了一种联动热成像自学习火点检测***,
检测***包括:图像采集模块,用于获取被监测地点在周期时间内不同时间点的第一图像与第二图像;预处理模块,用于分别对第一图像与第二图像做预处理,得到第一灰度图像与第二灰度图像;减法模块,用于将第二灰度图像与第一灰度图像做减法运算,获得第三灰度图像;判断模块,选择第三灰度图像中的任意一个像素点,检测该像素点的灰度值是否大于火点差值门限m,若该像素点的灰度值大于火点差值门限m,则提取该像素点在第二灰度图像中对应位置像素点的像素灰度值,若该像素灰度值大于火点灰度门限阈值,则该像素点为火点,令火点数量L=L+1,否则,该像素点为背景,直到对第三灰度图像中的像素点遍历完成,输出火点数量L,L的初始值为0;数据采集模块,用于获取被监测地点的温度M、风力数据F以及火点周围植被数据P;分析模块,用于通过火点像素数量L、温度M、风力数据F以及植被数据P之间的关系,计算当前地点的火场数据S,基于火场数据S的计算值对被监测地点的火警风险进行分析。
如图7所示,为本专利在实际森林场景中的具体应用情况,图表中为在被监测地点中看,计算被监测地点中的火警风险预估的准确率与只采用传统热成像方法所测得的火警风险的准确率相对比,从图中可以看出,在经过本专利方法中不断自我学习之后,门限阈值不断优化后,在后期监测中,所测得的准确率相较于采用传统热成像的方法提高了25%。
以上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施方式而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种联动热成像自学习火点检测方法,其特征在于,包括以下步骤:
S1:获取被监测地点在周期时间内不同时间点的第一图像与第二图像,所述第一图像与所述第二图像均为热成像图像;
S2:分别对第一图像与第二图像做预处理,得到第一灰度图像与第二灰度图像;
S3:将第二灰度图像与第一灰度图像做减法运算,获得第三灰度图像;
S4:选择第三灰度图像中的任意一个像素点,检测该像素点的灰度值是否大于火点差值门限m,若该像素点的灰度值大于火点差值门限m,则提取该像素点在第二灰度图像中对应位置像素点的像素灰度值,若该像素灰度值大于火点灰度门限阈值,则该像素点为火点,令火点数量L=L+1,否则,该像素点为背景,直到对第三灰度图像中的像素点遍历完成,输出火点数量L,L的初始值为0;
S5:获取被监测地点的温度M、风力数据F以及火点周围植被数据P;
S6:基于火点像素数量L、温度M、风力数据F以及植被数据P参数,对被监测地点的火警风险程度进行分析。
2.根据权利要求1所述的一种联动热成像自学习火点检测方法,其特征在于,所述步骤S2中的预处理为归一化处理与灰度处理。
3.根据权利要求2所述的一种联动热成像自学习火点检测方法,其特征在于,所述归一化处理的具体步骤为:
提取图像中像素点的RGB;
通过像素归一化公式对像素点的R,G,B分别进行归一化处理,获得该像素点的值为(r,g,b),所述R、G、B分别为像素点归一化之前的三通道值。
4.根据权利要求3所述的一种联动热成像自学习火点检测方法,其特征在于,所述像素归一化公式为:
r=R/(R+B+G)
g=G/(R+B+G)
b=1-r-g。
5.根据权利要求1所述的一种联动热成像自学习火点检测方法,其特征在于,所述步骤S3中具体操作步骤为:
S31:提取第二灰度图像中的像素P2i;
S32:提取第一灰度图像中的像素P1i;
S33:将P2i与P1i做差值运算,得到像素P3i;
S34:对第二灰度图像中的所有像素点重复步骤S31~S33,获得P3像素;
S35:将P3像素保存为第三灰度图像。
6.根据权利要求1所述的一种联动热成像自学习火点检测方法,其特征在于,所述对被监测地点的火警风险程度进行分析的具体分析方法为:根据火点像素数量L、温度M、风力数据F以及植被数据P之间的关系计算火场数据S,通过火场数据S的计算值对被监测地点的火警风险进行分析;
所述火场数据S具体表达式为:
S=k1*M+k2*F+k3*P+k4*L
k1为温度系数,M为摄像头所在地的环境温度,k2为风力系数,F为摄像头所在地点的风力数据,k3为植被系数,P为摄像头火点周围植被数据,k4为热力图系数,L为摄像头热力图评价数据。
7.根据权利要求6所述的一种联动热成像自学习火点检测方法,其特征在于,所述数据S用于评价当前地点的火警风险的具体包括:当s>0.6时,当前火场为高风险;当0.3<s<0.6,当前火场为中风险;当0.2<s<0.3,当前火场为低风险;当s<0.2,提示会有火场发生。
8.根据权利要求6所述的一种联动热成像自学习火点检测方法,其特征在于,所述植被数据为10或5或1,当植被数据为10时,表示当前植被为森林或灌木,当植被数据为5时,表示当前植被为草原,当植被数据为1时,表示当前植被为湿地或水域。
9.根据权利要求6所述的一种联动热成像自学习火点检测方法,其特征在于,所述环境温度范围为-40-80℃,所述风力数据范围为0-60m/s。
10.一种联动热成像自学习火点检测***,其特征在于,所述检测***包括:
图像采集模块,用于获取被监测地点在周期时间内不同时间点的第一图像与第二图像;
预处理模块,用于分别对第一图像与第二图像做预处理,得到第一灰度图像与第二灰度图像;
减法模块,用于将第二灰度图像与第一灰度图像做减法运算,获得第三灰度图像;
判断模块,选择第三灰度图像中的任意一个像素点,检测该像素点的灰度值是否大于火点差值门限m,若该像素点的灰度值大于火点差值门限m,则提取该像素点在第二灰度图像中对应位置像素点的像素灰度值,若该像素灰度值大于火点灰度门限阈值,则该像素点为火点,令火点数量L=L+1,否则,该像素点为背景,直到对第三灰度图像中的像素点遍历完成,输出火点数量L,L的初始值为0;
数据采集模块,用于获取被监测地点的温度M、风力数据F以及火点周围植被数据P;
分析模块,用于通过火点像素数量L、温度M、风力数据F以及植被数据P之间的关系,计算当前地点的火场数据S,基于火场数据S的计算值对被监测地点的火警风险进行分析。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011619255.8A CN113283276A (zh) | 2020-12-30 | 2020-12-30 | 一种联动热成像自学习火点检测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011619255.8A CN113283276A (zh) | 2020-12-30 | 2020-12-30 | 一种联动热成像自学习火点检测方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113283276A true CN113283276A (zh) | 2021-08-20 |
Family
ID=77275396
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011619255.8A Pending CN113283276A (zh) | 2020-12-30 | 2020-12-30 | 一种联动热成像自学习火点检测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113283276A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114067534A (zh) * | 2022-01-11 | 2022-02-18 | 山东省国土空间生态修复中心 | 基于机器视觉的地质灾害预警方法及*** |
CN116153016A (zh) * | 2023-04-23 | 2023-05-23 | 四川三思德科技有限公司 | 一种多传感器融合森林火灾实时监测与预警装置及其方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103106766A (zh) * | 2013-01-14 | 2013-05-15 | 广东赛能科技有限公司 | 林火识别方法与*** |
CN103761826A (zh) * | 2012-09-10 | 2014-04-30 | 南京恩博科技有限公司 | 一种热成像视频双鉴林火识别***的识别方法 |
CN105512667A (zh) * | 2014-09-22 | 2016-04-20 | 中国石油化工股份有限公司 | 红外和可见光视频图像融合识别火灾的方法 |
CN106504464A (zh) * | 2016-11-04 | 2017-03-15 | 哈尔滨理工大学 | 基于红外热成像的森林防火监测***及信息融合方法 |
CN107481268A (zh) * | 2017-08-16 | 2017-12-15 | 北京信德智图科技有限公司 | 基于modis遥感数据的森林防火监控方法 |
CN108537202A (zh) * | 2018-04-19 | 2018-09-14 | 广州林邦信息科技有限公司 | 森林火灾识别装置及*** |
CN108734913A (zh) * | 2018-05-31 | 2018-11-02 | 重庆大学 | 基于无人机图像识别的森林火灾巡逻报警***及方法 |
CN108765335A (zh) * | 2018-05-25 | 2018-11-06 | 电子科技大学 | 一种基于遥感图像的森林火灾检测方法 |
CN111666834A (zh) * | 2020-05-20 | 2020-09-15 | 哈尔滨理工大学 | 一种基于图像识别技术的森林火灾自动监测识别***及方法 |
-
2020
- 2020-12-30 CN CN202011619255.8A patent/CN113283276A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103761826A (zh) * | 2012-09-10 | 2014-04-30 | 南京恩博科技有限公司 | 一种热成像视频双鉴林火识别***的识别方法 |
CN103106766A (zh) * | 2013-01-14 | 2013-05-15 | 广东赛能科技有限公司 | 林火识别方法与*** |
CN105512667A (zh) * | 2014-09-22 | 2016-04-20 | 中国石油化工股份有限公司 | 红外和可见光视频图像融合识别火灾的方法 |
CN106504464A (zh) * | 2016-11-04 | 2017-03-15 | 哈尔滨理工大学 | 基于红外热成像的森林防火监测***及信息融合方法 |
CN107481268A (zh) * | 2017-08-16 | 2017-12-15 | 北京信德智图科技有限公司 | 基于modis遥感数据的森林防火监控方法 |
CN108537202A (zh) * | 2018-04-19 | 2018-09-14 | 广州林邦信息科技有限公司 | 森林火灾识别装置及*** |
CN108765335A (zh) * | 2018-05-25 | 2018-11-06 | 电子科技大学 | 一种基于遥感图像的森林火灾检测方法 |
CN108734913A (zh) * | 2018-05-31 | 2018-11-02 | 重庆大学 | 基于无人机图像识别的森林火灾巡逻报警***及方法 |
CN111666834A (zh) * | 2020-05-20 | 2020-09-15 | 哈尔滨理工大学 | 一种基于图像识别技术的森林火灾自动监测识别***及方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114067534A (zh) * | 2022-01-11 | 2022-02-18 | 山东省国土空间生态修复中心 | 基于机器视觉的地质灾害预警方法及*** |
CN116153016A (zh) * | 2023-04-23 | 2023-05-23 | 四川三思德科技有限公司 | 一种多传感器融合森林火灾实时监测与预警装置及其方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113607284B (zh) | 一种利用bfast算法判别潜在火点的方法 | |
CN111242123B (zh) | 一种基于红外图像的电力设备故障诊断方法 | |
CN101592524B (zh) | 基于类间方差的modis森林火灾火点检测方法 | |
CN109902633A (zh) | 基于固定位摄像机监控视频的异常事件检测方法及装置 | |
CN113283276A (zh) | 一种联动热成像自学习火点检测方法及*** | |
CN103454285A (zh) | 基于机器视觉的传动链条质量检测*** | |
KR101908865B1 (ko) | 기온 측정 자료의 품질 분석방법 | |
CN111914767B (zh) | 一种基于多源遥感数据的散乱污企业检测方法及*** | |
CN111563896B (zh) | 一种用于接触网异常检测的图像处理方法 | |
CN113887324A (zh) | 基于卫星遥感数据的火点检测方法 | |
CN115060184B (zh) | 一种基于递归图的光纤周界入侵检测方法及*** | |
CN116046692A (zh) | 一种基于高光谱的土壤重金属污染监测方法和装置 | |
CN113392846A (zh) | 一种基于深度学习的水尺水位监测方法及*** | |
CN112818806A (zh) | 一种基于深度学习的变电站巡检机器人辅助导航方法 | |
JP6954242B2 (ja) | 定置式ガス検知装置の設置箇所の調査方法 | |
CN109272484B (zh) | 一种基于视频图像的降雨检测方法 | |
CN108803651B (zh) | 一种基于图像特征的无人机公路巡检方法 | |
CN105469413B (zh) | 一种基于归一化振铃加权的无参考模糊复原图像综合质量评估方法 | |
CN111325708B (zh) | 一种输电线路检测方法和服务器 | |
Daengsi et al. | Irrigation Management: A Pilot Study for Automatic Water Level Measurement and Report System Development Using Machine Learning Associated with Modified Images | |
CN107194923B (zh) | 一种用于接触网电力设备缺陷巡检的紫外图像诊断方法 | |
CN110765937A (zh) | 一种基于迁移学习的煤场自燃检测方法 | |
CN113836813B (zh) | 一种基于数据分析的高炉风口漏水检测方法 | |
CN112651276A (zh) | 一种基于双光融合的输电通道预警***及其预警方法 | |
TW201118317A (en) | Vision-based method for combustion process monitoring, diagnosis, and computer-readable medium using the same |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210820 |
|
RJ01 | Rejection of invention patent application after publication |