CN114999092A - 一种基于多发性森林火灾模型的灾难预警方法及装置 - Google Patents
一种基于多发性森林火灾模型的灾难预警方法及装置 Download PDFInfo
- Publication number
- CN114999092A CN114999092A CN202210657786.9A CN202210657786A CN114999092A CN 114999092 A CN114999092 A CN 114999092A CN 202210657786 A CN202210657786 A CN 202210657786A CN 114999092 A CN114999092 A CN 114999092A
- Authority
- CN
- China
- Prior art keywords
- temperature sensing
- judgment result
- image
- temperature
- data
- 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
- 238000000034 method Methods 0.000 title claims abstract description 42
- 239000011159 matrix material Substances 0.000 claims abstract description 46
- 238000012544 monitoring process Methods 0.000 claims abstract description 37
- 238000012545 processing Methods 0.000 claims description 31
- 238000012216 screening Methods 0.000 claims description 11
- 238000004140 cleaning Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 abstract description 24
- 238000005516 engineering process Methods 0.000 abstract description 20
- 238000000354 decomposition reaction Methods 0.000 abstract description 15
- 238000001931 thermography Methods 0.000 abstract description 13
- 238000003703 image analysis method Methods 0.000 abstract description 8
- 238000004891 communication Methods 0.000 description 15
- 238000010586 diagram Methods 0.000 description 8
- 230000008878 coupling Effects 0.000 description 6
- 238000010168 coupling process Methods 0.000 description 6
- 238000005859 coupling reaction Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 206010000369 Accident Diseases 0.000 description 4
- 239000006185 dispersion Substances 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000009529 body temperature measurement Methods 0.000 description 2
- 238000005034 decoration Methods 0.000 description 2
- 230000006698 induction Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012806 monitoring device Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 239000000523 sample Substances 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000002076 thermal analysis method Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
- Y02A40/28—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture specially adapted for farming
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Biodiversity & Conservation Biology (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Fire Alarms (AREA)
Abstract
本发明公开了一种基于多发性森林火灾模型的灾难预警方法及装置。其中，该方法包括：获取高像素图像数据和温感数据；将所述高像素图像数据作为特征向量输入至多发性火灾模型，生成图像判断结果；根据所述温感数据和温感诱因矩阵，生成温感判断结果；将所述温感诱因矩阵带入低阶泰勒展开式，根据所述图像判断结果和所述温感判断结果生成火灾监控判断结果。本发明解决了现有技术中对于森林火灾预警仅仅是通过热成像技术或者图像监控技术来获取图像和识别图像，并将识别后的图像进行建模分析，得到最终的分析结果，这样仅通过单一图像分析方法无法准确的从温感和高像素图像中寻找分解因子，无法通过多发性、多元化的数据来源进行分解和分析，进而无法达到很高的判断准确度和判断速度的技术问题。
Description
技术领域
本发明涉及图像处理和火灾预警领域，具体而言，涉及一种基于多发性森林火灾模型的灾难预警方法及装置。
背景技术
随着智能化科技的不断发展，人们的生活、工作、学习之中越来越多地用到了智能化设备，使用智能化科技手段，提高了人们生活的质量，增加了人们学习和工作的效率。
目前，针对森林火灾发生的预警和判断，通常利用温感或者红外图像热成像设备来进行森林火灾情况是否发生的判断，并通过对图像或者图像识别结果的分析来进行森林火灾进一步的判断和警报。但是现有技术中对于森林火灾预警仅仅是通过热成像技术或者图像监控技术来获取图像和识别图像，并将识别后的图像进行建模分析，得到最终的分析结果，这样仅通过单一图像分析方法无法准确的从温感和高像素图像中寻找分解因子，无法通过多发性、多元化的数据来源进行分解和分析，进而无法达到很高的判断准确度和判断速度。
针对上述的问题，目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种基于多发性森林火灾模型的灾难预警方法及装置，以至少解决现有技术中对于森林火灾预警仅仅是通过热成像技术或者图像监控技术来获取图像和识别图像，并将识别后的图像进行建模分析，得到最终的分析结果，这样仅通过单一图像分析方法无法准确的从温感和高像素图像中寻找分解因子，无法通过多发性、多元化的数据来源进行分解和分析，进而无法达到很高的判断准确度和判断速度的技术问题。
根据本发明实施例的一个方面，提供了一种基于多发性森林火灾模型的灾难预警方法，包括：获取高像素图像数据和温感数据；将所述高像素图像数据作为特征向量输入至多发性火灾模型，生成图像判断结果；根据所述温感数据和温感诱因矩阵，生成温感判断结果；将所述温感诱因矩阵带入低阶泰勒展开式，根据所述图像判断结果和所述温感判断结果生成火灾监控判断结果。
可选的，所述将所述高像素图像数据作为特征向量输入至多发性火灾模型，生成图像判断结果包括：获取所述多发性火灾模型的输入参量和输出参量；根据所述输入参量和所述高像素图像数据，生成图像处理数据；根据所述输出参量和所述图像处理数据，得到所述图像判断结果。
可选的，在所述根据所述温感数据和温感诱因矩阵，生成温感判断结果之前，所述方法还包括：通过历史数据中的温感轨迹，对所述温感数据进行清洗和筛选，得到可以用于判断火灾隐患的温感数据。
可选的，所述将所述温感诱因矩阵带入低阶泰勒展开式，根据所述图像判断结果和所述温感判断结果生成火灾监控判断结果包括：通过所述温感诱因矩阵的展开式将低阶1-3次方的泰勒级数进行展开和计算，得到
其中，R、fw、Wp分别是图像判断结果、温感判断结果和温感联合因子，fh为火灾监控判断结果。
根据本发明实施例的另一方面，还提供了一种基于多发性森林火灾模型的灾难预警装置，包括：获取模块，用于获取高像素图像数据和温感数据；生成模块，用于将所述高像素图像数据作为特征向量输入至多发性火灾模型，生成图像判断结果；判断模块，用于根据所述温感数据和温感诱因矩阵，生成温感判断结果；输出模块，用于将所述温感诱因矩阵带入低阶泰勒展开式，根据所述图像判断结果和所述温感判断结果生成火灾监控判断结果。
可选的，所述生成模块包括：获取单元，用于获取所述多发性火灾模型的输入参量和输出参量；生成单元，用于根据所述输入参量和所述高像素图像数据，生成图像处理数据；输出单元，用于根据所述输出参量和所述图像处理数据，得到所述图像判断结果。
可选的，所述装置还包括：筛选模块，用于通过历史数据中的温感轨迹，对所述温感数据进行清洗和筛选，得到可以用于判断火灾隐患的温感数据。
可选的，所述输出模块包括：计算单元，用于通过所述温感诱因矩阵的展开式将低阶1-3次方的泰勒级数进行展开和计算，得到
其中，R、fw、Wp分别是图像判断结果、温感判断结果和温感联合因子，fh为火灾监控判断结果。
根据本发明实施例的另一方面，还提供了一种非易失性存储介质，所述非易失性存储介质包括存储的程序，其中，所述程序运行时控制非易失性存储介质所在的设备执行一种基于多发性森林火灾模型的灾难预警方法。
根据本发明实施例的另一方面，还提供了一种电子装置，包含处理器和存储器；所述存储器中存储有计算机可读指令，所述处理器用于运行所述计算机可读指令，其中，所述计算机可读指令运行时执行一种基于多发性森林火灾模型的灾难预警方法。
在本发明实施例中，采用获取高像素图像数据和温感数据；将所述高像素图像数据作为特征向量输入至多发性火灾模型，生成图像判断结果；根据所述温感数据和温感诱因矩阵，生成温感判断结果；将所述温感诱因矩阵带入低阶泰勒展开式，根据所述图像判断结果和所述温感判断结果生成火灾监控判断结果的方式，解决了现有技术中对于森林火灾预警仅仅是通过热成像技术或者图像监控技术来获取图像和识别图像，并将识别后的图像进行建模分析，得到最终的分析结果，这样仅通过单一图像分析方法无法准确的从温感和高像素图像中寻找分解因子，无法通过多发性、多元化的数据来源进行分解和分析，进而无法达到很高的判断准确度和判断速度的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是根据本发明实施例的一种基于多发性森林火灾模型的灾难预警方法的流程图；
图2是根据本发明实施例的一种基于多发性森林火灾模型的灾难预警装置的结构框图；
图3是根据本发明实施例的用于执行根据本发明的方法的终端设备的框图；
图4是根据本发明实施例的用于保持或者携带实现根据本发明的方法的程序代码的存储单元。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
根据本发明实施例，提供了一种基于多发性森林火灾模型的灾难预警方法的方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机***中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
实施例一
图1是根据本发明实施例的一种基于多发性森林火灾模型的灾难预警方法的流程图，如图1所示，该方法包括如下步骤：
步骤S102，获取高像素图像数据和温感数据。
具体的，本发明实施例为了解决现有技术中对于森林火灾预警仅仅是通过热成像技术或者图像监控技术来获取图像和识别图像，并将识别后的图像进行建模分析，得到最终的分析结果，这样仅通过单一图像分析方法无法准确的从温感和高像素图像中寻找分解因子，无法通过多发性、多元化的数据来源进行分解和分析，进而无法达到很高的判断准确度和判断速度的技术问题，首先在实施本发明实施例的时候需要通过亿级监控摄像设备获取和采集动态实时高像素图像数据，以及通过热成像设备或者多分布式区域温度监控设备获取森林火灾监控区域的温感数据，其中，上述高像素图像数据可以是固定周期T的静态图像数据，也可以是视频数据，上述温感数据可以是热成像图谱和热量分析图结果，也可以是根据被监测区域的地图信息和多分布式测温设备的测量结果生成的温度分布简图，用于后续对于被监测森林发生火灾事故的可能性判断。
步骤S104，将所述高像素图像数据作为特征向量输入至多发性火灾模型，生成图像判断结果。
可选的，所述将所述高像素图像数据作为特征向量输入至多发性火灾模型，生成图像判断结果包括：获取所述多发性火灾模型的输入参量和输出参量；根据所述输入参量和所述高像素图像数据，生成图像处理数据；根据所述输出参量和所述图像处理数据，得到所述图像判断结果。
具体的，在进行本发明实施例中的图像识别和判断的时候，对于高像素图像数据首先需要进行多发性火灾的初步判断，通过DNN深度神经网络模型训练的多发性火灾模型可以将高像素图像数据作为特征输入向量，利用矢量模型输出关系输出是否发生火灾的判断结果，该判断结果即上述高像素图像数据的判断结果。
步骤S106，根据所述温感数据和温感诱因矩阵，生成温感判断结果。
具体的，本发明实施例通过温感设备获取到的温感数据分布于被监测森林的全部区域，并通过温感诱因矩阵来判断各个位置汇总上来的温感数据集合的火灾发生可能性，其中，温感诱因矩阵可以采用以温感因子α为核心的温感对应关系，即α^2*T，其中，T是温感数据集合中针对某点位的温感数据，并利用温感数据的高配合性达到生成温感判断结果的技术目的。另外，本发明实施例中的温感诱因矩阵
中的hw温感对应关系参数可以通过拉格朗日算子ζ进行分项式卷积计算，并得到
矢量对应关系，从而继续进行温感数据的判断结果关系生成，可以作为优选方案更加精准的掌握温感数据正态和非正态离散度。
可选的，在所述根据所述温感数据和温感诱因矩阵，生成温感判断结果之前，所述方法还包括：通过历史数据中的温感轨迹，对所述温感数据进行清洗和筛选，得到可以用于判断火灾隐患的温感数据。
具体的，由于分布于被监测森林区域的温感探头数量巨大，因此在获取到了温感数据之后，对于超大量的温感数据需要进行筛选和清洗，以便在结合温感诱因矩阵进行温感判断的时候可以更加有效率地得到有问题区域的判断结果。
步骤S108，将所述温感诱因矩阵带入低阶泰勒展开式，根据所述图像判断结果和所述温感判断结果生成火灾监控判断结果。
可选的，所述将所述温感诱因矩阵带入低阶泰勒展开式，根据所述图像判断结果和所述温感判断结果生成火灾监控判断结果包括：通过所述温感诱因矩阵的展开式将低阶1-3次方的泰勒级数进行展开和计算，得到
其中，R、fw、Wp分别是图像判断结果、温感判断结果和温感联合因子，fh为火灾监控判断结果。
具体的，根据本发明实施例中获取的图像判断结果和温感判断结果，利用1次至3次低阶泰勒级数展开方式，对若干矢量矩阵和数据集合进行展开，并通过用户预先对于火灾判断要求输入的温感联合因子来生成最终的火灾监控判断结果，如果该判断结果出现了火灾隐患或者火灾突发事故，则立即通过远端服务器向相关的所有部门和人员发出森林火灾警报。
通过上述实施例，解决了现有技术中对于森林火灾预警仅仅是通过热成像技术或者图像监控技术来获取图像和识别图像，并将识别后的图像进行建模分析，得到最终的分析结果，这样仅通过单一图像分析方法无法准确的从温感和高像素图像中寻找分解因子，无法通过多发性、多元化的数据来源进行分解和分析，进而无法达到很高的判断准确度和判断速度的技术问题。
实施例二
图2是根据本发明实施例的一种基于多发性森林火灾模型的灾难预警装置的结构框图，如图2所示，该装置包括：
获取模块20，用于获取高像素图像数据和温感数据。
具体的，本发明实施例为了解决现有技术中对于森林火灾预警仅仅是通过热成像技术或者图像监控技术来获取图像和识别图像，并将识别后的图像进行建模分析，得到最终的分析结果，这样仅通过单一图像分析方法无法准确的从温感和高像素图像中寻找分解因子，无法通过多发性、多元化的数据来源进行分解和分析，进而无法达到很高的判断准确度和判断速度的技术问题，首先在实施本发明实施例的时候需要通过亿级监控摄像设备获取和采集动态实时高像素图像数据，以及通过热成像设备或者多分布式区域温度监控设备获取森林火灾监控区域的温感数据，其中，上述高像素图像数据可以是固定周期T的静态图像数据，也可以是视频数据，上述温感数据可以是热成像图谱和热量分析图结果，也可以是根据被监测区域的地图信息和多分布式测温设备的测量结果生成的温度分布简图，用于后续对于被监测森林发生火灾事故的可能性判断。
生成模块22，用于将所述高像素图像数据作为特征向量输入至多发性火灾模型，生成图像判断结果。
可选的，所述生成模块包括：获取单元，用于获取所述多发性火灾模型的输入参量和输出参量；生成单元，用于根据所述输入参量和所述高像素图像数据，生成图像处理数据；输出单元，用于根据所述输出参量和所述图像处理数据，得到所述图像判断结果。
具体的，在进行本发明实施例中的图像识别和判断的时候，对于高像素图像数据首先需要进行多发性火灾的初步判断，通过DNN深度神经网络模型训练的多发性火灾模型可以将高像素图像数据作为特征输入向量，利用矢量模型输出关系输出是否发生火灾的判断结果，该判断结果即上述高像素图像数据的判断结果。
判断模块24，用于根据所述温感数据和温感诱因矩阵，生成温感判断结果。
具体的，本发明实施例通过温感设备获取到的温感数据分布于被监测森林的全部区域，并通过温感诱因矩阵来判断各个位置汇总上来的温感数据集合的火灾发生可能性，其中，温感诱因矩阵可以采用以温感因子α为核心的温感对应关系，即α^2*T，其中，T是温感数据集合中针对某点位的温感数据，并利用温感数据的高配合性达到生成温感判断结果的技术目的。另外，本发明实施例中的温感诱因矩阵
中的hw温感对应关系参数可以通过拉格朗日算子ζ进行分项式卷积计算，并得到
矢量对应关系，从而继续进行温感数据的判断结果关系生成，可以作为优选方案更加精准的掌握温感数据正态和非正态离散度。
可选的，所述装置还包括：筛选模块，用于通过历史数据中的温感轨迹，对所述温感数据进行清洗和筛选，得到可以用于判断火灾隐患的温感数据。
具体的，由于分布于被监测森林区域的温感探头数量巨大，因此在获取到了温感数据之后，对于超大量的温感数据需要进行筛选和清洗，以便在结合温感诱因矩阵进行温感判断的时候可以更加有效率地得到有问题区域的判断结果。
输出模块26，用于将所述温感诱因矩阵带入低阶泰勒展开式，根据所述图像判断结果和所述温感判断结果生成火灾监控判断结果。
可选的，所述输出模块包括：计算单元，用于通过所述温感诱因矩阵的展开式将低阶1-3次方的泰勒级数进行展开和计算，得到
其中，R、fw、Wp分别是图像判断结果、温感判断结果和温感联合因子，fh为火灾监控判断结果。
具体的，根据本发明实施例中获取的图像判断结果和温感判断结果，利用1次至3次低阶泰勒级数展开方式，对若干矢量矩阵和数据集合进行展开，并通过用户预先对于火灾判断要求输入的温感联合因子来生成最终的火灾监控判断结果，如果该判断结果出现了火灾隐患或者火灾突发事故，则立即通过远端服务器向相关的所有部门和人员发出森林火灾警报。
根据本发明实施例的另一方面，还提供了一种非易失性存储介质，所述非易失性存储介质包括存储的程序，其中，所述程序运行时控制非易失性存储介质所在的设备执行一种基于多发性森林火灾模型的灾难预警方法。
具体的，上述方法包括：获取高像素图像数据和温感数据；将所述高像素图像数据作为特征向量输入至多发性火灾模型，生成图像判断结果；根据所述温感数据和温感诱因矩阵，生成温感判断结果；将所述温感诱因矩阵带入低阶泰勒展开式，根据所述图像判断结果和所述温感判断结果生成火灾监控判断结果。可选的，所述将所述高像素图像数据作为特征向量输入至多发性火灾模型，生成图像判断结果包括：获取所述多发性火灾模型的输入参量和输出参量；根据所述输入参量和所述高像素图像数据，生成图像处理数据；根据所述输出参量和所述图像处理数据，得到所述图像判断结果。可选的，在所述根据所述温感数据和温感诱因矩阵，生成温感判断结果之前，所述方法还包括：通过历史数据中的温感轨迹，对所述温感数据进行清洗和筛选，得到可以用于判断火灾隐患的温感数据。可选的，所述将所述温感诱因矩阵带入低阶泰勒展开式，根据所述图像判断结果和所述温感判断结果生成火灾监控判断结果包括：通过所述温感诱因矩阵的展开式将低阶1-3次方的泰勒级数进行展开和计算，得到
其中，R、fw、Wp分别是图像判断结果、温感判断结果和温感联合因子，fh为火灾监控判断结果。
根据本发明实施例的另一方面，还提供了一种电子装置，包含处理器和存储器；所述存储器中存储有计算机可读指令，所述处理器用于运行所述计算机可读指令，其中，所述计算机可读指令运行时执行一种基于多发性森林火灾模型的灾难预警方法。
具体的，上述方法包括：获取高像素图像数据和温感数据；将所述高像素图像数据作为特征向量输入至多发性火灾模型，生成图像判断结果；根据所述温感数据和温感诱因矩阵，生成温感判断结果；将所述温感诱因矩阵带入低阶泰勒展开式，根据所述图像判断结果和所述温感判断结果生成火灾监控判断结果。可选的，所述将所述高像素图像数据作为特征向量输入至多发性火灾模型，生成图像判断结果包括：获取所述多发性火灾模型的输入参量和输出参量；根据所述输入参量和所述高像素图像数据，生成图像处理数据；根据所述输出参量和所述图像处理数据，得到所述图像判断结果。可选的，在所述根据所述温感数据和温感诱因矩阵，生成温感判断结果之前，所述方法还包括：通过历史数据中的温感轨迹，对所述温感数据进行清洗和筛选，得到可以用于判断火灾隐患的温感数据。可选的，所述将所述温感诱因矩阵带入低阶泰勒展开式，根据所述图像判断结果和所述温感判断结果生成火灾监控判断结果包括：通过所述温感诱因矩阵的展开式将低阶1-3次方的泰勒级数进行展开和计算，得到
其中，R、fw、Wp分别是图像判断结果、温感判断结果和温感联合因子，fh为火灾监控判断结果。
通过上述实施例，解决了现有技术中对于森林火灾预警仅仅是通过热成像技术或者图像监控技术来获取图像和识别图像，并将识别后的图像进行建模分析，得到最终的分析结果，这样仅通过单一图像分析方法无法准确的从温感和高像素图像中寻找分解因子，无法通过多发性、多元化的数据来源进行分解和分析，进而无法达到很高的判断准确度和判断速度的技术问题。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，图3为本申请一实施例提供的终端设备的硬件结构示意图。如图3所示，该终端设备可以包括输入设备30、处理器31、输出设备32、存储器33和至少一个通信总线34。通信总线34用于实现元件之间的通信连接。存储器33可能包含高速RAM存储器，也可能还包括非易失性存储NVM，例如至少一个磁盘存储器，存储器33中可以存储各种程序，用于完成各种处理功能以及实现本实施例的方法步骤。
可选的，上述处理器31例如可以为中央处理器(Central Processing Unit，简称CPU)、应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，该处理器31通过有线或无线连接耦合到上述输入设备30和输出设备32。
可选的，上述输入设备30可以包括多种输入设备，例如可以包括面向用户的用户接口、面向设备的设备接口、软件的可编程接口、摄像头、传感器中至少一种。可选的，该面向设备的设备接口可以是用于设备与设备之间进行数据传输的有线接口、还可以是用于设备与设备之间进行数据传输的硬件***接口(例如USB接口、串口等)；可选的，该面向用户的用户接口例如可以是面向用户的控制按键、用于接收语音输入的语音输入设备以及用户接收用户触摸输入的触摸感知设备(例如具有触摸感应功能的触摸屏、触控板等)；可选的，上述软件的可编程接口例如可以是供用户编辑或者修改程序的入口，例如芯片的输入引脚接口或者输入接口等；可选的，上述收发信机可以是具有通信功能的射频收发芯片、基带处理芯片以及收发天线等。麦克风等音频输入设备可以接收语音数据。输出设备32可以包括显示器、音响等输出设备。
在本实施例中，该终端设备的处理器包括用于执行各设备中数据处理装置各模块的功能，具体功能和技术效果参照上述实施例即可，此处不再赘述。
图4为本申请另一实施例提供的终端设备的硬件结构示意图。图4是对图3在实现过程中的一个具体的实施例。如图4所示，本实施例的终端设备包括处理器41以及存储器42。
处理器41执行存储器42所存放的计算机程序代码，实现上述实施例中的方法。
存储器42被配置为存储各种类型的数据以支持在终端设备的操作。这些数据的示例包括用于在终端设备上操作的任何应用程序或方法的指令，例如消息，图片，视频等。存储器42可能包含随机存取存储器(random access memory，简称RAM)，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
可选地，处理器41设置在处理组件40中。该终端设备还可以包括：通信组件43，电源组件44，多媒体组件45，音频组件46，输入/输出接口47和/或传感器组件48。终端设备具体所包含的组件等依据实际需求设定，本实施例对此不作限定。
处理组件40通常控制终端设备的整体操作。处理组件40可以包括一个或多个处理器41来执行指令，以完成上述方法的全部或部分步骤。此外，处理组件40可以包括一个或多个模块，便于处理组件40和其他组件之间的交互。例如，处理组件40可以包括多媒体模块，以方便多媒体组件45和处理组件40之间的交互。
电源组件44为终端设备的各种组件提供电力。电源组件44可以包括电源管理***，一个或多个电源，及其他与为终端设备生成、管理和分配电力相关联的组件。
多媒体组件45包括在终端设备和用户之间的提供一个输出接口的显示屏。在一些实施例中，显示屏可以包括液晶显示器(LCD)和触摸面板(TP)。如果显示屏包括触摸面板，显示屏可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。
音频组件46被配置为输出和/或输入音频信号。例如，音频组件46包括一个麦克风(MIC)，当终端设备处于操作模式，如语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器42或经由通信组件43发送。在一些实施例中，音频组件46还包括一个扬声器，用于输出音频信号。
输入/输出接口47为处理组件40和***接口模块之间提供接口，上述***接口模块可以是点击轮，按钮等。这些按钮可包括但不限于：音量按钮、启动按钮和锁定按钮。
传感器组件48包括一个或多个传感器，用于为终端设备提供各个方面的状态评估。例如，传感器组件48可以检测到终端设备的打开/关闭状态，组件的相对定位，用户与终端设备接触的存在或不存在。传感器组件48可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在，包括检测用户与终端设备间的距离。在一些实施例中，该传感器组件48还可以包括摄像头等。
通信组件43被配置为便于终端设备和其他设备之间有线或无线方式的通信。终端设备可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个实施例中，该终端设备中可以包括SIM卡插槽，该SIM卡插槽用于***SIM卡，使得终端设备可以登录GPRS网络，通过互联网与服务端建立通信。
由上可知，在图4实施例中所涉及的通信组件43、音频组件46以及输入/输出接口47、传感器组件48均可以作为图3实施例中的输入设备的实现方式。
在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种基于多发性森林火灾模型的灾难预警方法，其特征在于，包括：
获取高像素图像数据和温感数据；
将所述高像素图像数据作为特征向量输入至多发性火灾模型，生成图像判断结果；
根据所述温感数据和温感诱因矩阵，生成温感判断结果；
将所述温感诱因矩阵带入低阶泰勒展开式，根据所述图像判断结果和所述温感判断结果生成火灾监控判断结果。
2.根据权利要求1所述的方法，其特征在于，所述将所述高像素图像数据作为特征向量输入至多发性火灾模型，生成图像判断结果包括：
获取所述多发性火灾模型的输入参量和输出参量；
根据所述输入参量和所述高像素图像数据，生成图像处理数据；
根据所述输出参量和所述图像处理数据，得到所述图像判断结果。
3.根据权利要求1所述的方法，其特征在于，在所述根据所述温感数据和温感诱因矩阵，生成温感判断结果之前，所述方法还包括：
通过历史数据中的温感轨迹，对所述温感数据进行清洗和筛选，得到可以用于判断火灾隐患的温感数据。
4.根据权利要求1所述的方法，其特征在于，所述将所述温感诱因矩阵带入低阶泰勒展开式，根据所述图像判断结果和所述温感判断结果生成火灾监控判断结果包括：
通过所述温感诱因矩阵的展开式将低阶1-3次方的泰勒级数进行展开和计算，得到
其中，R、fw、Wp分别是图像判断结果、温感判断结果和温感联合因子，fh为火灾监控判断结果。
5.一种基于多发性森林火灾模型的灾难预警装置，其特征在于，包括：
获取模块，用于获取高像素图像数据和温感数据；
生成模块，用于将所述高像素图像数据作为特征向量输入至多发性火灾模型，生成图像判断结果；
判断模块，用于根据所述温感数据和温感诱因矩阵，生成温感判断结果；
输出模块，用于将所述温感诱因矩阵带入低阶泰勒展开式，根据所述图像判断结果和所述温感判断结果生成火灾监控判断结果。
6.根据权利要求5所述的装置，其特征在于，所述生成模块包括：
获取单元，用于获取所述多发性火灾模型的输入参量和输出参量；
生成单元，用于根据所述输入参量和所述高像素图像数据，生成图像处理数据；
输出单元，用于根据所述输出参量和所述图像处理数据，得到所述图像判断结果。
7.根据权利要求5所述的装置，其特征在于，所述装置还包括：
筛选模块，用于通过历史数据中的温感轨迹，对所述温感数据进行清洗和筛选，得到可以用于判断火灾隐患的温感数据。
8.根据权利要求5所述的装置，其特征在于，所述输出模块包括：
计算单元，用于通过所述温感诱因矩阵的展开式将低阶1-3次方的泰勒级数进行展开和计算，得到
其中，R、fw、Wp分别是图像判断结果、温感判断结果和温感联合因子，fh为火灾监控判断结果。
9.一种非易失性存储介质，其特征在于，所述非易失性存储介质包括存储的程序，其中，所述程序运行时控制非易失性存储介质所在的设备执行权利要求1至4中任意一项所述的方法。
10.一种电子装置，其特征在于，包含处理器和存储器；所述存储器中存储有计算机可读指令，所述处理器用于运行所述计算机可读指令，其中，所述计算机可读指令运行时执行权利要求1至4中任意一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210657786.9A CN114999092A (zh) | 2022-06-10 | 2022-06-10 | 一种基于多发性森林火灾模型的灾难预警方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210657786.9A CN114999092A (zh) | 2022-06-10 | 2022-06-10 | 一种基于多发性森林火灾模型的灾难预警方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114999092A true CN114999092A (zh) | 2022-09-02 |
Family
ID=83033120
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210657786.9A Pending CN114999092A (zh) | 2022-06-10 | 2022-06-10 | 一种基于多发性森林火灾模型的灾难预警方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114999092A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115527045A (zh) * | 2022-09-21 | 2022-12-27 | 北京拙河科技有限公司 | 一种用于雪场危险识别的图像辨别方法及装置 |
| CN115984126A (zh) * | 2022-12-05 | 2023-04-18 | 北京拙河科技有限公司 | 一种基于输入指令的光图像修正方法及装置 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102298816A (zh) * | 2011-05-17 | 2011-12-28 | 杭州电子科技大学 | 一种多源融合船舶机舱火灾预警方法 |
| CN103716751A (zh) * | 2013-12-13 | 2014-04-09 | 广西科技大学 | 森林防火监测***及方法 |
| CN109557830A (zh) * | 2018-12-29 | 2019-04-02 | 国网技术学院 | 一种具有图像融合的火灾仿真***及方法 |
| US20190197677A1 (en) * | 2017-12-21 | 2019-06-27 | Rolls-Royce Corporation | Representation-based hybrid model |
| CN111739250A (zh) * | 2020-07-01 | 2020-10-02 | 广东工业大学 | 结合图像处理技术与红外传感器的火灾探测方法及*** |
| WO2021201695A1 (en) * | 2020-03-31 | 2021-10-07 | Weta Digital Limited | Method for simulating combustion in digital imagery |
| US20210398309A1 (en) * | 2018-10-31 | 2021-12-23 | Université De Corse P Paoli | Device for characterizing a fire and associated method for determining radiant fluxes |
| CN113838121A (zh) * | 2021-11-24 | 2021-12-24 | 中国人民解放军海军工程大学 | 基于图像识别的烟气层高度检测方法及检测*** |
| CN114581349A (zh) * | 2022-02-21 | 2022-06-03 | 哈尔滨工业大学 | 一种基于辐射特性反演的可见光图像与红外图像融合方法 |
-
2022
- 2022-06-10 CN CN202210657786.9A patent/CN114999092A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102298816A (zh) * | 2011-05-17 | 2011-12-28 | 杭州电子科技大学 | 一种多源融合船舶机舱火灾预警方法 |
| CN103716751A (zh) * | 2013-12-13 | 2014-04-09 | 广西科技大学 | 森林防火监测***及方法 |
| US20190197677A1 (en) * | 2017-12-21 | 2019-06-27 | Rolls-Royce Corporation | Representation-based hybrid model |
| US20210398309A1 (en) * | 2018-10-31 | 2021-12-23 | Université De Corse P Paoli | Device for characterizing a fire and associated method for determining radiant fluxes |
| CN109557830A (zh) * | 2018-12-29 | 2019-04-02 | 国网技术学院 | 一种具有图像融合的火灾仿真***及方法 |
| WO2021201695A1 (en) * | 2020-03-31 | 2021-10-07 | Weta Digital Limited | Method for simulating combustion in digital imagery |
| CN111739250A (zh) * | 2020-07-01 | 2020-10-02 | 广东工业大学 | 结合图像处理技术与红外传感器的火灾探测方法及*** |
| CN113838121A (zh) * | 2021-11-24 | 2021-12-24 | 中国人民解放军海军工程大学 | 基于图像识别的烟气层高度检测方法及检测*** |
| CN114581349A (zh) * | 2022-02-21 | 2022-06-03 | 哈尔滨工业大学 | 一种基于辐射特性反演的可见光图像与红外图像融合方法 |
Non-Patent Citations (6)
| Title |
|---|
| DONGLIANG GUO等: "The Causes of Fire and Explosion of Lithium Ion Battery for Energy Storage", 《2018 2ND IEEE CONFERENCE ON ENERGY INTERNET AND ENERGY SYSTEM INTEGRATION (EI2)》 * |
| G. LANEVE等: "Continuous Monitoring of Forest Fires in the Mediterranean Area Using MSG", 《IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》 * |
| 何杰等: "一种机载双站三维空间定位新算法", 《电子信息对抗技术》 * |
| 曾照芳,等: "影响林火灾变生态阈值数学模拟的潜在因子的数学模型", 《生物数学学报》 * |
| 耿伯英等: "一种基于空频域特征的多传感器图像融合方法", 《***工程与电子技术》 * |
| 陈培豪等: "多传感器融合的火灾识别算法研究", 《消防科学与技术》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115527045A (zh) * | 2022-09-21 | 2022-12-27 | 北京拙河科技有限公司 | 一种用于雪场危险识别的图像辨别方法及装置 |
| CN115984126A (zh) * | 2022-12-05 | 2023-04-18 | 北京拙河科技有限公司 | 一种基于输入指令的光图像修正方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114999092A (zh) | 一种基于多发性森林火灾模型的灾难预警方法及装置 | |
| CN115375582A (zh) | 一种基于低阶泰勒分解的摩尔纹消解方法及装置 | |
| CN114842424A (zh) | 一种基于动作补偿的智能化安防图像识别方法及装置 | |
| CN115426525A (zh) | 一种基于高速动帧联动图像拆分方法及装置 | |
| CN115170818A (zh) | 一种动态帧画面特征提取方法及装置 | |
| CN115623336A (zh) | 一种亿级摄像设备的图像跟踪方法及装置 | |
| CN115527045A (zh) | 一种用于雪场危险识别的图像辨别方法及装置 | |
| CN115600898A (zh) | 一种基于定性和定量综合分析的员工行为风险分析方法及装置 | |
| CN115035685A (zh) | 一种基于弥散性运动神经网络的广场安保监测方法及装置 | |
| CN115334291A (zh) | 一种基于亿级像素全景补偿的隧道监控方法及装置 | |
| CN114866702A (zh) | 一种基于多辅联动摄像技术的边境监控采集方法及装置 | |
| CN116402935B (zh) | 一种基于光线追踪算法的图像合成方法及装置 | |
| CN115345808B (zh) | 一种基于多元信息采集的画面生成方法及装置 | |
| CN115187570B (zh) | 一种基于dnn深度神经网络的奇异遍历检索方法及装置 | |
| CN115205313B (zh) | 一种基于最小二乘算法的画面优化方法及装置 | |
| CN116744102B (zh) | 一种基于反馈调节的球机跟踪方法及装置 | |
| CN115914819B (zh) | 一种基于正交分解算法的画面捕捉方法及装置 | |
| CN116468883B (zh) | 一种高精度图像数据体积雾识别方法及装置 | |
| CN116664413B (zh) | 一种基于阿贝尔收敛算子的图像体积雾消除方法及装置 | |
| CN116228593B (zh) | 一种基于分级抗锯齿的图像完善方法及装置 | |
| CN116579964B (zh) | 一种动帧渐入渐出动态融合方法及装置 | |
| CN116030501B (zh) | 一种飞鸟检测数据提取方法及装置 | |
| CN116579965B (zh) | 一种多图像融合方法及装置 | |
| CN115700554A (zh) | 一种互联网大数据验证的测试方法及装置 | |
| CN116644370A (zh) | 一种云计算服务的异常数据处理方法及*** |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220902 |