CN116778428A - 基于图像识别的实时在线火情分析历史数据库比对方法 - Google Patents
基于图像识别的实时在线火情分析历史数据库比对方法 Download PDFInfo
- Publication number
- CN116778428A CN116778428A CN202310883656.1A CN202310883656A CN116778428A CN 116778428 A CN116778428 A CN 116778428A CN 202310883656 A CN202310883656 A CN 202310883656A CN 116778428 A CN116778428 A CN 116778428A
- Authority
- CN
- China
- Prior art keywords
- data
- fire
- real
- fitting
- time
- 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 39
- 238000004458 analytical method Methods 0.000 title claims abstract description 32
- 238000012545 processing Methods 0.000 claims abstract description 11
- 230000006870 function Effects 0.000 claims description 32
- 238000012544 monitoring process Methods 0.000 claims description 20
- 238000012360 testing method Methods 0.000 claims description 13
- 238000007477 logistic regression Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 10
- 239000000779 smoke Substances 0.000 claims description 9
- 238000011156 evaluation Methods 0.000 claims description 7
- 230000011218 segmentation Effects 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 3
- 238000003709 image segmentation Methods 0.000 claims description 3
- 238000012417 linear regression Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000001556 precipitation Methods 0.000 claims description 3
- 238000006467 substitution reaction Methods 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 2
- 238000009499 grossing Methods 0.000 claims description 2
- 238000013178 mathematical model Methods 0.000 claims description 2
- 238000007781 pre-processing Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 abstract description 5
- 238000005516 engineering process Methods 0.000 description 9
- 230000002265 prevention Effects 0.000 description 6
- 238000000605 extraction Methods 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 206010000369 Accident Diseases 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000009193 crawling Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 238000001931 thermography Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
Classifications
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/51—Indexing; Data structures therefor; Storage structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/53—Querying
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- 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
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social 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
- G06V20/17—Terrestrial scenes taken from planes or by drones
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Remote Sensing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于图像识别的实时在线火情分析历史数据库比对方法，包括：通过图像处理获取图像数据，在已有的区域历史图像数据库中获取与图像数据匹配的历史图像数据；根据图像数据与历史图像数据，确定图像数据与历史图像数据之间相似度与差异性数据，差异性数据用于反映图像数据与历史图像数据中森林环境之间的差异；根据相似度和差异性数据，进行火灾发生及蔓延预测。本发明的优点是：整个过程无需用户额外的操作，给用户提供了极大的便利，且提高了森林火灾预测的精确度和准确性。
Description
技术领域
本发明涉及图像识别处理技术领域，特别涉及一种基于图像识别的实时在线火情分析历史数据库比对方法。
背景技术
火灾的发生具有频率高、时空跨度大、蔓延速度快的特点，造成的损失非常严重。支持森林防火科学研究,推广和应用先进的科学技术实现森林防火指挥中心对所管辖地区的全天候图像识别监测，提升森林防火工作的现代化治理能力，成为森林防火发展的必然趋势。而现有森林火灾图像监测的手段中，对火灾识别的精确度较低，火情数据传回时效性较差，且无法解决火与烟雾的准确区分等重点难题。为正确预判火情，可以利用火情数据库对巡检森林的图像信息进行比对分析，准确预判起火环境及火情情况。利用已经发生过火灾事故的森林环境现场数据进行比对，在火灾事故现场传回图像与发生过火灾事故的森林环境相似度较高的情况下，可以快速且准确得做出火情判断，且有利于后续对火灾蔓延预测分析工作的推进。利用火情在线分析历史数据库比对的方法有助于提高火灾判断的精确度和时效性，提高火灾的控制效率，且建立的森林火情大数据历史库对火灾监测和管控工作具有重大科学指导意义和研究价值。
目前，历史数据库比对在图像相似性匹配方面上可大致分为基于图像特征比对和基于机器学习算法比对。早期的图像匹配主要通过基于图像特征比对中的特征提取算法(例如SIFT，SURF，ORB等)来进行匹配图像。但是，因受到拍摄条件的限制以及随着数据量的快速增加，传统的特征提取算法很难处理大规模的数据。后来在深度学习技术的迅速发展下，基于机器学习算法比对的方法得到了快速发展。2012年，Alex Krizhevsky等人提出了CNN网络，并将深度学习技术引入到了图像处理领域。此后一系列利用深度神经网络进行图像匹配的算法被提出，例如VGGNet、GoogleNet、ResNet等。这些算法也都得到了广泛应用。但是这些基于机器学习算法比对的方法仍存在一些问题，例如在针对某些较为复杂的图像处理中，准确性会受到影响。近年来，基于图像特征比对和基于机器学习算法比对已经开始相互融合，在某些场景下，可以将基于机器学习比对算法用于快速筛选图像，然后再用基于特征比对算法进行更加精细的匹配。这种融合方法可以有效地提高匹配精度和效率，同时两种方法的结合无疑将历史数据库在图像相似性匹配方面的应用变得更加广泛和灵活。但两种方法融合仍有一定的不足，需要同时考虑特征提取和机器学习算法的设置，这增加了算法的复杂性。因此，需要根据具体应用场景合理选择历史数据库比对的方法。
赵德赞等针对我国森林火灾频发的现象,提出了《基于图像处理和定位技术的森林防火***设计》，该设计从历史数据库中提取大量森林图像，对不同图像随机添加火焰或烟雾效果，用图像处理差分算法，颜色特征和RGB颜色空间聚类识别火灾，其覆盖方案技术较为完善[赵德赞,邢军,王智森.基于图像处理和定位技术的森林防火***设计[J].消防科学与技术,2015,34(07):907-908+912]。曹蕾发表了《基于图像识别技术的森林防火监测***设计》，结合图像识别技术,H.264视频压缩技术和无线数字微波通信技术,设计了森林防火监测***。该***通过采集森林的实时视频图像，利用RGB、YCbCr和HSI颜色空间的火灾检测算法对其进行分析，并将数据信息存储在数据库中,方便查询[[曹蕾.基于图像识别技术的森林防火监测***设计[D].哈尔滨理工大学,2019]。中国发明专利，申请号CN114549907A，公开了《模型训练方法、图像特征提取方法、***、设备及介质》，该发明通过获取与历史图像的哈希特征对应的历史图像分类标签数据的历史训练样本数据集，基于历史训练样本数据集训练神经网络模型，从而得到图像特征提取模型。中国发明专利，申请号CN101437097A，公开了《信息处理***与历史信息显示方法》，该方法用来当显示诸如作业等传送历史时，通过显示在传送历史中包含的图像作为缩略图，迅速从传送历史中检索特定信息，提高了用户检索的时间。上诉无论是论文还是专利均进行了历史数据库的采集与提取，但仍未考虑到将实时数据与历史数据比对分析的问题。中国发明专利，申请号CN115658648A，公开了《基于物联网场景的时序数据库对比方法和装置》，该发明通过搭建模拟场景去实现时序数据库的对比，从物联网场景中抽取默认对比项目，以默认对比项目为模板，抽取新的对比项目，把对比项目在模拟场景中进行对比。全面对比历史数据库的同时，却增加了算法复杂度以及用户操作的复杂程度。
综上，虽然当下图像识别比对方法众多，但大多数集中于建立和查询历史数据库的问题，并未深入涉及将实时数据与历史数据比对分析森林环境。且用于历史数据库比对的方法中，全面对比时序数据库的各个方面后，由工作人员进行结果评估和选择，缺乏对比对结果的智能化有效分析利用，特征信息融合不足，导致图像数据对比和匹配分析效果不够理想。
发明内容
本发明针对现有技术的缺陷，提供了一种基于图像识别的实时在线火情分析历史数据库比对方法。通过对当前采集到的图像数据与对应的历史图像数据库进行比对分析，并基于两者之间的差异性数据来及时对森林火灾发生可能性进行预测。
为了实现以上发明目的，本发明采取的技术方案如下：
一种基于图像识别的实时在线火情分析历史数据库比对方法，包括以下步骤：
步骤1：获取火灾实时监测数据集；
数据集中包括：火情数据、实时温度、实时湿度和其他天气数据。在获取数据后，还需要进行数据预处理，以满足训练模型的要求，例如数据清洗、平滑处理等。
步骤2：构建数据库；
分别建立历史火灾数据集和正常数据集。历史火灾数据集用于比对和分析，正常数据集用于对比分析，以便更好地检测和区分火灾。
步骤3：数据拟合；
数据拟合是通过数学模型将正常数据集和火灾数据集进行拟合，以建立具有较高预测准确度的函数。拟合方法包括多项式拟合和逻辑回归拟合。
步骤4：数据库的更新调整
为了保持分析结果的准确性和及时性，需要定期对数据库进行更新和调整。在一段时间之后，新的火灾实时监测数据、拟合函数和线性预测方程将替代旧的数据，以确保模型能够准确地分析和识别火灾情况。
进一步地，步骤1包括以下子步骤：
步骤11：火情数据获取；
使用无人机巡航获得森林环境的实时视频和图像。通过火灾烟雾识别软件对图像和视频进行分析，自动判断可能发生火灾的概率，并将火灾烟雾置性度保存到本地已创建的CSV文件中，用于后续数据库的建立。
步骤12：实时温度获取；
通过红外图像采用温度阈值分割法，将图像中的监测区域实时温度分割出来。计算每个像素点的温度值，并通过设定的温度阈值判断是否属于火灾火焰区域。
步骤13：实时湿度获取；
通过图像识别预测地点的湿度。首先对采集到的图像进行滤波去噪，然后建立混合高斯模型进行图像分割，找到属于该地点的像素点。将分割后的图像转换到LAB颜色空间，并使用DBSCAN聚类算法找到LAB颜色空间中心点。将该中心点值作为特征值输入岭回归算法，输出预测的地点湿度值。
步骤14：其他天气数据获取
使用Python的request库爬取包括风向、风力大小和降水量的其他天气数据。
进一步地，步骤3中多项式拟合包括以下子步骤：
步骤311：将正常数据集里面的时间数据和其他数据两两分为一组，对于每一组数据点,包含n个样本点，记作{(x1,y1)(x2,y2)...(xn,yn)}
步骤312：其中样本中的每一个点就表示为(xi,yi),i＝1,2,3,...n
步骤313：设定一个n次多项式将样本点的横坐标值xi代入假定的多项式/>得到n次多项式在给定样本点的横坐标处的纵坐标为
步骤314：采用误差/残差的平方和来评判令/>求一组拟合系数让r最小，对r分别求n+1次偏导，得到最优拟合系数。
进一步地，步骤3中逻辑回归拟合包括以下子步骤：
步骤321：预处理；
将是否发生火灾用二分类的方式表示，即用p＝1或者0代表是否发生火灾。
步骤322：模型拟合；
使用sklearn库的train_test_split和LogisticRegression函数将数据集分割为训练集和测试集，测试集占数据集的20％。
逻辑回归模型基于线性回归，其形式为其中X是特征矩阵，β是模型的系数，e表示自然对数的底数。
利用逻辑回归模型对训练集进行拟合，得到线性预测方程。
步骤323：模型测试；
使用拟合好的模型对测试集进行预测，得到预测结果。
步骤324：模型评分；
使用score函数对模型进行评分，评估模型的准确性。使用sklearn库的classification_report函数计算模型的准确率、召回率和F1值。
步骤325：获取ROC曲线：
使用matplotlib库的pyplot模块绘制ROC曲线。
使用sklearn库的auc函数计算ROC曲线下的面积AUC值，AUC值越接近1，表示模型的预测准确率越高。
进一步地，步骤4包括以下子步骤：
步骤41：火灾实时监测数据的更新；
设置定时周期，周期性地获取实时的火灾监测数据。
将获取的数据传输到电脑端，进行数据处理和线性求值。
将处理后的数据实时存入预先设定好的大数据库，不断拓大数据库容量。
步骤42：拟合函数和线性预测方程的更新：
电脑周期性地对更新的数据集进行拟合。
将更新的数据按照是否发生火灾进行二值分类，将其作为目标值。
使用更新的数据集进行拟合，通过拟合算法得到新的拟合函数和线性预测方程。
不断利用实时的数据对拟合函数和线性预测方程进行更新和调整，提高其准确性和实用价值。
使用评估指标(如准确率、召回率、F1值等)评估更新后的拟合模型的性能。
步骤43：重复步骤41和步骤42，定期进行数据和模型的更新，以确保数据库和模型的准确性和实用性。
与现有技术相比，本发明的优点在于：
1.实时性：本发明能够实时地监测和分析火情，通过周期性获取火灾监测数据并进行图像识别，及时反馈火情信息。这使得火情的分析和比对可以在最短的时间内完成。
2.准确性：通过使用图像识别技术，可以对火灾图像进行精准的分析和识别。这可以大大提高火情分析的准确性和可靠性，减少误报和误判的可能性。
3.大数据支持：本发明使用预先设定好的大数据库来存储历史数据，不断拓展数据库容量。这使得火情数据能够充分积累和存储，为分析和比对提供了强大的支持，提高了火情分析的效果。
4.高效性：利用了计算机的高效处理能力和算法，实现了数据的快速拟合和线性预测方程的更新。整个过程无需用户额外的操作，给用户提供了极大的便利，同时快速响应火情变化，提高了火情分析的效率。
5.实用价值：通过不断更新拟合函数和线性预测方程，本发明可以不断提高模型的准确性，进而提高火情分析的实用价值。这为及时采取火灾应急措施、保护人员和财产安全提供了有力的支持。
附图说明
图1是本发明实施例获取数据集结果；
图2是本发明实施例24小时和风级的函数拟合图像；
图3是本发明实施例24小时和降雨量的函数拟合图像；
图4是本发明实施例24小时和温度的函数拟合图像；
图5是本发明实施例24小时和湿度的函数拟合图像；
图6是本发明实施例模型对测试集的预测结果。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚明白，以下根据附图并列举实施例，对本发明做进一步详细说明。
本发明提供一种基于图像识别的实时在线火情分析历史数据库比对方法，包括以下步骤：
步骤1：获取火灾实时监测数据集(图1)，其子步骤如下：
步骤11：火情数据获取；
无人机巡航将拍摄到的森林环境视频、图像实时传回到用户处理端，用户端通过火灾烟雾识别软件对图像、视频的分析自动判断可能发生火灾的概率，并将火灾烟雾置性度保存到本地已创建好的CSV文件中，用于后续数据库的建立。
步骤12：实时温度获取；
在传回的图像中采用温度阈值分割法分割监测区域实时温度。基于红外图像的温度阈值分割计算如下公式所示，其中x,y为像素坐标，g(x,y)为(x,y)像素点的值，T为火灾火焰温度阈值。经过多次实验分析，将红外热成像的火灾图像分割阈值确定为200。
步骤13：实时湿度获取；
通过图像识别预测该地点湿度。使用滤波算法对采集到的图像去噪,低通滤波器去除了图像的高频部分，高通滤波器去除了图像的低频部分；再建立混合高斯模型进行图像分割并找到属于该地点的像素点,将分割后图像由RGB颜色空间变换到LAB颜色空间,通过DBSCAN聚类算法找到LAB颜色空间的中心点,将该中心点值作为特征值输入岭回归算法,输出为预测的该地点湿度值。
步骤14：其他天气数据获取；
通过Python的request库爬取风向及风力大小、降水量等天气情况。
最后，将从图像信息获取的火灾概率、温度、湿度数据和爬取的降雨量及风力大小再加上目前的时间一起构成数据库。
步骤2：构建数据库；
数据库分为两大类，一类是森林火灾发生的历史火灾数据集，一类是森林未发生火灾的正常数据集。
步骤3：分别对正常数据集和历史火灾数据集进行数据拟合，其子步骤如下：
步骤31：多项式拟合，其子步骤如下：
步骤311：将正常数据集里面的时间数据和其他数据两两分为一组，对于每一组数据点,包含n个样本点，记作{(x1,y1)(x2,y2)...(xn,yn)}
步骤312：其中样本中的每一个点就表示为(xi,yi),i＝1,2,3,...n
步骤313：设定一个n次多项式将样本点的横坐标值xi代入假定的多项式/>得到n次多项式在给定样本点的横坐标处的纵坐标为
步骤314：采用误差/残差的平方和来评判令/>求一组拟合系数让r最小，对r分别求n+1次偏导，得到最优拟合系数。
这样就可以直接根据时间让电脑清晰地计算出这个地区当前时间段的风级、降雨量、温度和湿度大小，再和实时得到的数据进行比较，若误差较小则森林正常，若误差过大，就需要进一步监测该地区是否有火灾发生，这间接提高了火灾监测的准确度和效率。
多项式拟合得到如下结果(x：时间，y：对应因变量)：
①24小时和风级的函数拟合结果为图2，图中original values为原始值，Polyfitvalues为拟合值；
y＝1.097e-8x9-1.158e-6x8+5.096e-5x7-0.01208x6+0.01654x5-0.1303x4+0.5497x3-1.064x2+0.9394x+0.9424
②24小时和降雨量的函数拟合结果为图3
y＝1.444e-8x9-1.742e-6xx8+8.79e-5x7-0.0024x6+0.03823x5-0.3564x4+1.835x3-4.521x2+3.899x-0.1927
③24小时和温度的函数拟合结果为图4
y＝3.318e-5x5-0.002789x4+0.07212x3-0.6427x2+1.248x+24.64
④24小时和湿度的函数拟合结果为图5
y＝3.61e-7x9-3.742e-5x8+0.001614x7-0.03748x6+0.5071x5-4.026x4+17.77x3-37.55x2+28.98x+62.01
步骤32：逻辑回归拟合，其子步骤如下：
步骤321：预处理；
逻辑回归主要用于二分类问题，即分类结果只有0、1两种。在本次拟合中将是否发生火灾用p＝1或者0来表示。
步骤322：模型拟合；
调用sklearn库model_selection模块中的train_test_split和linear_model模块中的LogisticRegression将数据集分割为训练集和测试集，测试集占数据集的20％，来进行模型的拟合。
逻辑回归基本形式(X：特征矩阵，β：模型的系数，e：自然对数的底数)：
其底层基于线性回归，其线性表达形式(Xi：影响因素Y：预测概率)：
y＝1/(1+exp-(b0+b1X1+b2X2+b3X3+……+bnXn))
基于回归模型求出线性预测方程(Xi：影响因素Y：预测概率)：
步骤323：模型测试；
模型对测试集的预测结果如图6；
步骤324：模型评分、模型的准确率、召回率及F1值
通过score函数对模型进行评分，利用sklearn库metrics模块中的classification_report函数计算模型准确率、召回率及F1值，结果为表1。
表1
步骤325：获取ROC曲线；
AUC-ROC曲线是针对各种阈值设置下的分类问题的性能度量，是检查分类模型性能的最重要的评估指标之一。ROC是概率曲线，AUC表示可分离的程度或测度，它告诉我们多少模型能够区分类别。通过matplotlib库的pyplot模块可绘制ROC曲线，通过sklearn库metrics模块中的auc函数可求得auc值。au c越接近1，表明模型预测准确率越好，表示正确分类了的样本数量占比。本实施例中得到的auc值为1。
本实施例将温度、湿度、风级和降雨量导入上述已求出的线性预测方程，一方面可以辅助火灾烟雾***实时判别是否发生森林火灾，提高森林火灾监测的准确性和可靠性，一方面我们可以根据线性预测方程结果为1的时间段重点派遣无人机进行更密集的巡检，在线性预测方程结果为0的时间段减少派遣的无人机数量，这样可以大大降低森林大火灾发生的概率，有效提高巡检效率。
步骤4：数据库的更新调整，其子步骤如下：
步骤41：火灾实时监测数据的更新；
每隔一段时间实时检测数据都会有变化，传输到电脑端，对数据进行线性求值后，实时存入预先设定好的大数据库，不断拓大数据库容量。
步骤42：拟合函数和线性预测方程的更新；
电脑周期性地拟合更新的数据集，将数据按是否发生火灾进行二值分类，再用实时的数据不断更新和调整拟合函数和线性预测方程，不断提高函数和线性预测方程的准确性，扩大其实用价值。
上述根据本发明的方法可在硬件、固件中实现，或者被实现为可存储在记录介质(诸如CD ROM、RAM、软盘、硬盘或磁光盘)中的软件或计算机代码，或者被实现通过网络下载的原始存储在远程记录介质或非暂时机器可读介质中并将被存储在本地记录介质中的计算机代码，从而在此描述的方法可被存储在使用通用计算机、专用处理器或者可编程或专用硬件(诸如ASIC或FPGA)的记录介质上的这样的软件处理。可以理解，计算机、处理器、微处理器控制器或可编程硬件包括可存储或接收软件或计算机代码的存储组件(例如，RAM、ROM、闪存等)，当所述软件或计算机代码被计算机、处理器或硬件访问且执行时，实现在此描述的一种基于图像识别的实时在线火情分析历史数据库比对方法方法。此外，当通用计算机访问用于实现在此示出的处理的代码时，代码的执行将通用计算机转换为用于执行在此示出的处理的专用计算机。
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的实施方法，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。
Claims (5)
1.一种基于图像识别的实时在线火情分析历史数据库比对方法，其特征在于，包括以下步骤：
步骤1：获取火灾实时监测数据集；
数据集中包括：火情数据、实时温度、实时湿度和其他天气数据；在获取数据后，还需要进行数据预处理，以满足训练模型的要求，例如数据清洗、平滑处理等；
步骤2：构建数据库；
分别建立历史火灾数据集和正常数据集；历史火灾数据集用于比对和分析，正常数据集用于对比分析，以便更好地检测和区分火灾；
步骤3：数据拟合；
数据拟合是通过数学模型将正常数据集和火灾数据集进行拟合，以建立具有较高预测准确度的函数；拟合方法包括多项式拟合和逻辑回归拟合；
步骤4：数据库的更新调整
为了保持分析结果的准确性和及时性，需要定期对数据库进行更新和调整；在一段时间之后，新的火灾实时监测数据、拟合函数和线性预测方程将替代旧的数据，以确保模型能够准确地分析和识别火灾情况。
2.根据权利要求1所述的一种基于图像识别的实时在线火情分析历史数据库比对方法，其特征在于，步骤1包括以下子步骤：
步骤11：火情数据获取；
使用无人机巡航获得森林环境的实时视频和图像；通过火灾烟雾识别软件对图像和视频进行分析，自动判断可能发生火灾的概率，并将火灾烟雾置性度保存到本地已创建的CSV文件中，用于后续数据库的建立；
步骤12：实时温度获取；
通过红外图像采用温度阈值分割法，将图像中的监测区域实时温度分割出来；计算每个像素点的温度值，并通过设定的温度阈值判断是否属于火灾火焰区域；
步骤13：实时湿度获取；
通过图像识别预测地点的湿度；首先对采集到的图像进行滤波去噪，然后建立混合高斯模型进行图像分割，找到属于该地点的像素点；将分割后的图像转换到LAB颜色空间，并使用DBSCAN聚类算法找到LAB颜色空间中心点；将该中心点值作为特征值输入岭回归算法，输出预测的地点湿度值；
步骤14：其他天气数据获取
使用Python的request库爬取包括风向、风力大小和降水量的其他天气数据。
3.根据权利要求1所述的一种基于图像识别的实时在线火情分析历史数据库比对方法，其特征在于，步骤3中多项式拟合包括以下子步骤：
步骤311：将正常数据集里面的时间数据和其他数据两两分为一组，对于每一组数据点,包含n个样本点，记作{(x1,y1)(x2,y2)...(xn,yn)}
步骤312：其中样本中的每一个点就表示为(xi,yi),i＝1,2,3,...n
步骤313：设定一个n次多项式将样本点的横坐标值xi代入假定的多项式/>得到n次多项式在给定样本点的横坐标处的纵坐标为
步骤314：采用误差/残差的平方和来评判令/>求一组拟合系数让r最小，对r分别求n+1次偏导，得到最优拟合系数。
4.根据权利要求1所述的一种基于图像识别的实时在线火情分析历史数据库比对方法，其特征在于，步骤3中逻辑回归拟合包括以下子步骤：
步骤321：预处理；
将是否发生火灾用二分类的方式表示，即用p＝1或者0代表是否发生火灾；
步骤322：模型拟合；
使用sklearn库的train_test_split和LogisticRegression函数将数据集分割为训练集和测试集，测试集占数据集的20％；
逻辑回归模型基于线性回归，其形式为其中X是特征矩阵，β是模型的系数，e表示自然对数的底数；
利用逻辑回归模型对训练集进行拟合，得到线性预测方程；
步骤323：模型测试；
使用拟合好的模型对测试集进行预测，得到预测结果；
步骤324：模型评分；
使用score函数对模型进行评分，评估模型的准确性；使用sklearn库的classification_report函数计算模型的准确率、召回率和F1值；
步骤325：获取ROC曲线：
使用matplotlib库的pyplot模块绘制ROC曲线；
使用sklearn库的auc函数计算ROC曲线下的面积AUC值，AUC值越接近1，表示模型的预测准确率越高。
5.根据权利要求1所述的一种基于图像识别的实时在线火情分析历史数据库比对方法，其特征在于，步骤4包括以下子步骤：
步骤41：火灾实时监测数据的更新；
设置定时周期，周期性地获取实时的火灾监测数据；
将获取的数据传输到电脑端，进行数据处理和线性求值；
将处理后的数据实时存入预先设定好的大数据库，不断拓大数据库容量；
步骤42：拟合函数和线性预测方程的更新：
电脑周期性地对更新的数据集进行拟合；
将更新的数据按照是否发生火灾进行二值分类，将其作为目标值；
使用更新的数据集进行拟合，通过拟合算法得到新的拟合函数和线性预测方程；
不断利用实时的数据对拟合函数和线性预测方程进行更新和调整，提高其准确性和实用价值；
使用评估指标评估更新后的拟合模型的性能；
步骤43：重复步骤41和步骤42，定期进行数据和模型的更新。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310883656.1A CN116778428A (zh) | 2023-07-19 | 2023-07-19 | 基于图像识别的实时在线火情分析历史数据库比对方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310883656.1A CN116778428A (zh) | 2023-07-19 | 2023-07-19 | 基于图像识别的实时在线火情分析历史数据库比对方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116778428A true CN116778428A (zh) | 2023-09-19 |
Family
ID=87989610
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310883656.1A Pending CN116778428A (zh) | 2023-07-19 | 2023-07-19 | 基于图像识别的实时在线火情分析历史数据库比对方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116778428A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117518175A (zh) * | 2023-11-09 | 2024-02-06 | 大庆安瑞达科技开发有限公司 | 一种红外周扫雷达广域范围快速发现火源的方法 |
-
2023
- 2023-07-19 CN CN202310883656.1A patent/CN116778428A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117518175A (zh) * | 2023-11-09 | 2024-02-06 | 大庆安瑞达科技开发有限公司 | 一种红外周扫雷达广域范围快速发现火源的方法 |
| CN117518175B (zh) * | 2023-11-09 | 2024-05-31 | 大庆安瑞达科技开发有限公司 | 一种红外周扫雷达广域范围快速发现火源的方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110378869B (zh) | 一种样本自动标注的钢轨扣件异常检测方法 | |
| CN110738127A (zh) | 基于无监督深度学习神经网络算法的安全帽识别方法 | |
| US20170261264A1 (en) | Fault diagnosis device based on common information and special information of running video information for electric-arc furnace and method thereof | |
| CN111209434A (zh) | 一种基于多源异构数据融合的变电站设备巡检***及方法 | |
| CN111754498A (zh) | 一种基于YOLOv3的传送带托辊检测方法 | |
| CN116778428A (zh) | 基于图像识别的实时在线火情分析历史数据库比对方法 | |
| CN111860106B (zh) | 一种无监督的桥梁裂缝识别方法 | |
| CN111813618A (zh) | 数据异常检测方法、装置、设备及存储介质 | |
| CN117611015B (zh) | 一种建筑工程质量实时监测*** | |
| CN117237367A (zh) | 一种基于机器视觉的螺旋叶片厚度磨损检测方法及*** | |
| CN118015568B (zh) | 一种基于人工智能的行车风险检测方法及*** | |
| CN116386120A (zh) | 一种无感监控管理*** | |
| CN114529751B (zh) | 一种电力场景智能识别样本数据的自动筛选方法 | |
| CN110618129A (zh) | 一种电网线夹自动检测与缺陷识别方法及装置 | |
| CN114155186A (zh) | 基于无监督学习的缺陷检测***及方法 | |
| CN115106615B (zh) | 一种基于工况智能识别的焊偏实时检测方法及*** | |
| CN112232235A (zh) | 基于5g的智慧工厂远程监控方法及*** | |
| CN115830302A (zh) | 一种多尺度特征提取融合配电网设备定位识别方法 | |
| CN114283367B (zh) | 用于园区火灾预警的人工智能明火探测方法及*** | |
| CN115631154A (zh) | 一种电力设备状态监控分析方法与*** | |
| CN109190489A (zh) | 一种基于修复自动编码器残差的异常人脸检测方法 | |
| CN115187878A (zh) | 基于无人机图像分析的风力发电装置叶片缺陷检测方法 | |
| CN111079750B (zh) | 一种基于局部区域聚类的电力设备故障区域提取方法 | |
| Bi et al. | CASA-Net: a context-aware correlation convolutional network for scale-adaptive crack detection | |
| CN113989742A (zh) | 一种基于多尺度特征融合的核电站厂区行人检测方法 |
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 |