本發(fā)明涉及森林防火，具體涉及一種基于人工智能的森林防火檢測方法。

背景技術(shù)：

1、隨著全球氣候變化和人為活動的增加，森林火災的發(fā)生頻率和危害程度逐年上升。傳統(tǒng)的森林防火檢測方法主要依賴于人工巡邏和地面監(jiān)測站，這些方法存在監(jiān)測范圍有限和反應速度慢等缺點。因此，開發(fā)一種能夠?qū)崟r監(jiān)測森林火災的智能化方法顯得尤為重要。

技術(shù)實現(xiàn)思路

1、本發(fā)明為了解決以上問題，提出了一種基于人工智能的森林防火檢測方法。

2、本發(fā)明的技術(shù)方案是：一種基于人工智能的森林防火檢測方法包括以下步驟：

3、s1、對森林區(qū)域的初始探測圖像進行像素點集合提取，分別得到頭部像素點和伴隨像素點集合；

4、s2、通過頭部像素點的像素值以及伴隨像素點集合中像素點的像素值，得到初始探測圖像的穩(wěn)定抑制系數(shù)；

5、s3、為初始探測圖像構(gòu)建全局抑制處理模型；

6、s4、根據(jù)初始探測圖像的穩(wěn)定抑制系數(shù)，利用全局抑制處理模型對初始探測圖像進行處理，得到森林防火檢測結(jié)果。

7、進一步地，s1包括以下子步驟：

8、s11、通過圖像傳感器采集森林區(qū)域的初始探測圖像，確定初始探測圖像的頭部像素點；

9、s12、在初始探測圖像中確定頭部像素點的伴隨像素點集合。

10、上述進一步方案的有益效果是：在本發(fā)明中，初始探測圖像中含有大量像素質(zhì)量不高的像素點，易對圖像處理造成干擾，所以在將初始探測圖像輸入至全局抑制處理模型前，先對質(zhì)量不高的像素點進行篩選，利用篩選得到的伴隨像素點集合得到穩(wěn)定抑制系數(shù)，作為初始探測圖像的特征值，有利于后續(xù)全局抑制處理模型有針對性地完成圖像處理。

11、進一步地，s11中，將最大像素值的像素點作為頭部像素點。

12、進一步地，s12中，頭部像素點的伴隨像素點集合的計算公式為：

13、；

14、式中，表示伴隨像素點集合中第個像素點的像素值，表示初始探測圖像的頭部像素點的像素值，表示指數(shù)。

15、進一步地，s2中，初始探測圖像的穩(wěn)定抑制系數(shù)的計算公式為：

16、；

17、式中，表示伴隨像素點集合中第1個像素點的像素值，表示伴隨像素點集合中第個像素點的像素值，表示伴隨像素點集合中第個像素點的像素值，表示初始探測圖像的頭部像素點的像素值，表示伴隨像素點集合的像素點數(shù)量，表示最大值運算，表示最小值運算。

18、進一步地，s3中，全局抑制處理模型包括第一卷積層、第二卷積層、縮放層、加法器和特征增強層；

19、第一卷積層的輸入端作為全局抑制處理模型的第一輸入端；第一卷積層的輸出端和縮放層的輸入端連接；縮放層的輸出端和加法器的第一輸入端連接；第二卷積層的輸入端作為全局抑制處理模型的第二輸入端；第二卷積層的第一輸出端和加法器的第二輸入端連接；第二卷積層的第二輸出端和特征增強層的第一輸入端連接；加法器的輸出端和特征增強層的第二輸入端連接；特征增強層的輸出端作為全局抑制處理模型的輸出端。

20、上述進一步方案的有益效果是：在本發(fā)明中，第一卷積層用于對初始探測圖像進行特征提取，得到每個像素點的特征映射，每個特征映射可以作為該像素點的圖像特征，并利用縮放層對特征映射進行縮放處理。第二卷積層用于提取初始探測圖像中各個像素點的sobel算子，sobel算子可用于邊緣檢測，盡可能減少加法器的輸入中邊緣像素點的影響。加法器用于對兩個卷積層提取的特征進行融合，輸入至特征增強層中進行像素增強。特征增強層用于對兩個卷積層的特征進行訓練，確定初始探測圖像中是否存在異?；馂膮^(qū)域。

21、進一步地，縮放層的表達式為：

22、；

23、式中，表示縮放層的輸出，表示初始探測圖像的穩(wěn)定抑制系數(shù)，表示對數(shù)函數(shù)，表示第一卷積層的第一個輸出，表示第一卷積層的第個輸出，表示第一卷積層的第個輸出，表示向上取整。

24、進一步地，加法器的表達式為：

25、；

26、式中，表示加法器的輸出，表示縮放層的輸出，表示最大值運算，表示向上取整，表示第二卷積層的第一個輸出，表示第二卷積層的第個輸出，表示第二卷積層的第個輸出。

27、在加法器的表達式中，第二卷積層的第一輸出端和第二輸出端均輸出相同的內(nèi)容。第二卷積層中包含了多個卷積核，每一個卷積核對應一個輸出。

28、進一步地，特征增強層的表達式為：

29、；

30、式中，表示特征增強層的輸出，表示加法器的輸出，表示向上取整運算，表示第二卷積層的第一個輸出，表示第二卷積層的第個輸出，表示第二卷積層的第個輸出，表示第二卷積層的第一個輸出的權(quán)重，表示第二卷積層的第個輸出的權(quán)重，表示第二卷積層的第k個輸出的權(quán)重，表示激活函數(shù)。

31、第二卷積層中某個輸出的權(quán)重為該輸出與總輸出之和的比值。

32、本發(fā)明的有益效果是：本發(fā)明提出了一種基于人工智能的森林防火檢測方法，在將森林區(qū)域的初始探測圖像輸入至全局抑制處理模型前，提取初始探測圖像的伴隨像素點集合，得到表征較重要像素點情況的穩(wěn)定抑制系數(shù)；將穩(wěn)定抑制系數(shù)作為全局抑制處理模型的輸入?yún)?shù)之一，可以使得該模型有針對性地對初始探測圖像展開處理，從而確定初始探測圖像中是否存在火災區(qū)域，為火災預警和撲救提供及時準確的信息支持。

技術(shù)特征：

1.一種基于人工智能的森林防火檢測方法，其特征在于，包括以下步驟：

2.根據(jù)權(quán)利要求1所述的基于人工智能的森林防火檢測方法，其特征在于，所述s1包括以下子步驟：

3.根據(jù)權(quán)利要求2所述的基于人工智能的森林防火檢測方法，其特征在于，所述s11中，將最大像素值的像素點作為頭部像素點。

4.根據(jù)權(quán)利要求2所述的基于人工智能的森林防火檢測方法，其特征在于，所述s12中，頭部像素點的伴隨像素點集合的計算公式為：

5.根據(jù)權(quán)利要求1所述的基于人工智能的森林防火檢測方法，其特征在于，所述s2中，初始探測圖像的穩(wěn)定抑制系數(shù)的計算公式為：

6.根據(jù)權(quán)利要求1所述的基于人工智能的森林防火檢測方法，其特征在于，所述s3中，全局抑制處理模型包括第一卷積層、第二卷積層、縮放層、加法器和特征增強層；

7.根據(jù)權(quán)利要求6所述的基于人工智能的森林防火檢測方法，其特征在于，所述縮放層的表達式為：

8.根據(jù)權(quán)利要求6所述的基于人工智能的森林防火檢測方法，其特征在于，所述加法器的表達式為：

9.根據(jù)權(quán)利要求6所述的基于人工智能的森林防火檢測方法，其特征在于，所述特征增強層的表達式為：

技術(shù)總結(jié)
本發(fā)明公開了一種基于人工智能的森林防火檢測方法，涉及森林防火技術(shù)領域，包括以下步驟：S1、對森林區(qū)域的初始探測圖像進行像素點集合提取，分別得到頭部像素點和伴隨像素點集合；S2、得到初始探測圖像的穩(wěn)定抑制系數(shù)；S3、為初始探測圖像構(gòu)建全局抑制處理模型；S4、根據(jù)初始探測圖像的穩(wěn)定抑制系數(shù)，利用全局抑制處理模型對初始探測圖像進行處理，得到森林防火檢測結(jié)果。本發(fā)明可以確定初始探測圖像中是否存在火災區(qū)域，為火災預警和撲救提供及時準確的信息支持。

技術(shù)研發(fā)人員：陳宗杰,張琬琳,劉明鑫,王強,何先定,王思源
受保護的技術(shù)使用者：成都航空職業(yè)技術(shù)學院
技術(shù)研發(fā)日：
技術(shù)公布日：2024/12/19