一种基于深度学习的山林防火监护方法与流程

1.本发明涉及深度学习技术领域，特别涉及一种基于深度学习的山林防火监护方法。


背景技术：

2.山林火灾突发性强，破坏性大，对生态环境与人类生命财产安全造成极大威胁。而山火往往发生在地势崎岖的山区，交通、通讯不便，给扑救带来了很大的困难。因此，森林火灾一直是全球性议题，森林火灾的防治与扑救也一直是世界性难题。
3.目前，防止山林火灾发生的方法，一般是采用标志提醒的方法，比如：在山林门口处设置禁止打火机等火源带入的提醒，又或者是进入进入该区域等提醒，又或者是，通过对山林采取摄像头的方式进行监测，由人为观察是否发生火灾。
4.上述方法在对于山林内部发生火灾时，无法及时提醒处理，导致火灾的蔓延以及扩大损害等情况的发生。
5.因此，本发明提出一种基于深度学习的山林防火监护方法。


技术实现要素：

6.本发明提供一种基于深度学习的山林防火监护方法，用以通过构建模型对采集的信息进行识别，来确定初始火苗，并通过与当下环境以及布局的结合，配置报警因子执行报警，可以有效的将不同的火苗情况进行有效反馈报警，提高对火灾的高效处理，避免火灾进一步扩大。
7.本发明提供一种基于深度学习的山林防火监护方法，包括：
8.步骤1：基于山林火灾数据训练集对深度学习模型进行训练，构建得到目标监护模型；
9.步骤2：采集监护区域的当前区域信息，并基于所述目标监护模型进行识别，确定所述监护区域中是否存在初始火苗；
10.步骤3：当存在时，调取所述监护区域的区域天气以及区域山林布局，预测所述初始火苗的火苗类型，同时，还对所述初始火苗的发生位置进行标记；
11.步骤4：基于火苗类型以及标记结果，向对应初始火苗配置报警因子，并生成报警指令执行相应的报警操作。
12.优选的，步骤1：基于山林火灾数据训练集对深度学习模型进行训练，构建得到目标监护模型，包括：
13.获取山林火灾数据训练集；
14.按照火灾苗头属性，对所述山林火灾数据训练集进行分类，得到若干火灾子集；
15.对每个火灾子集设置对应火灾苗头标签；
16.分别提取每个火灾子集中的每条火灾数据的数据特征，并构建得到对应火灾子集的特征向量；
17.向所述特征向量配置训练池，并将所述特征向量输入到所述训练池中进行训练，且向对应训练池匹配火灾苗头标签，实现对所述深度学习模型的训练，进而构建得到目标监护模型。
18.优选的，采集监护区域的当前区域信息，包括：
19.确定需要监测的区域，并视为监护区域；
20.根据向所述监护区域预先设置的采集装置，对所述监护区域进行图像采集；
21.将采集的所有图像视为当前区域信息。
22.优选的，基于所述目标监护模型进行识别，确定所述监护区域中是否存在初始火苗，包括：
23.按照与所述当前区域信息匹配的采集装置，确定每个采集单元的采集范围；
24.对所述采集范围进行范围边界拼接，当所述范围边界拼接满足拼接标准时，将所述采集装置包含的所有采集单元的采集图像进行拼接，得到第一图像；
25.基于所述目标监护模型，对所述第一图像进行监护识别；
26.当监护识别结果中存在监护可报警点时，对所述监护可报警点进行锁定，并对锁定的监护可报警点进行放大处理以及清晰度调整，并基于所述目标监护模型进行再次识别，确定出报警势头；
27.当所述报警势头与初始火苗有关时，视为确定报警点；
28.当所述范围边界拼接不满足拼接标准时，获取相邻拼接边界的边界差异信息，并对所述边界差异信息进行信息偏移分析，进而对相邻拼接边界进行位置要调整，并基于调整后的拼接边界进行图像拼接，得到第二图像；
29.基于所述目标监护模型对所述第二图像进行监护识别，确定是否存在初始火苗。
30.优选的，调取所述监护区域的区域天气以及区域山林布局，预测所述初始火苗的火苗类型，包括：
31.确定所述初始火苗的当下火苗属性，且所述当下火苗属性与火苗发生环境、火苗大小有关；
32.调取基于当下时刻的所述监护区域的区域天气以及区域山林布局，对所述初始火苗的火苗走向进行第一预测；
33.同时，获取所述初始火苗对应的当下区域环境的环境湿度以及助燃物件的辅助湿度，并对第一预测结果进行调整，得到火苗走向；
34.基于走向-类型数据库中，获取与所述火苗走向匹配的火苗类型。
35.优选的，对所述初始火苗的发生位置进行标记，包括：
36.对所述初始火苗的火苗图进行放大处理，并基于放大图像，框选得到火苗轮廓以及燃烧轮廓；
37.对所述火苗轮廓中的最低点与最远点进行连接，得到第一线，确定所述第一线基于预设坐标的第一位置，并按照所述第一位置反向构建所述初始火苗的燃烧扩展线；
38.将所述燃烧扩展线与燃烧轮廓进行交接处理，得到第一交点；
39.确定所述火苗轮廓中的横向最长直线，并获取所述横向最长直线与火苗轮廓的第二交点以及第三交点；
40.确定所述第一交点与第二交点的第一距离以及第一交点与第三交点的第二距离；
41.若所述第一距离与第二距离的差值距离在预设范围内，在所述第一交点进行标定；
42.若所述第一距离与第二距离的差值距离不在预设范围内，对所述第一距离对应的第一直线与第二距离对应的第二直线进行直线对等移动，并得到第四交点；
43.建立所述第一交点与第四交点的第三直线，并选取所述第三直线的中心点，并对所述中心点进行标定。
44.优选的，基于火苗类型以及标记结果，向对应初始火苗配置报警因子，包括：
45.基于类型数据库向所述火苗类型配置第一报警权重；
46.确定所述标记结果与所述初始火苗的顶尖的当下距离，并基于所述当下距离且由距离数据库向所述标记结果配置第二报警权重；
47.基于所述第一报警权重以及第二报警权重，从权重组合数据库中，匹配得到报警因子。
48.优选的，生成报警指令执行相应的报警操作，包括：
49.按照所述报警因子，生成报警指令；
50.将所述报警指令下发到监护端，并基于所述监护端执行相应报警操作。
51.与现有技术相比，本技术的有益效果如下：
52.通过构建模型对采集的信息进行识别，来确定初始火苗，并通过与当下环境以及布局的结合，配置报警因子执行报警，可以有效的将不同的火苗情况进行有效反馈报警，提高对火灾的高效处理，避免火灾进一步扩大。
53.本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
54.下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
55.附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
56.图1为本发明实施例中一种基于深度学习的山林防火监护方法的流程图；
57.图2为本发明实施例中未调节交点的图；
58.图3为本发明实施例中调节交点的图。
具体实施方式
59.以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
60.本发明提供一种基于深度学习的山林防火监护方法，如图1所示，包括：
61.步骤1：基于山林火灾数据训练集对深度学习模型进行训练，构建得到目标监护模型；
62.步骤2：采集监护区域的当前区域信息，并基于所述目标监护模型进行识别，确定所述监护区域中是否存在初始火苗；
63.步骤3：当存在时，调取所述监护区域的区域天气以及区域山林布局，预测所述初始火苗的火苗类型，同时，还对所述初始火苗的发生位置进行标记；
64.步骤4：基于火苗类型以及标记结果，向对应初始火苗配置报警因子，并生成报警指令执行相应的报警操作。
65.该实施例中，山林火灾数据训练集是包括各种火灾数据、火灾苗头、不同天气环境以及不同山林环境下的火灾走向以及火灾蔓延情况在内的。
66.该实施例中，当前区域信息主要是图像信息。
67.该实施例中，监护区域指的是需要保护的区域。
68.该实施例中，区域天气以及区域山林布局都是预先可以确定出来的。
69.该实施例中，火苗类型指的是火灾可能发生的局面，比如，火灾走势等。
70.该实施例中，标记结果是为了确定火苗的发生位置，进而便于配置报警因子，执行报警操作，也就是为了确定该火苗从发生到识别之后，已经蔓延的基本情况。
71.上述技术方案的有益效果是：通过构建模型对采集的信息进行识别，来确定初始火苗，并通过与当下环境以及布局的结合，配置报警因子执行报警，可以有效的将不同的火苗情况进行有效反馈报警，提高对火灾的高效处理，避免火灾进一步扩大。
72.本发明提供一种基于深度学习的山林防火监护方法，步骤1：基于山林火灾数据训练集对深度学习模型进行训练，构建得到目标监护模型，包括：
73.获取山林火灾数据训练集；
74.按照火灾苗头属性，对所述山林火灾数据训练集进行分类，得到若干火灾子集；
75.对每个火灾子集设置对应火灾苗头标签；
76.分别提取每个火灾子集中的每条火灾数据的数据特征，并构建得到对应火灾子集的特征向量；
77.向所述特征向量配置训练池，并将所述特征向量输入到所述训练池中进行训练，且向对应训练池匹配火灾苗头标签，实现对所述深度学习模型的训练，进而构建得到目标监护模型。
78.该实施例中，火灾苗头属性与火灾大小以及火灾本身的蔓延趋势以及火灾所处位置的位置环境有关。
79.该实施例中，比如，火灾子集为1、2、3，此时，分别向每个火灾子集设置标签，并分别提取每个火灾子集中的每条火灾数据的数据特征，来得到特征向量，分别向每个特征向量配置一个训练池，也就是存在3个训练池。
80.该实施例中，火灾苗头标签与属性有关。
81.上述技术方案的有益效果是：通过对训练集进行分类，并构建特征向量，进而与标签结合，训练得到模型，为后续识别提供基础。
82.本发明提供一种基于深度学习的山林防火监护方法，采集监护区域的当前区域信息，包括：
83.确定需要监测的区域，并视为监护区域；
84.根据向所述监护区域预先设置的采集装置，对所述监护区域进行图像采集；
85.将采集的所有图像视为当前区域信息。
86.上述技术方案的有益效果是：通过按照采集装置对该区域进行图像采集作为当前
区域信息，为后续确定初始火苗提供基础，间接提高对火灾的高效处理效率，避免火灾进一步扩大。
87.本发明提供一种基于深度学习的山林防火监护方法，基于所述目标监护模型进行识别，确定所述监护区域中是否存在初始火苗，包括：
88.按照与所述当前区域信息匹配的采集装置，确定每个采集单元的采集范围；
89.对所述采集范围进行范围边界拼接，当所述范围边界拼接满足拼接标准时，将所述采集装置包含的所有采集单元的采集图像进行拼接，得到第一图像；
90.基于所述目标监护模型，对所述第一图像进行监护识别；
91.当监护识别结果中存在监护可报警点时，对所述监护可报警点进行锁定，并对锁定的监护可报警点进行放大处理以及清晰度调整，并基于所述目标监护模型进行再次识别，确定出报警势头；
92.当所述报警势头与初始火苗有关时，视为确定报警点；
93.当所述范围边界拼接不满足拼接标准时，获取相邻拼接边界的边界差异信息，并对所述边界差异信息进行信息偏移分析，进而对相邻拼接边界进行位置要调整，并基于调整后的拼接边界进行图像拼接，得到第二图像；
94.基于所述目标监护模型对所述第二图像进行监护识别，确定是否存在初始火苗。
95.该实施例中，比如采集装置中存在3个采集单元，且每个采集单元对应的采集范围分别为范围1、范围2以及范围3，且分别确定每个采集范围的范围边界。
96.该实施例中，通过确定范围边界，可以有效的对采集的图像进行整体的拼接，进而得到识别图像。
97.该实施例中，由于不同采集单元对应的采集范围不同，会导致在拼接过程中存在，正好拼接、重叠拼接以及空余拼接三种情况，因子，需要与拼接标准进行比较，来确定是否可以按照当前采集的结果进行拼接，为后续监护识别提供基础。
98.该实施例中，监护可报警点指的是疑似火苗点，进而通过定位锁定以及放大清晰度调整处理，来对该部分图像进行再次识别，确定报警势头，也就是报警可能性，苗条越凶猛，对应的报警可能性越大，也火苗越相关，越是可以确定为报警点。
99.该实施例中，边界差异信息指的是边界重叠或者边界空闲等情况。
100.该实施例中，偏移分析指的是位置上的偏移，便于实现图像拼接。
101.上述技术方案的有益效果是：通过确定采集单元的采集范围，进而进行范围拼接实现对图像的整张获取，且通过对图像监护识别，便于实现对是否存在初始火苗的判断，为后续报警提供有效基础。
102.本发明提供一种基于深度学习的山林防火监护方法，调取所述监护区域的区域天气以及区域山林布局，预测所述初始火苗的火苗类型，包括：
103.确定所述初始火苗的当下火苗属性，且所述当下火苗属性与火苗发生环境、火苗大小有关；
104.调取基于当下时刻的所述监护区域的区域天气以及区域山林布局，对所述初始火苗的火苗走向进行第一预测；
105.同时，获取所述初始火苗对应的当下区域环境的环境湿度以及助燃物件的辅助湿度，并对第一预测结果进行调整，得到火苗走向；
106.基于走向-类型数据库中，获取与所述火苗走向匹配的火苗类型。
107.该实施例中，第一预测指的是基于天气因素以及山林布局两方面，实现对火苗的走向的一个预测，进而根据不同情况下的湿度对火苗的走向进行一个调整，得到最终走向。
108.该实施例中，走向-类型数据库中包括不同的火苗走向以及与火苗走向匹配的火苗类型在内。
109.上述技术方案的有益效果是：通过基于天气以及布局对走向进行预测，且通过按照环境湿度以及辅助湿度对走向进行调整，保证预测的准确定性，便于从数据库中，匹配到合理的火苗类型，为后续报警提供有效基础。
110.本发明提供一种基于深度学习的山林防火监护方法，对所述初始火苗的发生位置进行标记，包括：
111.对所述初始火苗的火苗图进行放大处理，并基于放大图像，框选得到火苗轮廓以及燃烧轮廓；
112.对所述火苗轮廓中的最低点与最远点进行连接，得到第一线，确定所述第一线基于预设坐标的第一位置，并按照所述第一位置反向构建所述初始火苗的燃烧扩展线；
113.将所述燃烧扩展线与燃烧轮廓进行交接处理，得到第一交点；
114.确定所述火苗轮廓中的横向最长直线，并获取所述横向最长直线与火苗轮廓的第二交点以及第三交点；
115.确定所述第一交点与第二交点的第一距离以及第一交点与第三交点的第二距离；
116.若所述第一距离与第二距离的差值距离在预设范围内，在所述第一交点进行标定；
117.若所述第一距离与第二距离的差值距离不在预设范围内，对所述第一距离对应的第一直线与第二距离对应的第二直线进行直线对等移动，并得到第四交点；
118.建立所述第一交点与第四交点的第三直线，并选取所述第三直线的中心点，并对所述中心点进行标定。
119.该实施例中，如图2所示，第一线为1，燃烧扩展线为2，燃烧轮廓为3，第一交点为01，横向最长直线为4，第二交点为02，第三交点为03，第一直线为k1,第二直线为k2。
120.该实施例中，如图3所示，不在预设范围内时，直线对等移动指的是移动后的第一直线与第二直线最后趋于相等，第四交点为04，且移动后的直线为k3和k4，第三直线为k5，中心点05。
121.上述技术方案的有益效果是：通过确定火苗轮廓的第一线以及反向构建燃烧扩展线，便于得到第一交点，且通过第二交点与第三交点的获取，便于实现后续对距离的判断，进而确定是否将第一交点作为标定点，为后续配置报警因子提供有效基础，保证报警的可靠性。
122.本发明提供一种基于深度学习的山林防火监护方法，基于火苗类型以及标记结果，向对应初始火苗配置报警因子，包括：
123.基于类型数据库向所述火苗类型配置第一报警权重；
124.确定所述标记结果与所述初始火苗的顶尖的当下距离，并基于所述当下距离且由距离数据库向所述标记结果配置第二报警权重；
125.基于所述第一报警权重以及第二报警权重，从权重组合数据库中，匹配得到报警
因子。
126.该实施例中，类型数据库是包括不同的火苗类型以及与火苗类型一致的权重在内的，且初始火苗会存在火苗轮廓，也就是该轮廓的最顶端处视为顶尖，且获取该顶尖与标记结果的距离。
127.该实施例中，距离数据库是包括不同的距离以及与距离匹配的权重在内的。
128.该实施例中，权重组合数据库包括：与第一权重以及第二权重构成的组合以及与该组合匹配的报警因子在内的。
129.且报警因子，主要也就是按照报警权重确定的，也就是火苗类型以及初始蔓延情况等。
130.上述技术方案的有益效果是：通过从不同的数据库中配置火苗类型的报警权重以及当下距离的报警权重，进而从权重组合数据库中匹配得到报警因子，为后续报警提供有效基础。
131.本发明提供一种基于深度学习的山林防火监护方法，生成报警指令执行相应的报警操作，包括：
132.按照所述报警因子，生成报警指令；
133.将所述报警指令下发到监护端，并基于所述监护端执行相应报警操作。
134.该实施例中，报警因子比如是火灾蔓延趋势过大、走向会越发危险，此时，对应的报警指令为一级指令，进而基于报警器进行报警。
135.该实施例中，报警操作比如：声音、光、震动等一种或多种的组合操作。
136.上述技术方案的有益效果是：通过按照报警因子生成的报警指令进行报警，便于起到及时提醒的作用。
137.显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

技术特征：
1.一种基于深度学习的山林防火监护方法，其特征在于，包括：步骤1：基于山林火灾数据训练集对深度学习模型进行训练，构建得到目标监护模型；步骤2：采集监护区域的当前区域信息，并基于所述目标监护模型进行识别，确定所述监护区域中是否存在初始火苗；步骤3：当存在时，调取所述监护区域的区域天气以及区域山林布局，预测所述初始火苗的火苗类型，同时，还对所述初始火苗的发生位置进行标记；步骤4：基于火苗类型以及标记结果，向对应初始火苗配置报警因子，并生成报警指令执行相应的报警操作。2.如权利要求1所述的基于深度学习的山林防火监护方法，其特征在于，步骤1：基于山林火灾数据训练集对深度学习模型进行训练，构建得到目标监护模型，包括：获取山林火灾数据训练集；按照火灾苗头属性，对所述山林火灾数据训练集进行分类，得到若干火灾子集；对每个火灾子集设置对应火灾苗头标签；分别提取每个火灾子集中的每条火灾数据的数据特征，并构建得到对应火灾子集的特征向量；向所述特征向量配置训练池，并将所述特征向量输入到所述训练池中进行训练，且向对应训练池匹配火灾苗头标签，实现对所述深度学习模型的训练，进而构建得到目标监护模型。3.如权利要求1所述的基于深度学习的山林防火监护方法，其特征在于，采集监护区域的当前区域信息，包括：确定需要监测的区域，并视为监护区域；根据向所述监护区域预先设置的采集装置，对所述监护区域进行图像采集；将采集的所有图像视为当前区域信息。4.如权利要求1所述的基于深度学习的山林防火监护方法，其特征在于，基于所述目标监护模型进行识别，确定所述监护区域中是否存在初始火苗，包括：按照与所述当前区域信息匹配的采集装置，确定每个采集单元的采集范围；对所述采集范围进行范围边界拼接，当所述范围边界拼接满足拼接标准时，将所述采集装置包含的所有采集单元的采集图像进行拼接，得到第一图像；基于所述目标监护模型，对所述第一图像进行监护识别；当监护识别结果中存在监护可报警点时，对所述监护可报警点进行锁定，并对锁定的监护可报警点进行放大处理以及清晰度调整，并基于所述目标监护模型进行再次识别，确定出报警势头；当所述报警势头与初始火苗有关时，视为确定报警点；当所述范围边界拼接不满足拼接标准时，获取相邻拼接边界的边界差异信息，并对所述边界差异信息进行信息偏移分析，进而对相邻拼接边界进行位置要调整，并基于调整后的拼接边界进行图像拼接，得到第二图像；基于所述目标监护模型对所述第二图像进行监护识别，确定是否存在初始火苗。5.如权利要求1所述的基于深度学习的山林防火监护方法，其特征在于，调取所述监护区域的区域天气以及区域山林布局，预测所述初始火苗的火苗类型，包括：
确定所述初始火苗的当下火苗属性，且所述当下火苗属性与火苗发生环境、火苗大小有关；调取基于当下时刻的所述监护区域的区域天气以及区域山林布局，对所述初始火苗的火苗走向进行第一预测；同时，获取所述初始火苗对应的当下区域环境的环境湿度以及助燃物件的辅助湿度，并对第一预测结果进行调整，得到火苗走向；基于走向-类型数据库中，获取与所述火苗走向匹配的火苗类型。6.如权利要求1所述的基于深度学习的山林防火监护方法，其特征在于，对所述初始火苗的发生位置进行标记，包括：对所述初始火苗的火苗图进行放大处理，并基于放大图像，框选得到火苗轮廓以及燃烧轮廓；对所述火苗轮廓中的最低点与最远点进行连接，得到第一线，确定所述第一线基于预设坐标的第一位置，并按照所述第一位置反向构建所述初始火苗的燃烧扩展线；将所述燃烧扩展线与燃烧轮廓进行交接处理，得到第一交点；确定所述火苗轮廓中的横向最长直线，并获取所述横向最长直线与火苗轮廓的第二交点以及第三交点；确定所述第一交点与第二交点的第一距离以及第一交点与第三交点的第二距离；若所述第一距离与第二距离的差值距离在预设范围内，在所述第一交点进行标定；若所述第一距离与第二距离的差值距离不在预设范围内，对所述第一距离对应的第一直线与第二距离对应的第二直线进行直线对等移动，并得到第四交点；建立所述第一交点与第四交点的第三直线，并选取所述第三直线的中心点，并对所述中心点进行标定。7.如权利要求1所述的基于深度学习的山林防火监护方法，其特征在于，基于火苗类型以及标记结果，向对应初始火苗配置报警因子，包括：基于类型数据库向所述火苗类型配置第一报警权重；确定所述标记结果与所述初始火苗的顶尖的当下距离，并基于所述当下距离且由距离数据库向所述标记结果配置第二报警权重；基于所述第一报警权重以及第二报警权重，从权重组合数据库中，匹配得到报警因子。8.如权利要求7所述的基于深度学习的山林防火监护方法，其特征在于，生成报警指令执行相应的报警操作，包括：按照所述报警因子，生成报警指令；将所述报警指令下发到监护端，并基于所述监护端执行相应报警操作。

技术总结
本发明提供了一种基于深度学习的山林防火监护方法，包括：基于山林火灾数据训练集对深度学习模型进行训练，构建得到目标监护模型；采集监护区域的当前区域信息，并基于目标监护模型进行识别，确定监护区域中是否存在初始火苗；当存在时，调取监护区域的区域天气以及区域山林布局，预测初始火苗的火苗类型，同时，还对初始火苗的发生位置进行标记；基于火苗类型以及标记结果，向对应初始火苗配置报警因子，并生成报警指令执行相应的报警操作。通过构建模型对采集的信息进行识别，来确定初始火苗，通过与当下环境以及布局的结合，配置报警因子执行报警，可以有效的将不同的火苗情况进行有效反馈报警，提高对火灾的高效处理，避免火灾进一步扩大。免火灾进一步扩大。免火灾进一步扩大。


技术研发人员：兰雨晴 余丹 乔孟阳 邢智涣 王丹星
受保护的技术使用者：慧之安信息技术股份有限公司
技术研发日：2022.11.29
技术公布日：2023/10/8