基于氧含量数据的火势识别预测方法和系统与流程

1.本技术涉及火势趋势预测领域，具体涉及一种基于氧含量数据的火势识别预测方法和系统。


背景技术：

2.现有的森林防火摄像机发现火情后，可以结合事发地点的地表植被情况、海拔、温度、湿度、风向等要素，预测火势蔓延方向和趋势；有研究表明，当氧含量达到19%时即可维持火势正常燃烧，在燃烧过程中会不断消耗氧气，导致氧含量急剧降低，当氧含量降至12%后，火势将变小直至灭掉，火势向氧含量更高的区域蔓延；另一方面，高浓度的氧含量会增加燃烧的速度和热量，加速火势的蔓延；对现有未考虑火场区的氧含量的预测方法，可能因氧含量的直接导致火势趋势预测不准，即预测方向不准，预测火势到达速度不准。


技术实现要素：

3.本技术提供一种基于氧含量数据的火势识别预测方法和系统，解决现有技术中提及的问题。
4.第一方面，本技术提供一种基于氧含量数据的火势识别预测方法，包括：获取关于烟雾的采集图像数据；获取全局坐标下的氧含量采集数据；计算所述采集图像数据的全局坐标；图像识别输出带选框的烟雾图形数据，处理选框在时差的偏移量，计算火势初速度，计算火势趋势路径；依据所述氧含量采集数据，计算火势趋势路径上的各个点速度；分析处理结果，获取到火势趋势随时间变化的移动路径。
5.进一步的，所述获取关于烟雾的采集图像数据，包括：获取至少两个摄像机的关于烟雾的采集图像数据，包括每个摄像机多帧采集图像数据；获取每两个摄像机的观测角度数据、间距数据，计算摄像机全局坐标，计算摄像机采集图像数据的全局坐标。
6.进一步的，所述图像识别输出带选框的烟雾图形数据，处理选框在时差的偏移量，计算火势初速度，计算火势趋势路径，包括：选定火势初始位置的烟雾选框，通过每个摄像机采集的选框在时差的偏移量和全局坐标，合成多个摄像机采集到的同一选框的空间偏移量与时差比值作为火势初速度向量。
7.进一步的，所述图像识别输出带选框的烟雾图形数据，处理选框在时差的偏移量，计算火势初速度，计算火势趋势路径，包括：
对至少两个摄像机的识别结果中所述带选框的烟雾图形数据，处理为三维空间下的烟雾扩散图形，再向地面投影为烟雾在二维平面的带选框阴影图形，计算所述带选框阴影图形的中心线合成路径，作为火势趋向路径。
8.进一步的，所述获取全局坐标下的氧含量采集数据，包括：获取多个氧含量测试模块的位置数据和采集数据，计算以单个氧含量测试模块为参照物的所有氧含量测试模块的局部坐标位置数据，并生成局域氧含量变化热图；将参照物切换为以摄影机的全局坐标为基础，获取所述局域氧含量变化热图的全局坐标。
9.进一步的，所述依据所述氧含量采集数据，计算火势趋势路径上的各个点速度，包括：对所述局域氧含量变化热图、所述在二维平面的带选框阴影图形的处理步骤如下：适应所述阴影图形的选框大小调整所述局域氧含量变化热图的区间块大小；将火势趋势路径上各个路径点相应的选框与调整后的局域氧含量变化热图，基于全局坐标进行归一化拟合；拟合后对离散的选框间填充氧含量数据，生成带有氧含量连续变化数值的火势趋势路径；对火势趋势路径在各个连续路径点的切线作为火势在所述路径点的实时速度向量，依据所述切线穿过的两个相邻的所述局域氧含量变化热图区间块上氧含量变化量，计算对应火势至所述区间块燃烧速度变化，计算两个相邻的所述区间块的燃烧速度期望，作为所述切线的实时速度向量的模 。
10.优选的，所述分析处理结果，获取到火势趋势随时间变化的移动路径，包括：依据计算到的火势趋势路径上的各个点速度，依据计算到的火势初速度；采用逐次逼近法，求得连续火势趋势路径上的连续速度的方向和大小；获取火势趋势随时间变化的移动路径。
11.第二方面，本技术提供一种基于氧含量数据的火势识别预测系统，包括：第一获取模块，用于获取关于烟雾的采集图像数据；第二获取模块，用于获取全局坐标下的氧含量采集数据；第一计算模块，用于计算所述采集图像数据的全局坐标；处理模块，包括神经网络识别模型，神经网络识别模型图像识别输出带选框的烟雾图形数据，处理模块用于处理选框在时差的偏移量，计算火势初速度，计算火势趋势路径；第二计算模块，用于依据所述氧含量采集数据，计算火势趋势路径上的各个点速度；分析模块，用于分析处理结果，获取到火势趋势随时间变化的移动路径。
12.进一步的，所述第二获取模块包括第二采集模块和第二预处理模块；所述第二采集模块为间隔设置的氧含量测试模块；所述第二采集模块基于设置位置的海拔高度设置有权重系数，每个第二采集模块采集到的氧含量数据乘以所述第二采集模块对应的权重系数，适用于以第二采集模块为中
心的区间块；其中，权重系数与所处海拔高度呈线性相关，即d=ah+b，其中，a小于0，b大于0，h为高度，d为权重系数。
13.进一步的，所述第一获取模块，具体用于获取至少两个摄像机的关于烟雾的采集图像数据，包括每个摄像机多帧采集图像数据；获取每两个摄像机的观测角度数据、间距数据，计算摄像机全局坐标，计算摄像机采集图像数据的全局坐标。
14.进一步的，所述处理模块，具体用于选定火势初始位置的烟雾选框，通过每个摄像机采集的选框在时差的偏移量和全局坐标，合成多个摄像机采集到的同一选框的空间偏移量与时差比值作为火势初速度向量。
15.进一步的，所述处理模块，还具体用于对至少两个摄像机的识别结果中所述带选框的烟雾图形数据，处理为三维空间下的烟雾扩散图形，再向地面投影为烟雾在二维平面的带选框阴影图形，计算所述带选框阴影图形的中心线合成路径，作为火势趋向路径。
16.进一步的，所述第二采集模块中的第二预处理模块，具体用于获取多个氧含量测试模块的位置数据和采集数据，计算以单个氧含量测试模块为参照物的所有氧含量测试模块的局部坐标位置数据，并生成局域氧含量变化热图；将参照物切换为以摄影机的全局坐标为基础，获取所述局域氧含量变化热图的全局坐标。
17.进一步的，所述第二计算模块，具体用于对所述局域氧含量变化热图、所述在二维平面的带选框阴影图形的处理步骤如下：适应所述阴影图形的选框大小调整所述局域氧含量变化热图的区间块大小；将火势趋势路径上各个路径点相应的选框与调整后的局域氧含量变化热图，基于全局坐标进行归一化拟合；拟合后对离散的选框间填充氧含量数据，生成带有氧含量连续变化数值的火势趋势路径；对火势趋势路径在各个连续路径点的切线作为火势在所述路径点的实时速度向量，依据所述切线穿过的两个相邻的所述局域氧含量变化热图区间块上氧含量变化量，计算对应火势至所述区间块燃烧速度变化，计算两个相邻的所述区间块的燃烧速度期望，作为所述切线的实时速度向量的模。
18.进一步的，所述分析模块，具体用于依据计算到的火势趋势路径上的各个点速度，依据计算到的火势初速度；采用逐次逼近法，求得连续火势趋势路径上的连续速度的方向和大小；获取火势趋势随时间变化的移动路径。
19.本技术提出结合氧含量变化情况、分布、火势图像识别，分析火势趋势，能提高对火灾趋势的分析，合理规避，实时引导，预测火势蔓延方向、速度和趋势，可以协助救援工作更快速有效完成。
附图说明
20.此处所说明的附图用来提供对本技术实施例的进一步理解，构成本技术的一部分，并不构成对本技术实施例的限定。在附图中：
图1为本技术一示例性实施例提供的一种基于氧含量数据的火势识别预测方法中关于烟雾的采集图像数据示意图。
21.图2为本技术一示例性实施例提供的一种基于氧含量数据的火势识别预测方法中区间块的局域氧含量变化热图。
22.图3为本技术一示例性实施例提供的一种基于氧含量数据的火势识别预测方法中火势趋势随时间变化的移动路径图。
23.图4为本技术一示例性实施例提供的一种基于氧含量数据的火势识别预测方法中热图和带选框阴影图形的合成处理示意图。
24.图5为本技术一示例性实施例提供的一种基于氧含量数据的火势识别预测方法s1流程图。
25.图6为本技术一示例性实施例提供的一种基于氧含量数据的火势识别预测方法s2流程图。
26.图7为本技术一示例性实施例提供的一种基于氧含量数据的火势识别预测方法s3流程图。
27.图8为本技术一示例性实施例提供的一种基于氧含量数据的火势识别预测方法s4流程图。
28.图9为本技术一示例性实施例提供的一种基于氧含量数据的火势识别预测方法s5流程图。
具体实施方式
29.这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本技术相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本技术的一些方面相一致的系统和方法的例子。
30.现有的森林防火摄像机发现火情后，可以结合事发地点的地表植被情况、海拔、温度、湿度、风向等要素，预测火势蔓延方向和趋势；从多方研究表明，氧含量影响到达的火势的蔓延速度；而由于蔓延速度的关系导致，可能的预防措施失效，预防位置失效，对火灾灾情的辅助作用变弱；因此本技术考虑将该技术结合至摄像机、对图像识别过程中，采集数据结合氧含量数据预测整体火势趋势，可以协助救援工作更快速有效完成。
31.本技术的技术应用场景针对摄像机在二维平面的平视，对平原、森林或盆地区域的火势进行预测开展，适用于摄像机可观测视距范围和观测视野好的场景。
32.本技术将摄像机采集的图像数据，输入神经网络算法模型进行识别，对多个摄像机采集的图像数据，配合距离传感器，生成至少两个二维平面采集图像的传感器采集数据，即摄像机，综合而成关于烟雾的三维立体场景模型；而烟雾的趋向表征了风力影响，火势受风力影响大，自然对火势的预测路径进行计算，由于可燃物均为基于地面向上延展的可燃物，因而计算火势在俯视平面的路径走向，即，火势的路径规划方案，又因氧气含量导致火势在该路径下不同路径点的位移变化梯度不同，即因氧气含量在各处产生的火势燃烧速度不同，计算预测以摄像机采集图像和氧含
量复合的火势趋向。
33.其中，本技术中提及的神经网络算法，可采用多种能够实现本技术中效果的神经网络算法识别模型，可以是采用包括但不限于基于深度学习的回归方法，基于深度学习的回归方法包括但不限于yolo系列算法，本技术的发明点不在该模型和识别操作，因此此处不做赘述。
34.本技术提供的一种基于氧含量数据的火势识别预测方法和系统，旨在解决现有技术的如上技术问题。
35.下面以具体地实施例对本技术的技术方案以及本技术的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本技术的实施例进行描述。
36.本技术提供一张可能的实现方式，图5为本技术一示例性实施例提供的一种基于氧含量数据的火势识别预测方法s1流程图。
37.如图5所示，本技术提供一种基于氧含量数据的火势识别预测方法，包括：s1、获取关于烟雾的采集图像数据；s11、图1为本技术一示例性实施例提供的一种基于氧含量数据的火势识别预测方法中关于烟雾的采集图像数据示意图，如图1所示，目视摄像机a、目视摄像机b、目视摄像机c，为至少两个摄像机的对烟雾采集的不同布局方式，从图中可以看出，布局不同导致观测角度和间距距离不同，获取至少两个摄像机的关于烟雾的采集图像数据，包括每个摄像机多帧采集图像数据；s12、计算摄像机全局坐标，s13、获取每两个摄像机的观测角度数据、间距数据，s14、计算摄像机采集图像数据的全局坐标，图6为本技术一示例性实施例提供的一种基于氧含量数据的火势识别预测方法s2流程图。如图6所示，s2、获取全局坐标下的氧含量采集数据；s21、获取多个氧含量测试模块的位置数据和采集数据，s22、计算以单个氧含量测试模块为参照物的所有氧含量测试模块的局部坐标位置数据，s23、图2为本技术一示例性实施例提供的一种基于氧含量数据的火势识别预测方法中区间块的局域氧含量变化热图，如图2所示，该图为局部的热图，有研究表明，当氧含量达到19%时即可维持火势正常燃烧，在燃烧过程中会不断消耗氧气，导致氧含量急剧降低，当氧含量降至12%后，火势将变小直至灭掉，火势向氧含量更高的区域蔓延；另一方面，高浓度的氧含量会增加燃烧的速度和热量，加速火势的蔓延，图中数字26、数字17表示，栅格处的氧含量的比例，生成局域氧含量变化热图；s24、将参照物切换为以摄影机的全局坐标为基础，获取该局域氧含量变化热图的全局坐标；图7为本技术一示例性实施例提供的一种基于氧含量数据的火势识别预测方法s3流程图。如图 7所示，s3、图像识别输出带选框的烟雾图形数据，处理选框在时差的偏移量，计算火势初速度，计算火势趋势路径；s31、选定火势初始位置的烟雾选框，
s32、通过每个摄像机采集的选框在时差的偏移量和全局坐标，合成多个摄像机采集到的同一选框的空间偏移量与时差比值作为火势初速度向量；s33、对至少两个摄像机的识别结果中该带选框的烟雾图形数据，处理为三维空间下的烟雾扩散图形，s34、从图4中，为向地面俯视的坐标系搭建，并确定各个位置的全局坐标，向地面投影为烟雾在二维平面的带选框阴影图形，s35、计算该带选框阴影图形的中心线合成路径，作为火势趋向路径；图8为本技术一示例性实施例提供的一种基于氧含量数据的火势识别预测方法s4流程图。
38.如图8所示，s4、依据该氧含量采集数据，计算火势趋势路径上的各个点速度；图4为本技术一示例性实施例提供的一种基于氧含量数据的火势识别预测方法中热图和带选框阴影图形的合成处理示意图，如图4和图4所示，图中速度v1、速度v2、速度v3、速度v4分别为切线方向，依据步骤s24、s35的计算结果，对该局域氧含量变化热图、该在二维平面的带选框阴影图形的处理步骤如下：s41、适应该阴影图形的选框大小调整该局域氧含量变化热图的区间块大小；s42、将火势趋势路径上各个路径点相应的选框与调整后的局域氧含量变化热图，s43、基于全局坐标进行归一化拟合；s44、拟合后对离散的选框间填充氧含量数据，s45、生成带有氧含量连续变化数值的火势趋势路径；s46、在图4中，合成图中，速度v3穿过两个栅格的氧气含量分贝是19和17，对火势趋势路径在各个连续路径点的切线作为火势在该路径点的实时速度向量，依据该切线穿过的两个相邻的该局域氧含量变化热图区间块上氧含量变化量，计算对应火势至该区间块燃烧速度变化，计算两个相邻的该区间块的燃烧速度期望，在图4中，示例性为18，同时氧含量18%时候，燃烧速率作为该切线的实时速度向量的模。
39.s5、分析处理结果，获取到火势趋势随时间变化的移动路径；图9为本技术一示例性实施例提供的一种基于氧含量数据的火势识别预测方法s5流程图。如图9所示，s51、图3为本技术一示例性实施例提供的一种基于氧含量数据的火势识别预测方法中火势趋势随时间变化的移动路径图，如图3所示，依据s46计算到的火势趋势路径上的各个点速度，依据s32计算到的火势初速度，图3中的曲线为火势趋势路径，火势趋势路径为三维烟雾向二维地面投影得到的烟雾主规划路线，其中，横竖坐标均为距离坐标轴，且在每处路径切线均计算火势趋势的实时扩散速度，如s52所述；s52、采用逐次逼近法，求得连续火势趋势路径上的连续速度的方向和大小；s53、获取火势趋势随时间变化的移动路径。
40.本技术提出结合氧含量变化情况、分布、火势图像识别，分析火势趋势，能提高对火灾趋势的分析，合理规避，实时引导，预测火势蔓延方向、速度和趋势，可以协助救援工作更快速有效完成。
41.第二方面，本技术提供一种基于氧含量数据的火势识别预测系统，包括：第一获取模块，用于获取关于烟雾的采集图像数据；第二获取模块，用于获取全局坐标下的氧含量采集数据；
第一计算模块，用于计算该采集图像数据的全局坐标；处理模块，包括神经网络识别模型，神经网络识别模型图像识别输出带选框的烟雾图形数据，处理模块用于处理选框在时差的偏移量，计算火势初速度，计算火势趋势路径；第二计算模块，用于依据该氧含量采集数据，计算火势趋势路径上的各个点速度；分析模块，用于分析处理结果，获取到火势趋势随时间变化的移动路径。
42.进一步的，该第二获取模块包括第二采集模块和第二预处理模块；该第二采集模块为间隔设置的氧含量测试模块；该第二采集模块基于设置位置的海拔高度设置有权重系数，每个第二采集模块采集到的氧含量数据乘以该第二采集模块对应的权重系数，适用于以第二采集模块为中心的区间块；其中，权重系数与所处海拔高度呈线性相关，即d=ah+b，其中，a小于0，b大于0，h为高度，d为权重系数。
43.本技术提供一种可能的实现方式，该第一获取模块，具体用于获取至少两个摄像机的关于烟雾的采集图像数据，包括每个摄像机多帧采集图像数据；获取每两个摄像机的观测角度数据、间距数据，计算摄像机全局坐标，计算摄像机采集图像数据的全局坐标。
44.本技术提供一种可能的实现方式，该处理模块，具体用于选定火势初始位置的烟雾选框，通过每个摄像机采集的选框在时差的偏移量和全局坐标，合成多个摄像机采集到的同一选框的空间偏移量与时差比值作为火势初速度向量。
45.本技术提供一种可能的实现方式，该处理模块，还具体用于对至少两个摄像机的识别结果中该带选框的烟雾图形数据，处理为三维空间下的烟雾扩散图形，再向地面投影为烟雾在二维平面的带选框阴影图形，计算该带选框阴影图形的中心线合成路径，作为火势趋向路径。
46.本技术提供一种可能的实现方式，该第二采集模块中的第二预处理模块，具体用于获取多个氧含量测试模块的位置数据和采集数据，计算以单个氧含量测试模块为参照物的所有氧含量测试模块的局部坐标位置数据，并生成局域氧含量变化热图；将参照物切换为以摄影机的全局坐标为基础，获取该局域氧含量变化热图的全局坐标。
47.本技术提供一种可能的实现方式，该第二计算模块，具体用于对该局域氧含量变化热图、该在二维平面的带选框阴影图形的处理步骤如下：适应该阴影图形的选框大小调整该局域氧含量变化热图的区间块大小；将火势趋势路径上各个路径点相应的选框与调整后的局域氧含量变化热图，基于全局坐标进行归一化拟合；拟合后对离散的选框间填充氧含量数据，生成带有氧含量连续变化数值的火势趋势路径；对火势趋势路径在各个连续路径点的切线作为火势在该路径点的实时速度向量，依据该切线穿过的两个相邻的该局域氧含量变化热图区间块上氧含量变化量，计算对应火势至该区间块燃烧速度变化，计算两个相邻的该区间块的燃烧速度期望，作为该切线的实时速度向量的模。
48.本技术提供一种可能的实现方式，该分析模块，具体用于依据计算到的火势趋势路径上的各个点速度，依据计算到的火势初速度；采用逐次逼近法，求得连续火势趋势路径上的连续速度的方向和大小；获取火势趋势随时间变化的移动路径。
49.在本技术所提供的几个实施例中，应该理解到，所揭露的系统和方法，可以通过其它的方式实现。例如，以上所描述的系统实施例仅仅是示意性的，例如，该模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个模块或组件可以结合
或者可以集成到另一个系统，或一些特征可以忽略，或不执行。
50.该作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
51.另外，在本技术各个实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
52.本领域内的技术人员应明白，本发明的实施例可提供为方法或系统。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。
53.还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
54.以上仅为本技术的实施例而已，并不用于限制本技术。对于本领域技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本技术的权利要求范围之内。
55.本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本技术的其它实施方案。本技术旨在涵盖本技术的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本技术的一般性原理并包括本技术未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本技术的真正范围和精神由上面的权利要求书指出。
56.应当理解的是，本技术并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本技术的范围仅由所附的权利要求书来限制。

技术特征：
1.一种基于氧含量数据的火势识别预测方法，其特征在于，包括：获取关于烟雾的采集图像数据；获取全局坐标下的氧含量采集数据；计算所述采集图像数据的全局坐标；图像识别输出带选框的烟雾图形数据，处理选框在时差的偏移量，计算火势初速度，计算火势趋势路径；依据所述氧含量采集数据，计算火势趋势路径上的各个点速度；分析处理结果，获取到火势趋势随时间变化的移动路径。2.根据权利要求1所述的方法，其特征在于，所述获取关于烟雾的采集图像数据，包括：获取至少两个摄像机的关于烟雾的采集图像数据，包括每个摄像机多帧采集图像数据；获取每两个摄像机的观测角度数据、间距数据，计算摄像机全局坐标，计算摄像机采集图像数据的全局坐标。3.根据权利要求2所述的方法，其特征在于，所述图像识别输出带选框的烟雾图形数据，处理选框在时差的偏移量，计算火势初速度，计算火势趋势路径，包括：选定火势初始位置的烟雾选框，通过每个摄像机采集的选框在时差的偏移量和全局坐标，合成多个摄像机采集到的同一选框的空间偏移量与时差比值作为火势初速度向量。4.根据权利要求2所述的方法，其特征在于，所述图像识别输出带选框的烟雾图形数据，处理选框在时差的偏移量，计算火势初速度，计算火势趋势路径，包括：对至少两个摄像机的识别结果中所述带选框的烟雾图形数据，处理为三维空间下的烟雾扩散图形，再向地面投影为烟雾在二维平面的带选框阴影图形，计算所述带选框阴影图形的中心线合成路径，作为火势趋向路径。5.根据权利要求4所述的方法，其特征在于，所述获取全局坐标下的氧含量采集数据，包括：获取多个氧含量测试模块的位置数据和采集数据，计算以单个氧含量测试模块为参照物的所有氧含量测试模块的局部坐标位置数据，并生成局域氧含量变化热图；将参照物切换为以摄影机的全局坐标为基础，获取所述局域氧含量变化热图的全局坐标。6.根据权利要求5所述的方法，其特征在于，所述依据所述氧含量采集数据，计算火势趋势路径上的各个点速度，包括：对所述局域氧含量变化热图、所述在二维平面的带选框阴影图形的处理步骤如下：适应所述阴影图形的选框大小调整所述局域氧含量变化热图的区间块大小；将火势趋势路径上各个路径点相应的选框与调整后的局域氧含量变化热图，基于全局坐标进行归一化拟合；拟合后对离散的选框间填充氧含量数据，生成带有氧含量连续变化数值的火势趋势路径；对火势趋势路径在各个连续路径点的切线作为火势在所述路径点的实时速度向量，依据所述切线穿过的两个相邻的所述局域氧含量变化热图区间块上氧含量变化量，计算对应火势至所述区间块燃烧速度变化，计算两个相邻的所述区间块的燃烧速度期望，作为所述
切线的实时速度向量的模。7.根据权利要求1-6任一所述的方法，其特征在于，所述分析处理结果，获取到火势趋势随时间变化的移动路径，包括：依据计算到的火势趋势路径上的各个点速度，依据计算到的火势初速度；采用逐次逼近法，求得连续火势趋势路径上的连续速度的方向和大小；获取火势趋势随时间变化的移动路径。8.一种基于氧含量数据的火势识别预测系统，其特征在于，包括：第一获取模块，用于获取关于烟雾的采集图像数据；第二获取模块，用于获取全局坐标下的氧含量采集数据；第一计算模块，用于计算所述采集图像数据的全局坐标；处理模块，包括神经网络识别模型，神经网络识别模型图像识别输出带选框的烟雾图形数据，处理模块用于处理选框在时差的偏移量，计算火势初速度，计算火势趋势路径；第二计算模块，用于依据所述氧含量采集数据，计算火势趋势路径上的各个点速度；分析模块，用于分析处理结果，获取到火势趋势随时间变化的移动路径。9.根据权利要求8所述的系统，其特征在于，所述第二获取模块包括第二采集模块和第二预处理模块；所述第二采集模块为间隔设置的氧含量测试模块；所述第二预处理模块，用于基于所述第二采集模块设置位置的海拔高度设置有权重系数，每个第二采集模块采集到的氧含量数据乘以所述第二采集模块对应的权重系数，适用于以第二采集模块为中心的区间块；其中，权重系数与所处海拔高度呈线性相关，即d=ah+b，其中，a小于0，b大于0，h为高度，d为权重系数，a、b为预设函数系数。

技术总结
本申请公开了一种基于氧含量数据的火势识别预测方法和系统，涉及火势趋势预测领域，本申请包括获取关于烟雾的采集图像数据；获取全局坐标下的氧含量采集数据；计算所述采集图像数据的全局坐标；图像识别输出带选框的烟雾图形数据，处理选框在时差的偏移量，计算火势初速度，计算火势趋势路径；依据所述氧含量采集数据，计算火势趋势路径上的各个点速度；分析处理结果，获取到火势趋势随时间变化的移动路径。本申请提出结合氧含量变化情况、分布、火势图像识别，分析火势趋势，能提高对火灾趋势的分析，合理规避，实时引导，预测火势蔓延方向、速度和趋势，可以协助救援工作更快速有效完成。完成。完成。


技术研发人员：蒋先勇 薛方俊 李志刚 魏长江 李财 胡晓晨 税强 曹尔成
受保护的技术使用者：四川三思德科技有限公司
技术研发日：2023.06.14
技术公布日：2023/7/20