一种无人机多光谱图像的智能林火识别方法及装置的制造方法
【技术领域】
[0001]本发明属于计算机视觉领域，尤其是利用无人机航拍多光谱图像进行森林火点与烟雾检测及智能火情分析与火灾等级识别的方法。
【背景技术】
[0002]森林火灾是森林资源减少的重要原因之一，它严重危害了生态环境，使国家承受巨大经济损失，也威胁人类生命安全。对森林资源缺乏的我国则更是如此，因此有效对森林资源实施监控，防控森林火灾是一项具有重要意义且极其重要的工作。
[0003]目前，我国的林火监测主要包括有人工地面巡护、了望台监测、远程视频监控、巡航飞机和气象卫星遥感监测等方法。这些现有的技术手段存在以下不足:一是由于林区地形复杂、面积广阔，只靠巡护人员监测火情是不现实、不可靠的，了望台的了望又受到许多地理条件和基础设施的限制，而靠飞机巡逻观察不仅耗资大，而且效率低；另一方面，林区地形复杂，缺乏供电和通讯设施等，造成了林区的火灾监控开发的迟滞，其实用性、可推广性受到了限制。
[0004]现有技术中已有基于无人机的森林火灾检测。专利公开号为CN102496234A与CN104143248A的两项专利分别利用无人机搭载红外与可见光及红外摄像设备实现森林火情检测，但他们都只能对林火进行简单的检测，不能同时对着火点、烟雾、火情、火灾等级等进行深入的智能分析与识别。
【发明内容】
[0005]本发明所要解决的技术问题是:针对上述存在的问题，提供一种基于无人机拍摄的多光谱图像的智能林火识别方法及装置。
[0006]本发明中的无人机多光谱图像的智能林火识别方法，包括:
步骤1:提取标准多光谱森林图库中图像的特征值，提取无人机航拍得到的目标森林区域的多光谱图库中图像的特征值，利用两种图库中各个图像的特征值及标签值训练识别模型；所述标签值为含有火情或不含有火情；
步骤2:无人机实时获取目标森林区域的多光谱图像并提取该图像的特征值；
步骤3:将步骤2中的特征值输入到训练后的识别模型中，识别模型计算得到该特征值对应的标签值。
[0007]进一步，所述识别模型为深度学习网络模型。
[0008]进一步，还包括步骤4:无人机将步骤2中获取的目标森林区域的多光谱图像传输给监控中心的服务器；监控中心的工作人员人工判断步骤2中获取的目标森林区域的多光谱图像的标签值；将该图像的标签值反馈给无人机；利用该图像的特征及人工判断得到的标签值训练所述识别模型。
[0009]进一步，所述图像特征包括温度特征、烟雾特征及火焰特征；其中烟雾特征包括以下特征中的一种或多种:烟雾形状特征、烟雾面积特征、烟雾纹理特征、烟雾轮廓特征；火焰特征包括以下特征中的一种或多种:火焰形状特征、火焰面积特征、火焰纹理特征、火焰轮廓特征。
[0010]进一步，所述标签值为不含有火情、一级强度的火情、二级强度的火情或三级强度的火情。
[0011]本发明还提供了一种无人机多光谱图像的智能林火识别装置，包括:
实时目标森林区域的多光谱图像特征提取模块，用于接收无人机实时拍摄的目标森林区域的多光谱图像，并提取该图像的特征；
烟火识别模块，用于将实时目标森林区域的多光谱图像特征提取模块输出的特征输入到训练后的识别模型中，识别模型计算得到该特征对应的标签值；所述标签为含有烟火或不含有烟火。
[0012]进一步，还包括识别模型离线训练模块，用于提取标准多光谱森林图库中图像的特征，提取无人机航拍得到的目标森林区域的多光谱图库中图像的特征，利用两种图库中各个图像的特征及标签值训练识别模型。
[0013]进一步，还包括识别模型在线训练模块，用于将所述无人机实时拍摄的目标森林区域的多光谱图像传输给监控中心的服务器；接收监控中心的工作人员人工判断得到的该图像的标签值；利用该图像的特征及人工判断得到的标签值训练所述识别模型。
[0014]综上所述，由于采用了上述技术方案，本发明的有益效果是:
1、本发明利用深度学习方法，对无人机平台提供的多光谱图像进行检测，能有效准确的实现森林着火点具体方位地点的探测。
[0015]2、本发明基于多光谱图像对森林火情进行探测，能快速有效地提取着火点、烟雾的温度、形状、面积、纹理等特征；而通过林火、烟雾等多特征的数据输入为后续识别模型提供有力的判别依据。
[0016]3、本发明加入了在线训练模块，不断补充新的训练样本对识别模型进行有监督的在线训练，使得识别模型随着检测的进行其准确度也不断提高。
[0017]4、运用深度学习方法进行林火烟雾检测，不但可以对森林火灾中火点及烟雾进行探测，而且可以对森林火灾等级进行准确判断。
[0018]5、本发明既可运行于无人机平台的嵌入式系统上，也可运行于与无人机进行通联的固定或者移动终端上，控制方式灵活多变，便于实施。
【附图说明】
[0019]本发明将通过例子并参照附图的方式说明，其中:
图1为本发明一个具体实施例的方法流程图；
图2为本发明中采用的深度学习网络模型结构框图。
【具体实施方式】
[0020]本说明书中公开的所有特征，或公开的所有方法或过程中的步骤，除了互相排斥的特征和/或步骤以外，均可以以任何方式组合。
[0021]本说明书中公开的任一特征，除非特别叙述，均可被其他等效或具有类似目的的替代特征加以替换。即，除非特别叙述，每个特征只是一系列等效或类似特征中的一个例子而已。
[0022]第一实施例
参见图1，无人机在所监控森林区域上空按照固定路线进行巡航与林火监控，是一种常规森林火灾监控行为，使用本专利方法其实施流程如图1所示，其具体实施步骤为:
A、识别模型离线准备阶段
1.收集含有森林火情的森林多光谱图像及不含有森林火情的森林多光谱图像，组成标准的多光谱森林图库。
[0023]2.在不同时段与气候情况下，无人机对目标森林区域进行航拍，得到目标森林区域的多光谱图库，并通过人工识别判断每张图像是否含有火情。
[0024]3.提取两个图库中每张图像的特征，利用图像的特征及标签值训练识别模型。标签值为含有火情或不含有火情。
[0025]本实施例中采用的多光谱图像的特征为温度特征、烟雾特征及火焰特征；其中烟雾特征包括:烟雾形状特征、烟雾面积特征、烟雾纹理特征、烟雾轮廓特征；火焰特征包括:火焰形状特征、火焰面积特征、火焰纹理特征、火焰轮廓特征。
[0026]其中，温度特征提取是在不同波段的光谱图像中进行的像素亮度提取。
[0027]烟雾特征的提取是先在图像中利用烟雾在蓝光至近红外波段图像中的反射率与陆地、植被以及水雾的差异来确定烟雾区域，然后再提取烟雾区域的形状、面积、纹理及轮廓特征。
[00