-
题名林火视频监控中烟识别方法的探讨
被引量:3
- 1
-
-
作者
饶裕平
方陆明
柴红玲
-
机构
浙江林学院环境科技学院
浙江林学院信息工程学院
-
出处
《浙江林业科技》
北大核心
2009年第2期58-62,共5页
-
基金
浙江省科技厅重大项目"森林灾害远程视频预警监控关键技术研究与应用"(2006C12109)
浙江林学院研究生创新基金(2112008020)
-
文摘
森林火灾是一种世界性的重要自然灾害,具有传播速度快、灭火和营救都比较困难等特点,利用视频图像的林火探测技术不受室外空间和恶劣环境的影响,适合于森林火灾的监测报警,是一种新型有效的火灾探测技术。本文通过对火灾现场视频图像中烟图像特征、烟纹理特征、烟动态特征、烟形状特征的分析,分析了火灾烟图像特征,从而排除干扰现象而识别出火灾烟。
-
关键词
森林防火
林火监测
烟特征提取
纹理
-
Keywords
forest fire prevention
forest fire monitoring
feature of smoke
texture
-
分类号
S762.3
[农业科学—森林保护学]
TP277
[自动化与计算机技术—检测技术与自动化装置]
-
-
题名林火视频监控中烟识别方法概述
被引量:4
- 2
-
-
作者
饶裕平
方陆明
柴红玲
-
机构
浙江林学院环境科技学院
浙江林学院信息工程学院
-
出处
《四川林业科技》
2009年第1期81-85,共5页
-
基金
浙江省科技厅重大项目"森林灾害远程视频预警监控关键技术研究与应用"(2006C12109)
-
文摘
森林火灾是一种世界性的严重自然灾害,具有传播速度快、灭火和营救都比较困难等特点,利用视频图像的林火探测技术不受室外空间和恶劣环境的影响,适合于森林火灾的监测报警,是一种新型有效的火灾探测技术。本文通过对火灾现场视频图像中烟识别方法的列举和讨论,简单介绍火灾烟和其它一些干扰现象的颜色,从而为进一步的研究提供理论依据。
-
关键词
森林防火
林火监测
烟特征提取
纹理
-
Keywords
forest fire prevention, forest fire monitoring, feature extraction of smoke, texture
-
分类号
S762
[农业科学—森林保护学]
-
-
题名林火视频监控中烟识别方法概述
被引量:10
- 3
-
-
作者
饶裕平
柴红玲
-
机构
浙江林学院环境科技学院
-
出处
《林业调查规划》
2009年第1期59-62,共4页
-
基金
浙江省重点项目:森林灾害远程视频预警监控关键技术研究与应用(2006C12109)
-
文摘
介绍国内外林火监测技术的发展现状,火灾的物理特征,烟图像的火灾监测技术,火灾图像的获取与预处理,火灾图像烟的纹理特征、动态特征、形状特征.认为森林火灾的探测基础理论及技术仍然不够完善,将数字图像处理技术应用到火灾报警上是一种有效的火灾探测手段.
-
关键词
森林防火
林火监测
烟特征
纹理
数字图像处理
-
Keywords
forest fire
forest fire monitoring
smoke feature
texture
digital
-
分类号
S762.34
[农业科学—森林保护学]
-
-
题名基于线性谱聚类的林地图像中枯死树监测
被引量:10
- 4
-
-
作者
宋以宁
刘文萍
骆有庆
宗世祥
-
机构
北京林业大学信息学院
北京林业大学林学院
-
出处
《林业科学》
EI
CAS
CSCD
北大核心
2019年第4期187-195,共9页
-
基金
"十三五"国家重点研发计划"林业有害生物检测
监测与预警关键技术"(2018YFD0600201)
+1 种基金
北京市科技计划项目"影响北京生态安全的重大钻蛀性害虫防控技术研究与示范"(Z171100001417005)
中央高校基本科研业务费专项资金(2015ZCQ-XX)
-
文摘
【目的】将基于线性谱聚类超像素的方法应用在森林病虫害防治领域,可智能监测无人机森林虫害图像中的枯死树,为森林有害生物的监测工作提供技术支撑。【方法】分别以湖北省受松材线虫与辽宁省受红脂大小蠹侵害的松林无人机图像为试验数据,首先使用线性谱聚类超像素分割算法将图像划分为多个超像素;然后基于枯死树木的颜色特征,初步提取可能为枯死树的超像素区域;最后基于枯死树木与其他干扰地物具有不同的纹理特征,计算超像素的区域密度和缝隙量,利用支持向量机对初步提取的超像素进行分类,从而检测出图像中的枯死树。【结果】基于线性谱聚类超像素和支持向量机的枯死树监测方法可有效排除与枯死树木颜色相近的其他干扰地物,较准确地提取出枯死树木。使用该方法与基于植被颜色指数的阈值分割方法、基于简单线性迭代聚类超像素和随机森林的方法,对35幅受灾松林无人机图像进行试验,并选用交并比、虚警率和漏检率3个评价指标对3种方法进行定量对比分析。结果表明,基于线性谱聚类超像素的方法监测出的枯死树区域最精确,其监测结果与人工检测结果的交并比均值大于58%,且虚警率和漏检率均优于另外2种方法。【结论】基于线性谱聚类超像素的枯死树监测方法能实现松林中枯死树的快速、准确检测及定位。
-
关键词
无人机图像分析
森林病虫害
枯死树监测
纹理特征提取
超像素
线性谱聚类
-
Keywords
analysis of unmanned aerial vehicle image
forest pest
dead tree monitoring
texture feature extraction
superpixel
linear spectral clustering
-
分类号
TP391.41
[自动化与计算机技术—计算机应用技术]
S763
[农业科学—森林保护学]
-
-
题名面向森林火灾烟雾识别的深度信念卷积网络
被引量:5
- 5
-
-
作者
杜嘉欣
常青
刘鑫
-
机构
太原理工大学信息与计算机学院
中国人民解放军
-
出处
《现代电子技术》
北大核心
2020年第13期44-48,共5页
-
基金
海南省高新重点研发计划(ZDYF2018011)资助项目
国家自然科学基金资助项目(61828601)
山西省自然科学基金资助项目(201801D121141)。
-
文摘
对于CNN的图像识别,采用随机初始化网络权值的方法很容易收敛达到局部最优值。针对林火中的烟雾图像识别,提出一种结合无监督和有监督学习的网络权值预训练算法。首先通过使用DBN预学习得到的特征初始化CNN的权值;然后通过卷积、池化等操作,提取训练样本的特征,并采用全连接网络对特征进行分类;最后计算分类损失函数并优化网络参数。实验的训练结果显示,基于DBN-CNN的森林火灾烟雾识别的准确率达到了98.5%,相比于其他算法其准确率更高。
-
关键词
深度信念网络
森林火灾监控
烟雾识别
权值初始化
特征提取
特征分类
-
Keywords
deep belief network
forest fire monitoring
smoke recognition
weight initialization
feature extraction
feature classification
-
分类号
TN911.73-34
[电子电信—通信与信息系统]
TP183
[自动化与计算机技术—控制理论与控制工程]
-