无人机搭载普通相机林火识别技术研究

提出了一种无人机搭载普通相机的林火识别技术,其是一种低成本无人机林火监测方法。本研究以旋翼无人机为载体,通过在南京森林警察学院院内的两块实验场地（林地、无林土丘）进行点火试验,以机载摄像机拍摄的森林视频图像建立了基于混合高斯背景模型和颜色模型的多级火灾隐患特征验证算法。在同一区域,结合地面调查数据,对无人机搭载普通相机林火识别技术精度进行检验。数据表明,在混合高斯模型得到候选火焰像素的基础上,通过试验设置最优阈值,采用归一化互相关方法设定相似度阈值为0.08,可实现对火焰特征的检测与识别。通过低成本的机载普通相机能较快地识别火灾隐患,降低误检率,可为相关研究和实际应用提供参考。     

小型无人机林火监测与图像处理技术

常规传感式火灾监测方法不能满足现代林火监测灵活性、实时性和高效性的要求。针对森林这种复杂大空间场景,提出一种基于无人机平台和动态特征分析的视频图像型火灾检测算法。通过机载摄像机拍摄森林视频图像,建立基于混合高斯背景模型和颜色模型多级火灾隐患特征验证算法。实验结果表明,本文方法能较快识别火灾隐患,降低误检率,可为相关研究和实际应用提供参考。     

基于时空特征的林火视频火焰识别研究

由于森林火灾监控现场是野外广阔的林区,而且树叶的摇摆使得视频图像中的运动对象很多,强烈的阳光、秋季的枯叶和红枫会导致火灾识别的误报等,这些特点都使得现有室内或静止场景火灾视频监控的视频处理技术不再适用。考虑到火灾发生有一个蔓延的过程,是一个包含若干连续视频帧图像的视频片段,笔者首先将疑似火焰视频划分成时空视频块,根据颜色特征和运动特征得到疑似火焰区域,然后在视频片段大粒度下基于空间静态特征(纹理、圆形度特征)和时序动态特征(火焰面积变化、形状相似性、闪烁频率特征)提取火焰特征向量,最后使用基于Ada Boost的算法进行火焰识别,实现森林火灾的实时检测。结果表明,该方法能够准确有效地进行林火视频火焰识别。     

复杂环境下的车辆目标检测方法研究

基于视频触发方式对复杂环境下的运动车辆进行监测,利用800万像素高清摄像机24 h全天候检测车辆,最多可以检测5个车道。在传统虚拟线圈的画法基础上增添识别区和触发区,增大传输速率,这样可以省略图片处理和筛选过程,节约资源,提高采集环节的整体效率。采用背景消减法中可自适应的混合高斯模型原理,建立模型及模型后期更新,得到车辆目标检测结果,分析其实验结果得到：基于混和高斯背景差分法对于动态背景的建立十分有效。     

基于鲸鱼算法的森林火灾图像多阈值分割

为监测森林火灾的实时火情,本文研究图像分割算法应用于林火图像的识别。由于林火图像背景复杂干扰目标多,采用单阈值Otsu方法对林火图像进行分割的精度较差,因此本文研究鲸鱼优化算法(Whale Optimization Algorithm,WOA)对多阈值图像分割的最佳阈值进行寻优。鲸鱼优化算法是在寻找最优解的过程中效率较高的算法,该算法具有收敛速度快、精度高的特点。针对森林火灾图像中的火焰区域准确分割问题,应用WOA对Otsu的适应度函数进行寻优,在红绿蓝模式的林火数字图像上进行仿真试验。试验结果表明:提出的算法在森林火灾图像多阈值分割中优于传统单阈值的Otsu算法,可以获得更为准确的分割阈值和更高的分割效率,具有较强的工程实用性。     

基于改进YOLOv5的特征抑制多尺度林火检测算法

森林火灾检测是保护森林生态系统的关键所在,可以为森林早期火灾判断与预防提供重要依据。如果能够尽可能地对森林火灾识别和检测,可以在很大程度上减少灾害发生频率及其造成的损失。基于无人机遥感图像的发展,林火的快速检测得到进一步提升,可以准确识别火灾,解决林火出现的复杂性问题。本研究针对航拍森林火灾识别遇到的背景环境复杂、林火检测识别精度偏低、局部检测效果不佳等问题,提出了一种加强视觉注意力的林火识别方法,此方法是基于YOLOv5模型改进的。该算法使用NAM attention对像素进行归一化,降低不太显著的特征权重,使目标不重要的信息得到抑制。另外本研究采用了ObjectBox,这是一种新颖的单阶Anchor-free,不仅可以平等地对待不同级别尺寸的目标,还能提升模型识别正确样本的能力,具有高度的泛化性能。采用Mosaic数据增强方式增强模型的泛化能力,提高模型识别小目标的准确率。同时引入新的定位损失函数CIOU,它可以有效地改善模型在面对复杂背景时的定位精度,提升网络识别的准确性。实验结果表明,在无人机遥感图像数据上,检测性能均优于YOLOv5算法,该算法使得林火的数据集平均精度提升了3...     

基于网络摄像机的森林火灾烟火自动识别技术探讨

简要介绍了森林火灾视频监测系统的组成,对烟火自动识别算法进行了分析,提出了基于网络摄像机的智能森林火灾实时监测方法。烟火检测对由网络摄像机传过来的视频帧,使用一系列算法进行实时图像分析,这些算法由数字图像处理、数字图像模式识别技术组成。算法的实现是基于火焰和烟雾的行为特征,如:颜色、颜色分布、形状、轮廓、纹理等。这一系列独立的算法是并行处理的,最后将结果一起输入到模糊神经网络中,给出前面每一个算法的权重,得出一个是否有烟火出现的最终评估。     

深度学习在森林火灾检测中的研究进展北大核心

基于深度学习技术的火灾检测方法迅速发展,为森林火灾检测提供了新的发展方向。介绍了深度学习的概念、主要模型及在森林火灾检测中的优势,详细阐述了不同深度学习模型在森林火灾烟雾与火焰特征的提取、火灾与非火灾图像的分类、火灾的预判跟踪中的应用,并对当前方法进行了总结分析。最后,提出了目前存在的问题以及未来的研究方向,以期为森林火灾检测提供新思路。     

火焰目标提取方法的研究

在火灾识别应用中,应用物体的轮廓特征来检测和定位目标物体是一种有效的方法.为了精确地提取火焰目标,提出一种综合有效的实现算法,首先对采集来的图像进行抽样处理,然后采用数学形态学方法对图像进行二值化处理,最后再对图像进行分割处理,消除噪声干扰,提取出准确的火焰目标.实验结果表明该算法能够有效地提取出图像中的火焰目标.     

一种改进YOLOv5的多尺度像素林火识别算法

林火破坏程度大、蔓延速度快的特点给森林生态环境和人类带来极大的危害。深度学习技术可以学习和自适应提取林火特征,捕获的林火图像中火焰的像素尺寸不同,林火提取的特征也不同。为了能够识别复杂背景下不同像素尺度的火灾,笔者提出了一种改进的YOLOv5林火识别方法,通过在YOLOv5的检测网络加入解耦头,解决林火图像输出变量时分类和回归的冲突问题,加快网络收敛速度提高识别精度;在网络中引进CBAM注意力机制,更关注林火信息同时提升识别精度;在Neck网络引入加权双向特征金字塔网络(BiFPN),替换原有的路径聚合网络(PANet),对不同维度的林火特征进行融合,进行特征筛选,增强特征表示能力。实验结果表明,该林火识别算法在自制的林火数据集上进行训练和验证模型,检测性能上均优于YOLOv5算法,在准确率、召回率、平均精度分别提升了5.2%,3.0%,3.4%,mAP@.5:.95提升了4.6%,并且在不同尺寸林火目标的识别精度上均有提升。研究结果对林火识别性能提升有着积极意义。     

基于邻接自适应谱聚类的木材表面缺陷分割算法

针对人工分割木材表面缺陷的烦琐性和阈值分割算法对缺陷像素信息衡量的不稳定性,提出了一种基于邻接自适应谱聚类的木材表面缺陷分割算法。算法以简单线性迭代超像素(simple linear iterative cluster, SLIC)为基础,对缺陷图像进行预处理,融合木材缺陷的纹理特性和超像素块间的距离尺度,并采用邻接自适应谱聚类进行分割;缺陷分割初步完成后,通过变异系数衡量缺陷块中像素信息的离散程度进行再次分割,克服初次分割结果的过分割问题;考虑木材表面缺陷形态学上的封闭性,将2次分割图像进行合并,继而用邻接扫描法对次分割图形进行填充,最终对木材表面缺陷进行分割界定。考虑木材表面缺陷种类的多样性,选取了虫眼、死节、活节等缺陷图像进行分割对比试验,相较于OTSU阈值分割算法,本研究算法在单个和多个木材表面缺陷分割方面,类别平均像素准确度(mean pixel accuaracy, MPA)分别提升4.69%,14.23%,平均交并比(mean intersection over union, mIoU)分别提升33.27%,33.43%。本研究算法能够更加准确地将木材表面缺陷从复杂背景中...     

随机森林算法在树木年轮图像分割中的应用

年轮图像早晚材的准确分割是树木年轮计数和间距测量的前提条件。为解决年轮本身生长的复杂性、采伐过程中的锯痕干扰、早晚材图像灰度差别较小等因素造成的分割难题,提出了一种基于随机森林(random forest,RF)算法的分类模型,可实现年轮图像的准确分割。首先,通过变换图像的颜色域空间,提取出样本图像在RGB、HSV和L*a*b*模型下的9个颜色分量,基于灰度共生矩阵提取样本图像的对比度、相关性、能量和熵的均值与标准差共8个纹理特征。然后,根据早晚材颜色与纹理特征的差异,基于随机森林算法构建像素分类器,实现年轮图像的早晚材的初步分割。为了提高分割图像的质量和准确度,对分割后的图像使用形态学方法消除孤立和黏连噪声,以得到最终分割图像。最后,将该方法与K-均值聚类(K-means)算法和支持向量机(support vector machine,SVM)算法进行对比。结果表明:所采用基于RF算法的分类模型分割年轮晚材的正确识别率为95%左右,错误识别率在6%左右,图像分割效果明显优于其他两种算法。     

基于深度学习的森林火灾烟雾监测

为了第一时间发现森林火灾，避免因森林火灾造成严重后果，提出以森林火灾烟雾为主要目标的检测模型YOLO-SCW,在YOLOv7的基础上，引入SPD-Conv层，以减小特征提取过程中小目标特征缺失的问题。之后在检测头金字塔池化部分增加坐标准意力机制模块，通过将位置信息编码到通道中，增加了模型对目标的关注度，并且减少了背景对检测效果的干扰。最后，通过WIoU矩形框损失函数，提高了预测框的回归速度与精度。在测试过程中，改进后的YOLO-SCW较YOLOv7模型mAP提高了9.1%,并减少了误检与漏检现象，证明YOLO-SCW有着更好的特征提取能力与泛化能力，对森林火灾烟雾监测任务表现出色。     

基于CCD摄像机的火灾图像自动识别技术研究

介绍了森林防火视频监测系统的总体构成,分析了火灾自动识别的检测算法.根据火和烟的颜色、颜色分布、圆形度、矩形度等特征,实现了火灾图像的自动识别、报警、定位等功能.经过实践检验,该系统的火灾图像自动识别算法的环境抗干扰能力强,识别率高,识别速度快,在火灾监测实际工程应用中有广泛的前景.     

森林自疏规律BP-MSM模型与张氏模型的比较

森林自然稀疏机制一般是非线性的、动态的,人工神经网络具有逼近任意非线性映射的特性,这从理论上保证了其应用于森林自疏研究的可行性.本文在提出的基于改进单纯形法的神经网络模型(BP-MSM混合算法)的基本原理和算法的基础上,结合山杨林、云南松林和杉木林自疏实例进一步分析了BP-MSM混合算法与张氏模型在研究森林自疏规律上的效果优劣.森林自疏实例应用结果表明,当建立BP-MSM混合算法的3层151网络结构模型时,其模拟效果明显优于张氏模型,残差平方和仅为张氏模型的3.89%～27.16%,说明BP-MSM混合算法应用于森林自疏规律研究是理想的,从而丰富了森林自然稀疏规律研究方法.     

基于线性谱聚类的林地图像中枯死树监测

【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。     

基于林内图像的单位面积碳储量估计方法

【目的】针对森林碳储量估算工作量大、成本高等问题,提出一种基于林内图像简洁高效且满足精度要求的单位面积森林碳储量估计方法。【方法】林分纵断面图像隐式包含林分密度和高度2类复合信息,与林地上对应的林木碳储量直接相关。以此为突破口,首先,分析林木图像分类算法,提出在全局阈值基础上结合邻域像素属性来决定焦点像素归属,以消弱因林内光线不均对图像灰度造成的影响;然后,提出一个与林木碳储量关系紧密的参数并给出其图像计算方法;最后,以该参数为自变量,建立预估模型,实现对碳储量的估计。【结果】在以焦点像素为中心的3×3的邻域内,如果有大于6个相似像素出现,则将焦点像素归为该类,这种利用与邻域像素关系以决定当前像素归属的方法具有膨胀和腐蚀双重特性,即当焦点像素处于树体内部时容易将该点归为树体,当焦点像素处于树体外部时容易将该点归为背景,相比单纯全局阈值方法更能提高林分图像分类的准确性。碳储量预估模型方面,2参数的直线方程估计精度与3参数的逻辑斯蒂模型接近;如果在普通模型基础上增加代表海拔的虚拟变量,则能使碳储量估计精度得到较大程度提高。以兴安落叶松为例,验证基于林内纵断面图像能够实现对单位面积碳储量的较高精度估计这一假设。【结论】在林木图像提取过程中,继承对称交叉熵法泛用性强、效率高的优点,同时针对该算法容易将树体内部部分像素分割成背景、树体外部部分像素归并于树体内部的缺点,采用兼顾像素邻近关系的方法对其进行改进,取得良好结果,且该算法对林内光线不均表现出迟钝特性。在基于林内图像的碳储量预估模型方面,逻辑斯蒂模型表现出良好适应性,由于考虑海拔因素能降低估计误差,因此在实际应用中有必要分海拔段进行预估。     

基于多种优化SVM的林木冠层图像分割

针对林木冠层图像,采用多种优化支持向量机(SVM)进行图像分割,提取树干分割图。采用模拟退火法(SA)、差分进化法算法(DE)、人工蜂群算法(ABC)等寻找最优惩罚系数(C)和高斯核函数中参数,然后运用SVM方法对训练样本综合训练建立最佳分类模型,并对林木冠层图像分割测试。结果表明:SA-SVM,DE-SVM,ABCSVM等3种方法对樟树、马褂木、杨树的林木冠层图像做树干图像分割,SA-SVM的分割效果最佳。     

基于AOS的扩展C-V模型及背景填充耦合的单板节子缺陷识别

分析木材单板节子缺陷图像的特点,提出一种基于AOS的扩展C-V模型及背景填充耦合的单板节子缺陷识别算法。首先,对Chan-Vese提出的基于Mumford-Shah模型的水平集图像分割算法进行改进,使分割速度得到提高;其次,用AOS算法改进原模型的差分格式,使得差分格式无条件稳定;最后,结合背景填充技术,使得到的新图像缩减了目标与背景间的特征差别。通过对比试验,表明该分割方法能够快速识别单板单个节子缺陷,充分说明该耦合方法比Chan-Vese方法及其改进方法有更好的分割效果。通过用多水平集作为初始轮廓演化曲线,结果表明该方法也可快速实现对单板多节子缺陷图像的识别,实现对单板节子图像的多目标分割。     

无人机影像树冠信息提取研究

【目的】树冠是林木长势监测、树种识别、蓄积量估测等森林调查中的重要森林参数,对森林资源调查和生态研究等具有重要意义,相比于传统的人工实地调查的方法,通过无人机影像提取树冠信息,具有高效、准确和低成本等优势。【方法】以湖南衡山森林生态系统定位观测研究站实验样地为研究对象,以无人机影像为数据源,采用阈值法和K邻近法,分别对正射影像和冠层高度模型进行图像二值化,取其交集得到树冠区域图;利用数学形态学开闭重建滤波对树冠区域图进行去噪处理,有效平滑影像,避免影像对象边缘轮廓偏移;采用局部最大值法和最大类间方差法进行前景背景标记,根据影像标记修正梯度图像;利用分水岭分割算法提取树冠信息。【结果】在树冠区域提取中,基于阈值法和K邻近算法成功分割出树冠区域与背景区域,确定树冠分割范围。通过数学形态学滤波,有效地去除了由噪声及树冠内部的纹理信息所造成的伪局部极值,减少了分水岭分割算法的过分割现象,同时保护了树冠边缘轮廓及其位置信息。【结论】单木尺度上,树冠信息提取的F测度为75.98%;样地尺度上,提取的树冠面积相对误差为13.3%。基于无人机影像提取树冠信息的方法是可行的,能够快速准确地提取较高郁闭度林分的树冠信息。