排序方式: 共有32条查询结果,搜索用时 15 毫秒
1.
基于3D的县级森林防火系统关键技术研究 总被引:5,自引:1,他引:4
该文基于县级森林防火的需求,从森林防火指挥需要出发,以森林资源多源数据(遥感图像、GPS数据、地形图、DEM数据、地面调查数据和防火资源数据等)为基础,充分考虑森林资源空间性、多元性、多态性的特点,解决了森林防火本底数据中属性数据和空间数据一体化管理问题,实现了将RS、GPS、GIS和3D 4种技术有机结合的森林防火指挥的管理模式。对森林防火系统的技术构架进行了分析,对系统设计中的若干关键技术问题进行分析并提出了解决方案;以MapX、OpenGL、VC为开发工具,设计并开发了一个县级森林防火系统。 相似文献
2.
3.
4.
县级林业资源管理信息系统技术标准研究与应用 总被引:3,自引:3,他引:0
林业资源管理信息系统从纵向看有国家、省、地和区(县)等4级。由于各级管理的要求不同,条件也有较大差异,系统建设技术标准允许求同存异,达到实用性、科学性和经济性三者有机统一。依据信息技术的发展,着重分析县级林业资源监测和信息管理的需要和发展趋势,提出和分析了县级林业资源管理信息系统的网络平台、信息集成平台、数据采集与输出、数据存储与维护技术标准,提出了支撑软件、开发环境和需要解决的关键技术。认为数据的采集与输出要遵循国家及行业标准,同时考虑自身管理与决策需要进行扩充;支撑软件和开发环境要有利于维护和扩充,同时要考虑系统的运行成本。图6表1参13 相似文献
5.
基于DEM的视频可视域提取算法 总被引:2,自引:0,他引:2
为充分发挥森林防火GIS和视频监控系统各自优势,实现优势互补。根据数字高程模型(DEM)的特点,以视频视线的可视域分析为基础,基于视频监控系统中摄像机和镜头等参数,提出了基于DEM的视频可视域提取算法,实现了视频可视域的提取及在DEM上的同步跟踪,以及防火GIS和视频监控系统间的联动。利用浙江省临安市森林防火GIS和锦城街道的DEM,分别对摄像机和镜头等在不同参数下进行实验与验证。结果表明:基于DEM的视频可视域提取算法与视频监控设备的参数有密切的联系,跟踪效果基本能满足实际工作需要。 相似文献
6.
基于可见光视频的森林火灾识别算法 总被引:4,自引:0,他引:4
以森林火灾远程视频预警监控工程为依托,对森林火灾发生、发展的可见光视频图象进行研究,提出森林火灾识别算法,并进行处理。分析了基于视频的森林火灾火焰特征,指出火焰特征主要包括颜色变化、面积变化、边缘变化、形体变化、闪动规律和整体移动等。在此基础上,提出了视频图像中的森林火灾区域检测方法与森林火灾识别方法;根据图像区域分割匹配算法,以火焰颜色特征和面积变化为火灾判别依据,统计疑似火灾区域面积,定时地对其进行两两匹配,实现对森林火灾图像的实时检测和识别。经实际验证,该算法的查全率与查确率分别达到72.22%和92.86%。 相似文献
7.
森林火险评价与防火资源配置系统设计与实现 总被引:1,自引:0,他引:1
基于ArcGIS软件平台,采用C#语言等设计并开发了森林火险评价与防火资源配置系统。提出了系统的功能结构,针对系统主要模块的数据流进行详细分析,并设计了系统的空间与属性数据和数据接口等。 相似文献
8.
南方林区森林火险精准区划方法 总被引:1,自引:0,他引:1
基于三维地理信息系统(3D GIS)技术,根据南方集体林区森林火灾的特点,以浙江省临安市为实验区,将森林火灾因子分成社会经济、林学特征、气象特征等三大类11个指标,并赋予相应的权重.在此基础上,构建3个特征向量(社会经济特征向量、林学特征向量、气象特征向量),建立了非线性数学模型——森林火险精准区划模型,并利用最小二乘法等数学方法,对模型进行了求解、优化与验证.结果表明:实验值和理论值的误差均小于0.1.该模型和实验区历史火灾发生情况基本吻合. 相似文献
9.
10.
面部对齐是猪脸识别中至关重要的步骤,而实现面部对齐的必要前提是对面部关键点的精准检测。生猪易动且面部姿态多变,导致猪脸关键点提取不准确,且目前没有准确快捷的猪脸关键点检测方法。针对上述问题,该研究提出了生猪面部关键点精准检测模型YOLO-MOB-DFC,将人脸关键点检测模型YOLOv5Face进行改进并用于猪脸关键点检测。首先,使用重参数化的MobileOne作为骨干网络降低了模型参数量;然后,融合解耦全连接注意力模块捕捉远距离空间位置像素之间的依赖性,使模型能够更多地关注猪面部区域,提升模型的检测性能;最后,采用轻量级上采样算子CARAFE充分感知邻域内聚合的上下文信息,使关键点提取更加准确。结合自建的猪脸数据集进行模型测试,结果表明,YOLO-MOB-DFC的猪脸检测平均精度达到99.0%,检测速度为153帧/s,关键点的标准化平均误差为2.344%。相比RetinaFace模型,平均精度提升了5.43%,模型参数量降低了78.59%,帧率提升了91.25%,标准化平均误差降低了2.774%;相较于YOLOv5s-Face模型,平均精度提高了2.48%,模型参数量降低了18.29%,标准化平均误差降低了0.567%。该文提出的YOLO-MOB-DFC模型参数量较少,连续帧间的标准化平均误差波动更加稳定,削弱了猪脸姿态多变对关键点检测准确性的影响,同时具有较高的检测精度和检测效率,能够满足猪脸数据准确、快速采集的需求,为高质量猪脸开集识别数据集的构建以及非侵入式生猪身份智能识别奠定基础。 相似文献