[发明专利]基于热成像和烟雾识别一体森林防火IA-PCNN算法

摘要

本发明涉及基于热成像和烟雾识别一体森林防火IA‑PCNN算法。其特征在于：本发明中使用的IA‑PCNN神经网络模型为双层结构，第一层使用径向基函数，计算输入数据和样本数据之间的灰度值∣RGB∣，并输出次灰度值向量，第二层为神经元计算层接受灰度值向量并通过经这个函数计算概率最大的数据元素作为输出。本发明型的有益效果是，在解决了森林防火视频监控不能主动及时的对森林火情进行自动报警的前提下，能够有效地降低火灾监控系统的误报、漏报率，实现报警准确率大于96.15%。

主权项

基于热成像和烟雾识别一体森林防火IA‑PCNN算法，其特征在于：（a）、首先通过对专用高清透雾摄像机连续拍摄传回的视频图像进行火情特征性的比对、计算和筛选，对具有疑似火情特征性的图像点进行GIS自动定位，并自动与疑似火情点的经纬度、实时天气气象自动链接，自动校正和修正、排除天气对视频图像产生的干扰；对不具备火情特征性的图像，终止分析计算；对仍然确定具备火情特征的图像数据进行自动输出（R1）并组建数学模型（Image Analysis），建模并生成比对档案；（b）、其次将上步数学模型中的图像数据输出（R1=R）再输入本发明的脉冲藕合神经网络(PCNN‑Pulse Coupled Neural Network)进行运算分析，得出该火情特征的图像神经元数，对比设置阈值，对超出设置阈值的典型特征量神经元进行超出量的定量输出，得到输出值C_k；(c)、最后将C_k输出值进入本发明提出的超出设置阈值的典型特征量神经元输出值C_k加权计算，生成超出设置阈值的典型特征量神经元输出值C_k算术平均加权曲线，对超出预设报警值的火情点进行定性、定量自动报警；C_k由下式求得：式中，n_Ak是属于A类的训练样本向量个数，n_Bk是属于B类的训练样本向量个数；I_A为θ=θ_A时判定d(X)= θ_B损失函数，I_B为θ=θ_B时判定d（X）=θ_A的损失函数，h_A为θ=θ_A的先验概率，h_B=1‑h_A为θ=θ_B的先验概率；d(X)= θ_A的区域与d(X)=θ_B的区域的界限可用下式求得：f_A(X)=Kf_B（X）式中K=h_BI_B/h_AI_A。