技术领域
[0001] 本
发明涉及森林防火技术领域，具体公开了一种森林防火智能控制系统及方法。
背景技术
[0002] 森林是人类的宝贵财富，森林除了能够为人们提供木材和林副产品，还具有涵养
水源，
净化空气，美化环境等的作用。森林在社会发展中占有重要地位。森林火灾能给森林带来最毁灭性的伤害，森林火灾特点是危害大，扑灭困难，于是能及时将处于萌芽状态的火灾扑灭就显得尤为重要。
[0003] 国内使用较多是监控方式。将视频汇总到监控中心，由人工集中监视视频。但是这种方式不仅容易造成人眼部疲劳，视频中的火情容易疏忽掉，并且监控中心的视频线路较多，人工监视也无法一一监看，容易造成漏报。因此，此方法显然不能满足森林防火的需求。
[0004] 针对上述问题，人们也开始基于视频监控数字化
基础建立森林防火
监控系统。如中国
专利公开号为CN106910310A的专利文献公开了一种森林防火应急报警装置，包括图像拍摄模
块、
图像识别模块、主控模块、报警模块、通信模块、远程监控装置、存储模块；主控模块控制图像拍摄模块在森林内拍摄图像；图像识别模块识别图像拍摄模块存储在存储模块内的图像后，将识别信息发送给主控模块；主控模块根据识别信息触发报警模块，并生成报警信息通过通信模块发送给远程监控装置；电源模块通过主控模块供电。该方案在具体使用中，通过若干个独立的图像拍摄模块和图像识别模块，在监控区域内实时完成图像拍摄和识别，实时发现异常状态，发出警报并通知远程监控系统采取措施，提高了森林防火的效率，实现了对森林火灾隐患的24小时不间断实时监控与识别，具有很强的实用性和广泛的适用。
[0005] 但是，该方案中的远程控
制模块没有根据林区的自然环境智能控制图像拍摄模块等林区检测模块的运行。然而，林区自然环境的变化对于火灾的检测有着很大的影响。例如，在雨
雪天气情况下，图像拍摄模块拍摄的图像，在识别的过程中，受到拍摄的图像中雨和雪的影响，火灾识别的准确率大大的降低，引起火灾误报。并且在这种天气情况下，不利于图像拍摄模块等检测设备的运行，容易造成设备故障。而且，在这种天气情况下，火灾发生的几率极低，该方案中检测设备不间断运行，会造成资源浪费。所以如何随着自然环境的变化，智能控制检测设备的运行变得很重要。
发明内容
[0006] 为解决如何随着自然环境的变化，智能控制检测设备的运行的技术问题，本发明的目的在于提供一种森林防火智能控制系统及方法。
[0007] 本发明技术方案如下：
[0008] 一种森林防火智能控制系统，包括图像识别子系统、
云台子系统和上位机控制子系统，
[0009] 图像识别子系统，用于采集林区的图像，并根据
卷积神经网络模型对图像进行分析得到识别信息，并将识别信息发送给云台子系统，识别信息包括火情、火情面积和天气情况；
[0010] 云台子系统，包括监控模块，用于分析识别信息中的天气情况得到概率信息，并将概率信息和识别信息发送给上位机控制子系统，概率信息为当前天气情况出现火情的概率；
[0011] 上位机控制子系统，用于设置火情出现概率的
阈值范围，并根据不同的阈值范围设置不同的运行方案，并分析识别信息中的火情信息，当火情信息为有时，停止云台子系统的运行；当火情信息为无时，根据概率信息匹配得到运行方案，然后根据运行方案控制云台子系统和图像识别子系统的运行，运行方案包括云台子系统的开闭、运行速率以及图像识别子系统的开闭、图像拍摄
频率。
[0012] 本发明的基础方案及有益效果：本发明方案采用卷积神经网络模型对林区的图像进行分析，得到包括火情、火情面积和天气情况的识别信息。然后，云台子系统的监控模块分析识别信息中的天气情况得到概率信息(当前天气情况下出现火情的概率)。上位机控制子系统在使用前按照不同地区的实际需求划分火情出现概率的阈值范围，然后不同的阈值范围对应设置运行方案，上位机控制子系统在使用时，分析识别信息，得到当前林区是否出现火情，当有火情时，上位机控制子系统远程停止云台子系统的运行；当无火情时，将概率信息与阈值进行匹配，得到自动运行方案，根据自动运行方案实现不同天气情况自动控制云台子系统的开闭、运行速率以及图像识别子系统的开闭以及图像拍摄频率。
[0013] 本方案中，卷积神经网络模型相对于当前采用的经典目标检测
算法，也就是使用滑动窗口法而言，鲁棒性得到提高，不易受到遮挡、光照等外界因素的影响，提高图像识别的准确性。监控系统能够根据识别信息中的天气情况分析得到该天气情况下出现火情的概率，具有火情预测的效果。上位机控制子系统通过分析识别信息，能够实时掌握林区的火情情况，当出现火情时，能够自动停止云台控制子系统的运行。上位机控制子系统预设置不同出现火情概率范围的运行方案，根据监控模块分析得到的概率信息(当前天气情况下出现火情的概率)配比得到相应的运行方案，从而实现上位控制子系统根据不同的天气情况智能控制云台子系统的开闭、运行速率以及图像识别子系统的开闭、图像拍摄频率。
[0014] 综上，本方案提高了图像识别的准确性，具有火情预测效果。不仅如此，本方案中的上位机控制子系统能够根据火情情况以及天气情况智能控制云台控制子系统的开闭、运行速率以及图像识别子系统的开闭、图像拍摄频率。
[0015] 进一步，卷积神经网络模型为通过若干组原始图像提取的图像特征和原始识别信息训练而成的，原始图像为A时间采集到林区B的图像，原始识别信息为A时间林区B的火情情况。
[0016] 有益效果：大量原始图像提取的图像特征和原始检测结果在基于卷积神经网络的不断训练下，卷积神经网络模型具有大量的数据基础，能够对当前采集视频的图像特征匹配出最接近的识别信息，而卷积神经网络模型中的原始识别信息为林区在时间
节点火情情况，具有可靠性，能够通过林区的实时视频得到准确的识别信息。
[0017] 进一步，云台子系统还包括
数据采集模块用于采集林区的检测数据，并将检测数据发送给监控模块，检测数据包括湿度、
温度、降雨量和下雪量。
[0018] 有益效果：将检测数据(湿度、温度、降雨量和下雪量)发送给监控模块，检测数据经过监控模块的分析，能够修正经图像识别得到的天气情况，提高天气情况识别的准确性。
[0019] 进一步，数据采集模块，还用于采集
位置信息和性能数据，并将位置信息和性能数据发送给上位机控制子系统，位置信息包括设备位置和设备ID，性能参数包括云台控制子系统和图像识别子系统的
电流和
电压。
[0020] 有益效果，上位机控制子系统能够时刻掌握设备的位置情况，以及云台控制子系统和图像识别子系统的性能情况。
[0021] 进一步，上位机控制子系统还包括报警模块，用于分析性能数据，当性能数据异常时，将位置信息和性能数据生成故障警告。
[0022] 有益效果：报警模块分析性能数据，当性能数据发生异常时，及时向用户发出故障警告，便于用户及时发现设备异常，便于设备的及时维修。
[0023] 进一步，报警模块，还用于当识别信息为有火情时，将位置信息和识别信息生成报警信息。
[0024] 有益效果：当识别信息为有疑似火情时，报警模块模块将含有设备位置、设备ID的位置信息和含有火情面积、天气情况的识别信息生成报警信息，由此。用户可以通过报警信息掌握火情的位置、面积，以及林区天气状况等基本情况，便于及时有效地灭火。
[0025] 进一步，云台子系统还包括供电模块，用于将
风能或
太阳能转化为
电能，并向云台子系统和图像识别子系统供电。
[0026] 有益效果：云台子系统在林区作业，容易受到接收到太阳能和
风能，将太阳能和风能转化为电能，云台子系统和图像识别子系统的用电充足，保证云台子系统和图像识别子系统的正常运行。
[0027] 进一步，上位机控制子系统还包括参数设置模块，用于设置运行参数,控制云台子系统和图像识别子系统的运行状态，运行参数包括云台子系统的开闭、飞行速率，图像识别子系统的开闭、图像拍摄频率。
[0028] 有益效果：通过参数设置模块，用户可以远程手动控制林区检测设备(载有云台子系统进而图像识别子系统)运行，使得上位机控制子系统对云台子系统和图像识别子系统的控制更具有灵活性。
[0029] 基于上述系统，本
申请还提供一种森林防火智能控制方法，依次包括以下步骤：
图像采集步骤，采集林区的图像；
[0030] 图像识别步骤，通过卷积神经网络模型，得到识别信息；
[0031] 数据采集步骤，采集林区的检测数据，检测数据包括湿度、温度、降雨量和下雪量；
[0032] 概率生成步骤，分析识别信息中的天气情况得到概率信息；
[0033] 智能运行步骤，分析识别信息中的火情信息，若火情信息为有疑似火情，停止云台子系统的运行，当火情信息为无火情时，根据概率信息匹配运行方案，并根据运行方案控制云台子系统的开闭、运行速率以及和图像识别子系统的运行、图像拍摄频率。
[0034] 有益效果：这样，当林区
气候条件发生变化时，图像识别子系统和云台子系统可以根据林区气候条件发生火情的概率自动调整运行方案，应对各种气候条件对林区森林火情的监控，提高火情监控的精准率。在不可能出现火情的情况，自动停止图像识别子系统和云台子系统的运行，减少系统的功耗。
[0035] 进一步，还包括：
[0036] 性能数据采集步骤：采集图像识别子系统和云台子系统的性能数据；
[0037] 故障诊断步骤：将性能数据与正常性能数据范围进行比对，当诊断性能数据异常时，生成故障警告。
[0038] 有益效果：这样，设备发生异常时，用户可以及时接收到性能数据，能够对设备进行及时维修，以及根据异常的性能数据对设备进行针对性的维护，提高设备维护效率。
附图说明
[0039] 图1为一种森林防火智能控制系统
实施例一的逻辑
框图；
[0040] 图2为一种森林防火智能控制方法实施例一的
流程图；
[0041] 图3为一种森林防火智能控制系统实施例二的逻辑框图。
具体实施方式
[0042] 下面通过具体实施方式进一步详细说明：
[0043] 实施例一
[0044] 一种森林防火智能控制系统，如图1所示，包括图像识别子系统、云台子系统和上位机控制子系统。
[0045] 图像识别子系统，用于采集林区的图像，并根据卷积神经网络模型对图像进行分析得到识别信息，并将识别信息和图像发送给云台子系统，识别信息包括火情、火情面积和天气情况；卷积神经网络模型为通过若干组原始图像(使用时为图像)提取的图像特征和原始识别信息(使用时为识别信息)训练而成的，原始图像为A时间采集到林区B的图像，原始识别信息为A时间林区的火情情况。
[0046] 具体而言，图像识别子系统通过摄像头采集林区的图像，在其他实施例中，也可以采用摄影机，或者具有摄影拍照功能的设备或者装置。卷积神经网络模型实质为用户在使用之前，已经进行了一定数量的训练。训练的内容为：使原始图像提取的图像特征和原始识别信息形成映射关系，在正常使用时，图像识别子系统会自动对采集到的图像提取图像特征，并根据图像特征匹
配对应的识别信息。在图像识别子系统识别A时间节点的图像得到识别信息之后，用户可将实际火情情况作为识别信息在上位机控制子系统向图像识别子系统对A时间节点进行反馈，图像识别子系统中的卷积神经网络模型将自己输出的识别信息与用户反馈的识别信息进行对比和学习，不断提高图像识别火情的精确度。
[0047] 云台子系统，包括设备监控模块和数据采集模块；数据采集模块用于采集林区的检测数据，并将检测数据发送给监控模块，检测数据包括
相对湿度、温度、降雨量和下雪量。具体而言，数据采集模块设置有温度
传感器、
湿度传感器、雪量传感器和
雨量传感器的检测器件。数据采集模块还用于采集位置信息和性能数据，并将位置信息和性能数据发送给上位机控制子系统，位置信息包括设备位置和设备ID，性能参数包括云台控制子系统和图像识别子系统的电流和电压。具体而言，监控模块设置有
电机转速传感器，电流传感器和电压传感器，采集图像识别子系统的电流和电压，以及云台子系统的电机转速、电流和电压作为性能数据。
[0048] 监控模块，用于分析识别信息中的天气情况以及检测信息得到概率信息，并将概率信息和识别信息发送给上位机控制子系统，概率信息为当前天气情况出现火情的概率。具体而言，监控模块内设置预设置不同天气情况下，火情出现的概率。本实施例中监控模块预设置为：天气为雨、雪天：相对湿度大于75％RH或降雨量大于5mm或下雪量大于1mm，火情出现的概率为0。天气为晴或阴天：相对湿度小于75％RH，大于55RH％，温度大于25℃，火情出现的概率为0.1～0.5；相对湿度低于55RH％，大于30％RH，温度在0～35℃，下雪量为0mm，火情出现的概率为0.6～0.7；相对湿度低于30％RH，温度在-10～25℃，下雪量为0mm，火情出现的概率为0.8～1。
[0049] 云台子系统还包括供电模块，用于将风能或太阳能转化为电能，并向云台子系统和图像识别子系统供电。本实施例中，供电模块搭载有
太阳能电池板，将太阳能转化电能，为云台子系统和图像识别子系统供电供电，在其他实施例中，技术人员也可以采用
风力发电机，将风能转化为电能。
[0050] 上位机控制子系统，用于设置火情出现概率的阈值范围，并根据不同的阈值范围设置不同的运行方案，并分析识别信息中的火情信息，当火情信息为有时，停止云台子系统的运行；当火情信息为无时，根据概率信息匹配得到运行方案，然后根据运行方案控制云台子系统和图像识别子系统的运行，运行方案包括云台子系统的开闭、运行速率以及图像识别子系统的开闭、图像拍摄频率。本实施例中，自动运行方案的具体设置为：火情出现的概率为0时，关闭图像识别子系统，停止云台子系统中电机的转动；火情出现的概率为0.1～0.5时，开启图像识别子系统，控制云台子系统中的电机慢速转动或间隔转动，降低图像识别子系统采集图像的频率；火情出现的概率为0.6～0.7时，开启图像识别子系统，云台子系统的电机正常速度转动；火情出现的概率为0.8～1时，开启图像识别子系统，云台子系统的电机
加速转动。其他是实例中，用户可根据不同区域，气候条件，设置不同的自动运行方案，如夜间温度低，不容易着火，关闭图像识别子系统，停止云台子系统中电机的转动。
[0051] 本实施例中，上位机控制子系统还包括报警模块，用于分析性能数据，当性能数据异常时，将位置信息和性能数据生成故障警告。具体而言，报警模块通过比对性能数据的正常范围对照表，当其中一项数据不在正常范围对照表中时，将该性能数据和位置信息生成故障警告。不仅如此，报警模块还用于当识别信息为有火情时，将位置信息和识别信息生成报警信息。
[0052] 如图2所示，基于上述系统，本申请还提供一种森林防火智能控制方法，依次包括以下步骤：
[0053] 运行方案设置步骤，设置火情出现概率的阈值范围，并根据不同的阈值范围设置不同的运行方案；
[0054] 图像采集步骤，采集林区的图像；
[0055] 图像识别步骤，通过卷积神经网络模型，得到识别信息；
[0056] 数据采集步骤，采集林区的检测数据，检测数据包括湿度、温度、降雨量和下雪量；
[0057] 概率生成步骤，分析识别信息中的天气情况得到概率信息；
[0058] 智能运行步骤，分析识别信息中的火情信息，若火情信息为有疑似火情，停止云台子系统的运行，当火情信息为无火情时，根据概率信息匹配运行方案，并根据运行方案控制云台子系统的开闭、运行速率以及和图像识别子系统的运行、图像拍摄频率。
[0059] 还同步进行有：
[0060] 性能数据采集步骤：采集图像识别子系统和云台子系统的性能数据；
[0061] 故障诊断步骤：将性能数据与正常性能数据范围进行比对，当诊断性能数据异常时，生成故障警告。
[0062] 实施例二
[0063] 与实施例一的区别之处在于：如图3所示，上位机控制子系统还包括参数设置模块，用于报警信息进行参数设置,控制云台子系统和图像识别子系统的运行，参数包括水平和垂直方向运行的距离、设备ID以及图像识别子系统采集图像的频率。具体而言，当用户需要自行控制云台时，可以通过参数设置，手动控制
指定的云台运行。
[0064] 实施例三
[0065] 与实施例一的区别之处在于，图像识别子系统还用于将采集的图像在RGB
颜色空间个分量转换到HSV颜色空间中，并根据图像
像素点的HSV颜色特征判断烟雾区域，即如果图像数据中像素点的HSV分量均满足预设阈值(预设阈值：0.35
坐标系，获取图像中烟雾区域的像素坐标(像素点位于图像数据的列数和行数)；针对采集到的连续图像中烟雾区域的像素点坐标，以前一张拍摄图像的烟雾区域像素点在列数上的增长大于其在行数上的增长，则判断烟雾为发生火情的烟雾，生成火情信息(及，如果是纵坐标上有持续增长，判断为因火灾出现的烟，而不是山区漂浮的雾)。[0066] 火灾伴随有烟雾的产生，然而，在林区常常产生雾，而雾与烟在形态上极其相似，容易造成起雾时对火灾的误报。本方案基于烟和雾在空气中的扩散状态的不同，其中，烟呈现以点向外不断扩散，即在像素点坐标系中，纵向的高度是在不断递增的，且纵向递增的趋势大于横向的趋势；而雾是空气中的水蒸气遭遇冷空气发生的
凝结现象，呈区域性的蔓延，这一点与烟的扩散状态截然不同。从而通过连续图像对烟、雾形态的分析，区分烟和雾，进而降低雾对图像识别子系统对林区火情识别的影响，进而提高图像识别子系统对火情识别的准确率。
[0067] 以上所述的仅是本发明的实施例，方案中公知的具体结构及特性等常识在此未作过多描述。应当指出，对于本领域的技术人员来说，在不脱离本发明结构的前提下，还可以作出若干
变形和改进，这些也应该视为本发明的保护范围，这些都不会影响本发明实施的效果和专利的实用性。本申请要求的保护范围应当以其
权利要求的内容为准，
说明书中的具体实施方式等记载可以用于解释权利要求的内容。
