PloughUAV产学研人工智能成果大揭秘

    持续的产学研战略推动下,PloughUAV建立起同上海交大、上海电力大学、长安大学等高校长期稳步的科研合作关系。

   

此前,PloughUAV同长安大学电子与控制工程学院AINM实验室、东南大学自动化学院就基于无人机图像的机器人视觉领域进行深度合作研发,并联合署名发表论文-Saliency Detection and Deep Learning-Based Wildfire Identification in UAV Imagery(基于野火识别的无人机图像的显著性检测和深度学习),刊登于国际刊物《Sensors》。

 

微信图片_20190611093532

 

    经调查,本研究成果在野外火灾识别中采用显著性检测和深度学习的途径具有国际先进性。


    该研究成果是机器视觉的火灾探测研究,是一种无人机的自主着火区域定位和识别系统 。本系统基于PloughUAV垂直起降固定翼无人机天玑II,改型无人机装备全球定位系统(GPS)和高分辨率数码相机为高清航空图像提供精确的图像和位置信息。利用显著性检测和深度卷积神经网络对航空图像中野火进行定位和识别。改系统的核心创新点在于就自然野火灾害提出了一种新的核心火灾区域定位和分割的显著性检测方法,用于快速定位和分割航空图像中的核心火灾。

 

 

微信图片_20190611093834

基于显著性检测的图像分割:(1)原始图像;(2)显著性检测结果;(3)使用逻辑回归分类器和分割的ROI选择;(4)用于深度学习网络训练的分割标准尺寸图像。(a)同时具有火焰和烟雾特征的图像;(b)仅具有烟雾特征的图像;(c)具有多个火灾区域的图像。

 

    该算法可分为区域建议和区域选择两个阶段。在第一阶段,利用显著性检测方法提取感兴趣区域(ROI),计算出ROI的颜色和纹理特征。在第二阶段,我们使用两个逻辑回归分类器来确定ROI的特征向量是属于火焰还是烟雾,并在此基础上对这些区域进行分割。研究提出的火灾定位分割方法实例,该方法可以有效地避免因直接调整尺寸而导致的特征丢失,可用于标准火灾图像的数据扩充和形成。

 

微信图片_20190611093900

提出的火灾定位分割方法实例

 

微信图片_20190611093918

几种复杂场景的火灾定位分割方法实例

   

    本研究同时提出了一个更深层次的15层DCNN模型“Fire_net”,它具有自学习结构,可以从低到高层次提取野火特征。该体系结构的总体精度达到98%,大大提升了以往的学习算法,此外,“Fire-Net”保证了实时野火检测的平均处理速度为41.5毫秒。为了证明其实用性,在WildFire新闻报道中对40幅采样图像进行了Fire-Net测试,并对所有图像进行了准确识别。

 

微信图片_20190611093935

‘Fire_Net’总体架构


    此研究中将DCNN‘Fire_Net’模型与目前流行的机器视觉分类方法进行了比较。实践研究中对WildFire新闻报道中的一组40个样本图像进一步评估了Fire网络的泛化性能。‘Fire_Net’例子正确分类了新闻报道中的火灾图像。

 

微信图片_20190611093951

(a)Bilahe森林火灾,2017年;(b)蒙古森林火灾,2017年;(c)南加州野火和Kern县野火,2016年;(d)Var野火,2017年;(e)La Tuna和Napa山谷野火,2017年。所有这些样本都是正确分类为火灾图像:火灾等级的火灾网络输出范围为0.9765至1,无火灾等级的火灾网络输出范围为1.0064×10−8至0.0235。这表明强烈的火灾特征出现在这些图像中。

 

   与CNN不同,DBN不能以多维图像为输入,图像被转换成矢量以适应其输入格式,图像的结构信息丢失,限制了DBN的图像特征学习能力。其他方法是基于CNN的不同模型。研究表明,‘Fire_Net’优于之前的深度学习模型。 

 

微信图片_20190611094043

“Fire-Net”分类结果样本。(a)火灾全特征的火灾图像;(b)以烟雾特征为主的火灾图像;(c)无火灾图像;(d)分类错误的图像。

 

    该研究是高校学术研究和企业面向市场实践的深厚积累,不仅仅是PloughUAV在人工智能核心技术向前跨越的一大步,也代表了国内科技行业机器学习及智能算法的技术先进性,核心技术的沉淀将快速实现多行业的扩展应用。
 

2019年6月11日 09:42
浏览量:0

最新资讯