![db6624f7e3c663941c7c339c19242c38.png](https://img-blog.csdnimg.cn/img_convert/db6624f7e3c663941c7c339c19242c38.png)
近日,来自北亚利桑那大学等单位学者公开了一个基于航拍图像的森林火情检测数据集:FLAME ,用于促进森林火灾的监控报警。
作者:
![ae76b48bc26ef85447a13dc714a809bd.png](https://img-blog.csdnimg.cn/img_convert/ae76b48bc26ef85447a13dc714a809bd.png)
森林火灾是美国代价最大、最致命的自然灾害之一,对数百万公顷的森林资源造成破坏,并威胁到人和动物的生命安全,早期发现并进行报警具有重要的价值。该文提出的 FLAME(Fire Luminosity Airborne-based Machine learning Evaluation)是一个火灾航空图像的数据集,作者并基于主流的CNN方法建立了火灾检测和分割的方法,可以帮助消防人员和研究人员制定最佳的火灾管理策略。
该数据集是由无人机在亚利桑那州松树林的规定燃烧堆积杂物期间收集的火灾图像数据集。该数据集包括红外相机拍摄的视频记录和热图。捕获的视频和图像按帧标注,可以帮助研究人员轻松建立模型。
数据采集设备:
![b36cd7e1c94c196d3d615a1197d9c292.png](https://img-blog.csdnimg.cn/img_convert/b36cd7e1c94c196d3d615a1197d9c292.png)
图像示例:
![2674a754bf20a01c629547ab36354d21.png](https://img-blog.csdnimg.cn/img_convert/2674a754bf20a01c629547ab36354d21.png)
![3bfca6b4bf49d8f8b7573d2e74354389.png](https://img-blog.csdnimg.cn/img_convert/3bfca6b4bf49d8f8b7573d2e74354389.png)
数据集统计信息:
![67b649b89ec439d0a2fce7a737e6cbc7.png](https://img-blog.csdnimg.cn/img_convert/67b649b89ec439d0a2fce7a737e6cbc7.png)
另外作者还重点介绍了进行森林火情报警的两个重要问题。
(1) 是否有火情的图像二分类。作者开发了一种人工神经网络(ANN)方法,分类精度达到76%。
![7d949c62ef36b25b52eb8eba5940aa8c.png](https://img-blog.csdnimg.cn/img_convert/7d949c62ef36b25b52eb8eba5940aa8c.png)
(2) 精确分割火灾边界的火灾检测。作者设计了一种基于U-Net模型的深度学习方法,从视频帧中提取火灾mask。在FLAME数据集中取得了接近92%的精度和84%的召回率。
![351adbb9a960d4cd1a8f86fd5a990cc0.png](https://img-blog.csdnimg.cn/img_convert/351adbb9a960d4cd1a8f86fd5a990cc0.png)
论文:https://arxiv.org/pdf/2012.14036v1.pdf
代码:AlirezaShamsoshoara/Fire-Detection-UAV-Aerial-Image-Classification-Segmentation-UnmannedAerialVehicle
数据集已经上传到IEEE dataport,IEEE会员可登录下载:
The FLAME dataset: Aerial Imagery Pile burn detection using drones (UAVs)ieee-dataport.org![756731eec120232319fa7878cd0d9877.png](https://img-blog.csdnimg.cn/img_convert/756731eec120232319fa7878cd0d9877.png)
视频演示:
知乎视频www.zhihu.com