技术领域本发明涉及环境保护及监测通信技术领域，更具体地说，涉及一种林火监测方法，还涉及一种林火监测系统。
背景技术：
森林火灾对人类的生命财产和宝贵的自然资源都具有极大的破坏性，世界多个森林资源大国（如中国、美国、加拿大、澳大利亚等）都进行了大量的研究。传统的森林防火可分为四个空间层次：地面巡护监测，了望台监测，飞机巡护监测和卫星监测。这种空间层次上的划分也从侧面反映出了林火监测研究的发展过程。目前，在这四种空间层次上，越来越注重的是，借助于高科技的产品和手段，如红外探火仪、双光谱红外扫描相机、热相仪及遥感信息决策系统等，以减轻劳动强度和提高林火监测的正确率和处理的速度。当今国内外对于林火监测的研究主要集中在利用视频图像，红外技术及无线传感技术。近年来，移动机器人也被应用于林火的监测方面。在机器人身上布置监测装置形成一个移动的监测系统。移动机器人能耐高温，代替人类深入火灾现场采集数据，在恶劣的环境中还能工作。由于它具有旋转、移动及其他运动能力，能加大监测装置的监测范围，便于对区域内的环境进行实时监控。然而发明人发现，现有技术范畴内的林火监测方法还存在一定的问题，具体表现在以下几点：监测成本高，采用的检测设备如通信设备及传感设备要求的精度等等各项指标相对严格，造成了监测设备普及的不便；监测效果并不理想，存在误报或者漏报率较高的情况，并不能够完全遏制森林火灾的安全隐患。综上所述，如何有效地解决现有技术中的林火监测技术方案成本高、监测效果不理想、误报漏报率较高等的技术问题，是本领域技术人员亟待解决的问题。
技术实现要素：
有鉴于此，本发明的第一个目的在于提供一种林火监测方法，该林火监测方法的结构设计可以有效地解决现有技术中的林火监测技术方案成本高、监测效果不理想、误报漏报率较高等的技术问题。本发明的第二个目的是提供一种林火监测系统。为了达到上述第一个目的，本发明提供如下技术方案：一种林火监测方法，包括：采用传感器组收集环境参数；通过人工神经网络分析所述环境参数，并得出是否有火灾的判断结果；如所述判断结果为是，则进行即时报警，如所述判断结果为否，则结束。优选的，上述林火监测方法中，所述传感器组收集到的环境参数包括火焰光数据、燃烧气体浓度数据、环境温度数据。优选的，上述林火监测方法中，所述通过人工神经网络分析所述环境参数，包括：将收集到的环境参数通过模拟数字转换方式转换为检测数字量，并输入所述人工神经网络。优选的，上述林火监测方法中，所述通过人工神经网络分析所述环境参数，还包括：通过串口通信将所述环境参数和对应的检测数字量输入存储显示模块中存储，并显示出来。优选的，上述林火监测方法中，所述通过人工神经网络分析所述环境参数之前还包括：采用与所述检测数字量对应的数据训练，训练所述人工神经网络。优选的，上述林火监测方法中，通过人工神经网络分析所述环境参数，并得出是否有火灾的判断结果，具体为：通过多层前馈BP网络进行分析，给所述BP网络的输入层输入检测数字量；通过所述输入层传递至所述BP网络的一个隐含层得到中间数据；将所述中间数据传递至所述BP网络的一个输出层，最终得到判断结果。优选的，上述林火监测方法中，所述输入层与所述隐含层之间通过Sigmoid函数传递连接，所述输出层与所述隐含层之间通过线性函数传递连接。优选的，上述林火监测方法中，所述通过人工神经网络分析所述环境参数，并得出是否有火灾的判断结果，具体为：通过径向基函数网络分析所述环境参数，并得出是否有火灾的判断结果，所述径向基函数网络的goal参数为0.3。采用本发明提供的林火监测方法，包括：采用传感器组收集环境参数；通过人工神经网络分析所述环境参数，并得出是否有火灾的判断结果；如所述判断结果为是，则进行即时报警，如所述判断结果为否，则结束。设置了人工神经网络对环境参数进行分析，充分利用了其具有自学习和自适应能力对各类信号进行分析加工，能够适应火情检测中的各种不同类型的传感信号并且进行非线性的、符合火情原理的信号处理，对林场传来的环境参数进行准确的分析，得到可信度相对现有技术更高的分析结果从而得到准确的检测结果，由于人工神经网络具有记忆学习能力，还可以通过不同参数的调整以适应不同的林场的具体环境。综上所述，本发明提供的林火监测方法有效地解决现有技术中的林火监测技术方案成本高、监测效果不理想、误报漏报率较高等的技术问题。本发明还提供了一种林火监测系统，包括：传感器组，所述传感器组设置于林区，实时收集设置所述传感器组位置的环境参数；人工神经网络功能模块，与所述传感器组通信连接，分析所述环境参数得到是否有火灾的判断结果；报警响应模块，与所述人工神经网络功能模块通信连接，执行报警响应。优选的，上述林火监测系统中，所述传感器组包括两组或两组以上的传感器单元，每组所述传感器单元包括：火焰光传感器，用于检测火焰发出的光；第一气体传感器，用于检测烟雾和甲烷的浓度；第二气体传感器，用于检测一氧化碳的浓度；第三气体传感器，用于检测一氧化碳和其他可燃气体的浓度；所述人工神经网络功能模块还包括A/D转换单元，用于将采集到的环境参数的模拟信号转换为数字信号；所述林火监测系统还包括存储显示模块，用于将环境参数和通过所述A/D转换单元得到的对应的检测数字量存储和显示。应用本发明提供的这种林火监测系统，可以实现上述的林火监测方法，所以该林火监测系统也应具有相应的技术效果。附图说明为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1为本发明实施例提供的林火监测方法的流程图；图2为本发明实施例提供的林火监测方法的BP网络的示意图；图3为本发明实施例提供的林火监测方法的BP网络的Sigmoid函数图像；图4为本发明实施例提供的林火监测方法的BP网络的划分数据程序的流程图；图5为本发明实施例提供的林火监测方法的BP网络的流程图。具体实施方式本发明实施例公开了一种林火监测方法，以解决现有技术中的林火监测技术方案成本高、监测效果不理想、误报漏报率较高等的技术问题。下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。请参阅图1，图1为本发明实施例提供的林火监测方法的流程图。采用本发明提供的林火监测方法，包括：S01：采用传感器组收集环境参数；S02：通过人工神经网络分析所述环境参数，并得出是否有火灾的判断结果；S03：如所述判断结果为是，则进行即时报警，如所述判断结果为否，则结束。设置了人工神经网络对环境参数进行分析，充分利用了其具有自学习和自适应能力对各类信号进行分析加工，能够适应火情检测中的各种不同类型的传感信号并且进行非线性的、符合火情原理的信号处理，对林场传来的环境参数进行准确的分析，得到可信度相对现有技术更高的分析结果从而得到准确的检测结果，由于人工神经网络具有记忆学习能力，还可以通过不同参数的调整以适应不同的林场的具体环境。综上所述，本发明提供的林火监测方法有效地解决了现有技术中的林火监测技术方案成本高、监测效果不理想等的技术问题。为进一步优化上述技术方案，在上述实施例的基础上优选的，上述林火监测方法中，所述传感器组收集到的环境参数包括火焰光数据、燃烧气体浓度数据、环境温度数据。本实施例提出的技术方案采用多种不同的数据参数来定义环境情况以便更加精准的分析出是否出现火情。为进一步优化上述技术方案，在上述实施例的基础上优选的，上述林火监测方法中，所述通过人工神经网络分析所述环境参数，包括：将收集到的环境参数通过模拟数字转换方式转换为检测数字量，并输入所述人工神经网络。模拟信号转换为数字量通过转换程序实现，具体可以使用Arduino的外部中断功能，发明人根据本发明的技术方案选择了Arduino控制器作为系统及方法的实施基础，所以此处模拟数字转换由Arduino内程序执行。Arduino有三种中断模式，即拥有三种中断触发的方式。分别为低电平触发（LOW），电平变化触发（CHANGE），上升沿触发（RISING）和下降沿触发（FALLING）。由火焰传感器的结构特点，本实验接火焰光传感装置的电路板的输出引脚1（有火时输出高电平方波），因此，应采用上升沿中断（RISING）。中断函数只是一个简单的计数函数，每产生一个方波即计数一次（i++），在计数时间内，方波数越多，即说明火焰越强。燃烧气体浓度和温度传感器均接Arduino的模拟输入口，经过Arduino的A/D转换功能，把检测所得的环境参数转换为数字量，并与计算机进行串口通信（Serial.print），把数据在计算机上进行显示，并由计算机保存所采集的数据。为进一步优化上述技术方案，在上述实施例的基础上优选的，上述林火监测方法中，所述通过人工神经网络分析所述环境参数，还包括：通过串口通信将所述环境参数和对应的检测数字量输入存储显示模块中存储，并显示出来。便于提取和观测，可以直接反映出林区的环境参数，以便操作人员进行分析或对人工神经网络进行检测或者调整。请参阅图2至图5，图2为本发明实施例提供的林火监测方法的BP网络的示意图；图3为BP网络的Sigmoid函数图像；图4为BP网络的划分数据程序的流程图；图5为BP网络的流程图。为进一步优化上述技术方案，在上述实施例的基础上优选的，上述林火监测方法中，所述通过人工神经网络分析所述环境参数之前还包括：采用与所述检测数字量对应的数据训练，训练所述人工神经网络。为进一步优化上述技术方案，在上述实施例的基础上优选的，上述林火监测方法中，通过人工神经网络分析所述环境参数，并得出是否有火灾的判断结果，具体为：通过多层前馈BP网络进行分析，给所述BP网络的输入层输入检测数字量；通过所述输入层传递至所述BP网络的一个隐含层得到中间数据；将所述中间数据传递至所述BP网络的一个输出层，最终得到判断结果。BP网络是前馈网络中的一种，它的连接权调整采用了反向传播（BackPropagation）学习算法，其为前向神经网络的核心部分，也是整个人工神经网络体系中的精华，广泛应用于分类识别、逼近、回归、压缩等领域。BP网络采用有监督的学习，因此用BP神经网络解决一个具体问题时，首先需要一个训练数据集。BP网络的设计主要包括网络层数、输入层节点数、隐含层节点数、输出层节点数及传输函数、训练方法、训练参数的设置等几个方面。网络层数BP网络可以包含一到多个隐含层。不过，理论上已经证明，单个隐含层的网络可以通过适当增加神经元节点的个数实现任意的非线性映射。因此，对于大部分应用场合，单个隐含层即可满足需要。所以，本实验所设计的BP神经网络有输入层、一层隐含层、输出层共三层结构。只有当样本过多且内部关系复杂时，增加一个隐含层可以明显减小网络的规模。输入层节点数输入层节点数取决于输入向量的维数。在此BP网络中，输入向量包括火焰光、燃烧气体浓度和环境温度三类主要数据，而优选的发明人还根据燃烧气体的不同类别将燃烧气体浓度的数据分为三种，所以输入向量采用5维，分别是火焰传感器模块的输入，三个燃烧气体浓度的输入，温度传感器的输入。所以，本BP网络的输入层节点数为5。隐含层节点数隐含层节点数对BP网络的性能有很大影响。一般较多的隐含层节点数可以带来更好的性能，但可能导致训练时间过长。目前并没有一个理想的解析式可以用来确定合理的神经元节点个数，这也是BP网络的一个缺陷。通常的做法是采用经验公式给出估计值：方法一是利用公式：M=（n+m）1/2+a，m和n分别为输出层和输入层的神经元个数，a是[0，10]之间的常数。由以上分析及图2可见，m=1，且n=5，所以，隐含层节点数M的取值范围是[2.25，10]之间的整数。方法二是利用公式：M=log2n，n为输入层神经元个数，在本网络中，n=5，即M=2.32。综上，可以把隐含层神经元个数暂定为M=3。输出层神经元个数输出层的神经元个数是根据从实际问题中得到的抽象模型来决定的。在本BP网络中，输出只有两种可能，用0代表正常情况，即无火，用1代表检测环境中有火。所以，只有一个输出结点即可，且其输出为二值输出。传递函数的选择一般隐含层使用Sigmoid函数，而输出层使用线性函数。训练方法的选择BP网络除了标准的最速下降法以外，还有若干种改进的训练算法。训练算法的选择与问题本身、训练样本的个数都有关系。本BP网络涉及到的是模式识别的问题，使用RPROP算法能得到较好的效果。SCG算法对于模式识别和函数逼近问题都有较好的性能表现。在样本的训练过程中，可以选择串行或批量的方式进行训练。串行方式需要更小的存储空间，且输入样本具有一定的随机性，可以避免陷入局部最优。而批量训练的误差收敛条件非常简单，训练速度快。为进一步优化上述技术方案，在上述实施例的基础上优选的，上述林火监测方法中，所述输入层与所述隐含层之间通过Sigmoid函数传递连接，所述输出层与所述隐含层之间通过线性函数传递连接。BP网络的传递函数必须可微。一般可采用Sigmoid函数或线性函数作为传递函数。Sigmoid函数是光滑、可微的函数，在分类时比线性函数更精确，容错性较好。具有非线性的放大功能。一个简单的Sigmoid函数可由下式确定：f(x)=1/(1+e-x)，其中x的范围包含整个实数域，函数值y在0－1之间，具体应用时可以增加参数，以控制曲线的位置和形状。采用误差反向传播算法进行学习。在BP网络中，数据从输入层经隐含层逐层向后传播。训练网络权值时，则沿着减小误差的方向，从输出层经过中间各层逐层向前修正网络的连接权值。随着学习的不断进行，最终的误差越来越小。以上各实施例中主要提供了采用BP网络的方式进行环境参数的分析，事实上，分析环境参数的方式不仅仅限于BP网络，采用下述实施例提供的径向基函数的方法同样可以分析环境参数。为进一步优化上述技术方案，在上述实施例的基础上优选的，上述林火监测方法中，所述通过人工神经网络分析所述环境参数，并得出是否有火灾的判断结果，具体为：通过径向基函数网络分析所述环境参数，并得出是否有火灾的判断结果，所述径向基函数网络的goal参数为0.3。径向基神经网络是由三层构成的前向网络：第一层为输入层，第二层为隐含层，第三层为输出层。它可分为两种结构，分别为正则化网络和广义网络，在工程实践中被广泛应用的是广义网络，它可由正则化网络稍加变化得到。正则化网络的第二层属于隐含层，由直接与输入节点相连的节点组成，一个隐含节点对应一个训练数据点，因此其个数与训练数据点的个数相同。由于本实验需要较大量的训练数据，才能使数据有足够的代表性，而用正则化网络的话，计算量将是惊人的，从而导致过低的效率或根本无法实现。所以，正则化网络并不符合要求。可选用正则化网络的变形－广义网络。广义网络是用Galerkin方法来减少隐含层神经单元的个数，此时求得的解是较低维空间上的次优解。用该网络分析的过程和BP网络类似，需要先对样本进行划分，只是调用的神经网络创建函数不同，还有部分参数设置也不同。广义网络的参数设置要点是训练误差goal的选择。参数goal对径向基函数网络性能影响很大。goal的选取如果过大，则网络的精度不够，不能起到很好的模式识别功能。若goal过小，则隐含层神经元数目多，收敛速度过慢，有可能根本无法实现。在此模型中，比较合适的goal参数为0.3，而小于0.3时网络隐含层结点数目急剧增加，收敛速度过慢，可能实现过拟合。基于上述实施例中提供的林火监测方法，本发明还提供了一种林火监测系统，该林火监测系统可实现上述实施例中任意一种林火监测方法。所以该林火监测系统的有益效果请参考上述实施例。本发明实施例还提供的林火监测系统，包括：传感器组，所述传感器组设置于林区，实时收集设置所述传感器组位于的环境的环境参数；人工神经网络功能模块，与所述传感器组通信连接，分析所述环境参数得到是否有火灾的判断结果；报警响应模块，与所述人工神经网络功能模块通信连接，执行报警响应。优选的，上述林火监测系统中，所述传感器组包括两组或两组以上的传感器单元，每组所述传感器单元包括：火焰光传感器，用于检测火焰发出的光；第一气体传感器，用于检测烟雾和甲烷的浓度；第二气体传感器，用于检测一氧化碳的浓度；第三气体传感器，用于检测一氧化碳和其他可燃气体的浓度；所述人工神经网络功能模块还包括A/D转换单元，用于将采集到的环境参数的模拟信号转换为数字信号；所述林火监测系统还包括存储显示模块，用于将环境参数和通过所述A/D转换单元得到的对应的检测数字量存储和显示。本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。