1.本发明属于数据传输技术领域，具体涉及一种远程微波监控方法和系统。
背景技术：
2.森林是地球上重要的生态系统之一，拥有丰富的生物多样性，能够吸收二氧化碳、产生氧气，并维持水循环等重要功能。森林火灾不仅会破坏植被和土壤，还会释放大量的二氧化碳和其他有害气体，对气候变化和环境健康产生负面影响。同时，森林火灾往往对人类社会和居民区造成威胁，会导致人员伤亡和财产损失。采取森林防火措施可以减少火灾的发生和扩散，确保人民的生命财产安全。因此，森林防火具有重要意义。
3.现有技术中，往往采用无人机采集遥感图像的方式进行森林防火，无人机可以无视地形障碍，到达传统监测手段难以触及的区域，具有高度的灵活性。然而，无人机监控受限于飞行时间和航程，覆盖范围相对较小，并且无人机监控易受到天气因素的影响，再者无人机购买与维护成本高，不利于普及。
技术实现要素：
4.为了解决现有技术中采用无人机采集遥感图像的方式进行森林防火，受限于飞行时间和航程，覆盖范围相对较小，并且无人机监控易受到天气因素的影响，再者无人机购买与维护成本高，不利于普及的技术问题，本发明提供一种远程微波监控方法和系统。
5.第一方面
6.本发明提供了一种远程微波监控方法，包括：
7.s101：采集端获取森林图像数据；
8.s102：采集端对森林图像数据进行压缩；
9.s103：采集端对压缩后的森林图像数据进行编码；
10.s104：采集端对编码进行调制，得到微波信号；
11.s105：采集端对微波信号进行加密；
12.s106：采集端发射加密后的微波信号，经过中继设备传输至监控中心；
13.s107：监控中心对接收到的微波信号进行解密；
14.s108：监控中心对解密后的微波信号进行解调；
15.s109：监控中心对解调后的编码进行解码；
16.s110：监控中心对解码后的森林图像数据进行图像识别，监控是否存在火灾风险；
17.s111：监控中心监控到火灾风险时，发出报警信号。
18.第二方面
19.本发明提供了一种远程微波监控系统，用于执行第一方面中的远程微波监控方法。
20.与现有技术相比，本发明至少具有以下有益技术效果：
21.在本发明中，通过远程微波技术，采集端可以经过多个中继设备实时传输森林图
像至监控中心，监控中心对森林图像进行图像识别，监控是否存在火灾风险，火情监控的覆盖范围更广，不会受到天气因素的影响，采集端的摄像头相对于无人机而言，成本较低，利于推广。
附图说明
22.下面将以明确易懂的方式，结合附图说明优选实施方式，对本发明的上述特性、技术特征、优点及其实现方式予以进一步说明。
23.图1是本发明提供的一种远程微波监控方法的流程示意图；
24.图2是本发明提供的一种远程微波传输的结构示意图；
25.图3是本发明提供的一种微波数据传输的结构示意图。
具体实施方式
26.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，下面将对照附图说明本发明的具体实施方式。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，并获得其他的实施方式。
27.为使图面简洁，各图中只示意性地表示出了与发明相关的部分，它们并不代表其作为产品的实际结构。另外，以使图面简洁便于理解，在有些图中具有相同结构或功能的部件，仅示意性地绘示了其中的一个，或仅标出了其中的一个。在本文中，“一个”不仅表示“仅此一个”，也可以表示“多于一个”的情形。
28.还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
29.在本文中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接。可以是机械连接，也可以是电连接。可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
30.另外，在本发明的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
31.实施例1
32.在一个实施例中，参考说明书附图1，示出了本发明提供的远程微波监控方法的流程示意图。参考说明书附图2，示出了本发明提供的一种远程微波传输的结构示意图；参考说明书附图3，示出了本发明提供的一种微波数据传输的结构示意图。
33.本发明提供的一种远程微波监控方法，包括：
34.s101：采集端获取森林图像数据。
35.其中，采集端可以是摄像头或摄像机。
36.其中，多个采集端通过中继设备与监控中心远程微波通信连接。
37.s102：采集端对森林图像数据进行压缩。
38.具体而言，可以通过离散余弦变换、小波变换、预测编码等对森林图像数据进行压
缩。
39.在一种可能的实施方式中，为了提升森林图像数据的压缩效果，s102具体包括子步骤s1021至s1027：
40.s1021：提取森林图像数据的图像帧。
41.s1022：将各个图像帧分解为r通道图像、g通道图像和b通道图像。
42.其中，彩色图像通常由红色（r）、绿色（g）和蓝色（b）三个基本颜色通道组成。
43.s1023：对r通道图像进行奇异值分解：
[0044][0045]
其中，r表示r通道图像，u为正交矩阵，为对角矩阵，diag为对角矩阵符号，分别为对角矩阵的对角线上的i个数值，可称为奇异值， v为正交矩阵，v
t
表示v的转置。
[0046]
其中，奇异值分解（singular value decomposition， svd）是一种重要的矩阵分解方法，可以将一个矩阵分解为三个矩阵的乘积的形式，分别代表了原始矩阵的空间变换、奇异值的重要程度以及数据在新的坐标系下的表示。
[0047]
s1024：提取正交矩阵u的前k列，以对正交矩阵u进行降维处理，提取正交矩阵v的前k行，以对正交矩阵v进行降维处理，保留前k个奇异值，将其余的奇异值赋零，得到压缩后的r通道图像。
[0048]
其中，奇异值的排序代表了特征的重要程度，排序靠前的奇异值代表了数据中的主要特征，而排序靠后的奇异值则代表了数据中的次要特征。选择前k个最大的奇异值，将其余奇异值置零。这相当于保留了数据中最重要的特征，而忽略了较小的特征。
[0049]
进一步地，提取正交矩阵u的前k列和正交矩阵v的前k行，这样就只保留了这k个特征，相当于将数据投影到了一个k维的子空间中，实现了对数据进行降维处理。
[0050]
s1025：依据与r通道图像同样的处理方式，得到压缩后的g通道图像和b通道图像。
[0051]
s1026：将压缩后的r通道图像、g通道图像和b通道图像进行合并，得到压缩后的图像帧。
[0052]
s1027：将压缩后的图像帧组合为压缩后的森林图像数据。
[0053]
在本发明中，通过奇异值分解对森林图像数据进行压缩，可以提取图像的主要特征并减少数据的维度，进一步在减小数据的大小、提高微波传输的效率的同时，保留图像的关键信息，保证图像不失真。
[0054]
s103：采集端对压缩后的森林图像数据进行编码。
[0055]
具体而言，采集端可以采用霍夫曼编码、等长编码、算术编码、差分编码等方式对压缩后的森林图像数据进行编码。
[0056]
在一种可能的实施方式中，为了提升编码效率以及传输效率，s103具体包括子步骤s1031至s1033：
[0057]
s1031：对压缩后的森林图像数据进行小波变换，得到小波系数y：
[0058]
[0059]
其中，x表示压缩后的森林图像数据，表示小波变换函数。
[0060]
其中，小波变换是一种用于信号和图像分析的数学工具。它通过将信号或图像分解为不同尺度和频率的小波系数，提供了对信号或图像局部特征的描述和分析能力。
[0061]
进一步地，小波变换可以将图像数据从时域转换到频域，使得图像数据能够以较少的系数表示。通过小波变换，可以将图像数据的冗余信息分解并抑制，从而实现更高的压缩率。
[0062]
s1032：对小波系数进行标量量化，得到离散的索引系数q：
[0063][0064]
其中，表示标量函数，表示步长。
[0065]
其中，为了进一步压缩和编码这些小波系数，可以对其进行标量量化操作，将其量化为一组有限的离散级别。通过量化，小波系数的范围将被划分为一组离散的级别，每个级别由相应的索引表示。这些离散的索引系数q可以更有效地编码和存储，从而实现对小波系数的压缩和表示。量化后的小波系数q将用于后续的编码和解码过程，以便进行数据的传输、存储或重建。
[0066]
需要说明的是，标量量化过程中，可以根据特定的量化表或量化参数来控制量化的精度和级别。重要的小波系数将被保留在较高的精度级别上，而较不重要的系数则会被量化为较低的精度级别，从而实现数据的压缩同时尽可能地保留图像的重要信息。
[0067]
s1033：将索引系数压缩为比特流。
[0068]
具体而言，确定每个索引系数所需的比特位数，这取决于量化级别的数量。将每个索引系数转换为其二进制表示形式，并按照比特位数将其编码为一个比特流。这可以使用位运算或二进制转换算法来完成。将每个索引系数的比特流按照顺序组合起来，形成一个整体的比特流。
[0069]
需要说明的是，将索引系数压缩为比特流后，可以进一步减小数据的体积，提高数据的传输效率。比特流可以更有效地存储和传输数据，从而减少传输延迟和资源占用。
[0070]
在本发明中，通过将压缩后的森林图像数据进行小波变换、标量量化和比特流压缩，可以实现更高的压缩率、减少数据量、保留重要信息，并提高数据的传输效率。这些好处使得图像数据的存储、传输和处理更加高效和便捷。
[0071]
s104：采集端对编码进行调制，得到微波信号。
[0072]
具体而言，采集端可以采用amplitude shift keying (ask) 调制、frequency shift keying (fsk) 调制、phase shift keying (psk) 调制和quadrature amplitude modulation (qam) 调制等调制方式对编码进行调制，得到微波信号。
[0073]
在一种可能的实施方式中，s104具体为：通过正交振幅调制，对编码进行调制，得到微波信号。
[0074]
其中，正交振幅调制（quadrature amplitude modulation，qam）是一种将数字数据同时调制到信号的幅度和相位上的复杂调制技术。它结合了振幅调制和相位调制的特点，可以在有限的信号带宽内传输更多的信息。
[0075]
s105：采集端对微波信号进行加密。
[0076]
需要说明的是，采集端对微波信号进行加密可以增加数据传输的安全性和保密性。
[0077]
在一种可能的实施方式中，s105具体包括子步骤s1051至s1057：
[0078]
s1051：选择两个大素数a和b，计算以及：
[0079][0080]
s1052：随机选择一个整数e，使得随机数e满足：
[0081][0082]
其中，表示随机数e与互质。
[0083]
s1053：计算随机数e的逆元：
[0084][0085]
其中，mod表示取模运算符；
[0086]
s1054：将(g,e)作为私钥，将(g,d)作为公钥ek。
[0087]
需要说明的是，使用上述方法生成私钥和公钥可以提供安全的加密和身份验证机制，保护森林图像数据的机密性和完整性，并确保只有经过授权的人可以访问和操作森林图像数据。
[0088]
s1055：构建关于随机数e和逆元d的混沌映射关系式：
[0089][0090]
其中，n表示验证次数，λ1、λ2、λ3、λ4和λ5表示混沌参数且均为常数。
[0091]
需要说明的是，混沌映射关系式的作用是为了保护随机数e和逆元d，在后续的每一次验证中，随机数e和逆元d均会发生变化。现有技术中的混沌映射关系式，现有的二维混沌映射存在混沌参数范围不连续，参数空间中存在许多周期窗口，混沌行为较脆弱，当参数受到干扰时，会出现混沌行为很容易消失，发生混沌退化的问题。而本发明首先初始化两个参数多项式，然后通过模运算将任意值折叠到一个固定的范围内，最后从非线性多项式生成混沌映射，生成具有鲁棒混沌性的二维混沌映射，弥补了现有混沌映射关系式中存在的缺点。
[0092]
s1056：通过以下公式对微波信号的哈希值hash和公钥ek进行异或运算，得到密钥k：
[0093][0094]
其中，ki表示密钥k的第i位的数值，hashi表示哈希值hash的第i位的数值，eki表示公钥ek的第i位的数值。
[0095]
需要说明的是，通过对微波信号的哈希值和公钥进行异或运算，可以增加密钥的随机性，提高密钥的安全性，从而增加对攻击的抵抗能力。
[0096]
s1057：通过密钥k对微波信号进行加密。
[0097]
在本发明中，采集端对微波信号进行加密可以提高数据传输的安全性和保密性，防止未经授权的访问和窃听，保护敏感信息不被泄露，同时增加系统的抗攻击性和数据的完整性，有助于确保森林图像数据在传输过程中的安全性和可靠性。
[0098]
s106：采集端发射加密后的微波信号，经过中继设备传输至监控中心。
[0099]
其中，中继设备是指在数据传输过程中，用于增强信号传输范围、扩展覆盖区域和提供信号传输的中转功能的设备。中继设备可以放大和增强微波信号的强度，以保证信号在传输过程中不会因为信号衰减而失真或变弱。通过放大信号，中继设备能够延长传输距离，确保信号能够到达监控中心。
[0100]
s107：监控中心对接收到的微波信号进行解密。
[0101]
需要说明的是，解密过程是加密过程的逆过程，为避免重复，本发明不再赘述。
[0102]
s108：监控中心对解密后的微波信号进行解调。
[0103]
在一种可能的实施方式中，s108具体为：通过正交振幅反调制，对解密后的微波信号进行解调。
[0104]
需要说明的是，解调过程是调制过程的逆过程，为避免重复，本发明不再赘述。
[0105]
s109：监控中心对解调后的编码进行解码。
[0106]
在一种可能的实施方式中，s109具体包括子步骤s1091至s1094：
[0107]
s1091：根据比特流获取索引系数q。
[0108]
s1092：根据索引系数进行反量化，得到重建小波系数。
[0109]
。
[0110]
s1093：根据重建小波系数进行小波反变换，得到重建森林图像数据：
[0111][0112]
其中，表示小波反变换函数。
[0113]
s1094：对重建森林图像数据进行去量化处理。
[0114]
其中，在图像编码中，量化是将连续的小波系数转换为离散的索引系数的过程。而去量化则是将离散的索引系数重新转换回连续的小波系数的过程。去量化的目的是恢复编码前的小波系数，以便进行后续的反变换和重建图像数据。
[0115]
需要说明的是，解码过程是编码过程的逆过程，为避免重复，本发明不再赘述。
[0116]
在一种可能的实施方式中，远程微波监控方法还包括：
[0117]
获取样本数据集x，样本数据集包括多个训练图像x。
[0118]
构建编解码损失函数：
[0119][0120]
其中，表示小波变换可变参数，表示去量化可变参数，表示比特率。
[0121]
以损失函数最小化为目标，通过样本数据集，对编解码方式进行训练，得到最佳的小波变换可变参数和去量化可变参数。
[0122]
在本发明中，通过训练来调整小波变换可变参数和去量化可变参数，以使编解码
过程更加适应所处理的森林图像数据的特点。通过优化编解码方式，可以提高图像压缩的效率和质量，减少信息损失。进一步地，通过构建编解码损失函数，其中包含比特率作为重要的考虑因素，可以在保持图像质量的前提下，尽可能降低数据的传输和存储所需的比特率。有助于提高远程微波监控系统的效率、准确性和可靠性，更好地应对火灾风险监测的需求。
[0123]
s110：监控中心对解码后的森林图像数据进行图像识别，监控是否存在火灾风险。
[0124]
具体而言，监控中心可以通过yolo算法、支持向量机、深度学习算法等对解码后的森林图像数据进行图像识别，监控是否存在火灾风险。
[0125]
在一种可能的实施方式中，s110具体包括子步骤s1101至s110b：
[0126]
s1101：获取样本数据集y，样本数据集y包括多张火灾图像。
[0127]
s1102：对样本数据集进行数据增强：
[0128][0129]
其中，m表示融合图像，y1表示样本数据集中已有的第一图像，y2表示样本数据集中已有的第二图像，μ表示融合系数。
[0130]
具体地，第一图像可以是火焰图像，第二图像可以是烟、雾、云等图像。
[0131]
需要说明的是，森林火灾初期火势往往比较小，容易被遮挡。森林中树种的多样性以及其它遮挡物如烟、雾、云等造成了遮挡物的多样性，这些遮挡物都影响着模型对火灾进行识别的效果。本发明采取图片间的相互融合来模拟火势被遮挡的案例，生成更多的遮挡样本带入到模型中学习，让最终的网络模型对其他遮挡情况也有很好的识别效果。
[0132]
s1103：提取火灾图像的灰度共生矩阵。
[0133]
其中，灰度共生矩阵是一种用于描述图像纹理特征的统计方法。它通过分析像素之间的灰度值关系来捕捉图像中的纹理信息。灰度共生矩阵是一个二维矩阵，其中的每个元素表示了在特定的方向和距离上，两个像素具有一对特定灰度值的共生频次。具体而言，灰度共生矩阵统计了图像中每对像素的灰度值出现的频次，可以捕捉到灰度级之间的空间关系和相对分布。
[0134]
s1104：通过灰度共生矩阵，提取火灾图像的图像特征，图像特征包括对比度e1、相关性e2、能量e3和同质性e4。
[0135]
在一种可能的实施方式中，s1104具体为：
[0136]
通过以下公式，提取火灾图像的对比度e1、相关性e2、能量e3和同质性e4：
[0137]
[0138]
其中，pg表示灰度共生矩阵，p(i, j)表示灰度共生矩阵中第i行第j列的像素值，ui表示第i行像素值的均值，uj表示第j列像素值的均值，si表示第i行像素值的标准差，sj表示第j列像素值的标准差。
[0139]
其中，对比度、相关性、能量和同质性等特征可以提供对火灾图像纹理的描述。火灾图像通常具有独特的纹理特征，如火焰、烟雾、火光等，这些特征可以通过灰度共生矩阵提取的图像特征来捕捉。这些特征有助于区分火灾图像与正常图像，并提供有关火灾图像的纹理信息。通过提取灰度共生矩阵的图像特征，能够有效地描述火灾图像的纹理特征和统计信息，提供全面的特征描述和定量化分析，从而实现对火灾图像的识别和分析。
[0140]
s1105：对各个图像特征进行特征融合，得到融合特征值e：
[0141][0142]
其中，θ表示融合参数，α1表示对比度的权重，α2表示相关性的权重，α3表示能量的权重，α4表示同质性的权重。
[0143]
其中，融合不同的图像特征可以提供更全面和准确的图像描述。每个图像特征都能从不同的角度捕捉图像的信息，通过将它们进行融合，可以综合利用各个特征的优势，得到更全面、更准确的特征表达。
[0144]
在一种可能的实施方式中，对比度的权重α1，相关性的权重α2，能量的权重α3以及同质性的权重α4的确定方式为：
[0145]
通过对对比度、相关性、能量和同质性进行两两比较，结合九级标度法，建立判别矩阵a：
[0146][0147]
其中，a
ij
表示第i个图像特征相对于第j个图像特征的重要程度，a
ij
的取值可通过九极标度法确定，n=4。
[0148]
其中，九级标度法（nine-point scale）是一种用于比较和评估对象或概念相对重要性、优劣或程度的量表方法。通常由一个包含九个等级的量表组成，每个等级用于表示不同的程度或程度。被评估者需要根据自己的感觉或认知，在这九个等级中选择一个最符合对第i个图像特征相对于第j个图像特征的重要程度的评价。
[0149]
计算判别矩阵a的特征向量和特征值：
[0150][0151]
其中，λ表示判别矩阵a的特征值，p表示判别矩阵a的特征向量，取最大的特征值记为λ
max
，与最大的特征值对应的特征向量记为p
max
，。
[0152]
对最大的特征值对应的特征向量p
max
进行归一化处理：
[0153][0154]
其中，归一化后的向量的各个分量分别代表各个图像特征的权重，可分别记为。
[0155]
在本发明中，提供了一种系统化的方法来确定权重，基于准则间的两两比较和专家判断，可以考虑对比度、相关性、能量和同质性等多个因素，综合考虑它们的重要性，从而更全面地评估和比较不同图像特征的贡献，使决策过程更加客观和科学。通过权重的确定，可以减少主观偏见和随意性，提供可量化的依据进行决策。
[0156]
s1106：使用sigmod函数将融合特征值e映射至[0,1]的区间范围内：
[0157][0158]
其中，e表示自然对数。
[0159]
需要说明的是，通过sigmoid函数的运算，可以将融合特征值转化为一个介于0和1之间的概率值。这样做的目的是将融合特征值进行归一化，使其具有概率的解释，方便进行后续的判断和处理。
[0160]
s1107：使用阶跃函数g(e)将概率值转化为{0,1}的结果输出：
[0161][0162]
其中，1表示存在火灾，0表示不存在火灾。
[0163]
s1108：构建损失函数j(θ)：
[0164][0165]
其中，n表示火灾图像的数目，ei表示第i个火灾图像的融合特征值，g(ei)表示阶跃函数的输出结果。
[0166]
需要说明的是，通过构建损失函数j(θ)，可以衡量火灾图像识别模型的性能。损失函数是一个衡量模型预测结果与真实标签之间差异的指标，通过最小化损失函数，可以使模型在火灾图像识别任务中取得更好的效果。
[0167]
s1109：使用梯度下降法对损失函数j(θ)进行求解，计算出融合参数θ。
[0168]
在本发明中，使用梯度下降法对损失函数进行求解，可以优化模型的融合参数θ。梯度下降法是一种常用的优化算法，通过计算损失函数对参数的梯度方向，不断更新参数的数值，逐步接近最优解。这样可以使模型的融合参数θ得到优化，进而提升火灾图像识别的准确性和稳定性。
[0169]
s110a：获取实时森林图像数据。
[0170]
s110b：通过训练好的算法，对实时森林图像数据进行图像识别，监控是否存在火
灾风险。
[0171]
s111：监控中心监控到火灾风险时，发出报警信号。
[0172]
具体而言，一旦监控中心监测到火灾风险，监控中心可以采用声音警报、光闪警报和短信电话通知等方式发出报警信号。并且自动触发应急系统。
[0173]
与现有技术相比，本发明至少具有以下有益技术效果：
[0174]
在本发明中，通过远程微波技术，采集端可以经过多个中继设备实时传输森林图像至监控中心，监控中心对森林图像进行图像识别，监控是否存在火灾风险，火情监控的覆盖范围更广，不会受到天气因素的影响，采集端的摄像头相对于无人机而言，成本较低，利于推广。
[0175]
实施例2
[0176]
在一个实施例中，本发明提供的一种远程微波监控系统，用于执行实施例1中的远程微波监控方法。
[0177]
本发明提供的一种远程微波监控系统可以实现上述实施例1中的远程微波监控方法的步骤和效果，为避免重复，本发明不再赘述。
[0178]
与现有技术相比，本发明至少具有以下有益技术效果：
[0179]
在本发明中，通过远程微波技术，采集端可以经过多个中继设备实时传输森林图像至监控中心，监控中心对森林图像进行图像识别，监控是否存在火灾风险，火情监控的覆盖范围更广，不会受到天气因素的影响，采集端的摄像头相对于无人机而言，成本较低，利于推广。
[0180]
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
[0181]
以上实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。