基于Xception網(wǎng)絡(luò)的無(wú)人機(jī)森林火災(zāi)監(jiān)測(cè)方法

計(jì)雪偉 霍興贏 薛端 伍曉平

摘要：森林是自然界中的寶貴資源，森林火災(zāi)檢測(cè)技術(shù)的研究在林木保護(hù)工作中具有很重要的意義。通過(guò)人工巡邏的森林防火辦法效率低下、容易發(fā)生危險(xiǎn)。無(wú)人機(jī)具有高機(jī)動(dòng)性并且能夠以較低的成本覆蓋不同高度不同位置的區(qū)域，將無(wú)人機(jī)與深度學(xué)習(xí)技術(shù)相結(jié)合能夠有效地幫助人們及時(shí)發(fā)現(xiàn)火災(zāi)。本文以Xception網(wǎng)絡(luò)為基礎(chǔ)模型進(jìn)行火災(zāi)識(shí)別實(shí)驗(yàn)，檢測(cè)的準(zhǔn)確率達(dá)到0.94。該模型可以用于實(shí)時(shí)監(jiān)控森林火災(zāi)，不僅提高了森林火災(zāi)的防范能力，還提高了林火預(yù)警的自動(dòng)化、數(shù)字化水平。

關(guān)鍵詞：深度學(xué)習(xí);卷積網(wǎng)絡(luò);全卷積網(wǎng)絡(luò);特征融合

一、引言

森林資源在社會(huì)發(fā)展和建設(shè)過(guò)程中起到了很重要的作用，它不僅可以為野生動(dòng)物提供棲息地，還可以為人們提供生活所需要的木材和產(chǎn)品，另外一方面還可以調(diào)節(jié)氣候、防止風(fēng)沙、保護(hù)水源。森林發(fā)生火災(zāi)時(shí)，能夠及時(shí)迅速地發(fā)現(xiàn)并采取有效的滅火方法對(duì)于森林防火來(lái)說(shuō)具有重要意義。

傳統(tǒng)的森林火災(zāi)檢測(cè)辦法[1]有觀測(cè)塔檢測(cè)、衛(wèi)星檢測(cè)、人工巡檢等。觀測(cè)塔的檢測(cè)范圍小，存在監(jiān)控死角的問(wèn)題。人工巡檢的方法通常需要大量勞動(dòng)力，而且受環(huán)境因素的影響，很容易發(fā)生危險(xiǎn)。衛(wèi)星檢測(cè)雖然檢測(cè)范圍廣，但是啟動(dòng)成本高，且監(jiān)測(cè)效果容易受天氣、云層厚度、軌道周期等影響。隨著技術(shù)的不斷發(fā)展，無(wú)人機(jī)以飛行靈活、成本低等特點(diǎn)，被廣泛應(yīng)用于森林防火領(lǐng)域[2]。

在火災(zāi)檢測(cè)中，傳統(tǒng)的方法依賴(lài)于火焰顏色和亮度，當(dāng)面對(duì)的是火災(zāi)初期或者小面積火焰的情況時(shí)，存在著漏檢的問(wèn)題，深度學(xué)習(xí)方法彌補(bǔ)了傳統(tǒng)方法的缺點(diǎn)。因此，本文以Xception網(wǎng)絡(luò)為基礎(chǔ)，利用公開(kāi)的數(shù)據(jù)集對(duì)模型進(jìn)行訓(xùn)練，并進(jìn)行分析調(diào)整網(wǎng)絡(luò)結(jié)構(gòu)以獲得較好的識(shí)別效果，實(shí)驗(yàn)結(jié)果及分析可以為森林防火研究[3]提供一定的參考。

將無(wú)人機(jī)和計(jì)算機(jī)視覺(jué)技術(shù)相結(jié)合的森林火災(zāi)監(jiān)測(cè)系統(tǒng)具有高效、快捷的特點(diǎn)，火災(zāi)識(shí)別準(zhǔn)確率、便捷性相對(duì)于傳統(tǒng)方法有了大幅的提升。

二、森林煙火識(shí)別方法

實(shí)驗(yàn)采用深度卷積神經(jīng)網(wǎng)絡(luò)[4]提取圖像特征并進(jìn)行分類(lèi)。首先需要對(duì)圖像預(yù)處理，然后送入神經(jīng)網(wǎng)絡(luò)訓(xùn)練，最后訓(xùn)練好的網(wǎng)絡(luò)模型可用于輔助火災(zāi)檢測(cè)。

（一）實(shí)驗(yàn)數(shù)據(jù)

文中使用的實(shí)驗(yàn)數(shù)據(jù)來(lái)自IEEE DataPort提供的公開(kāi)數(shù)據(jù)集，如圖1所示。其中訓(xùn)練集占80%、測(cè)試集占20%。

由于部分樣本數(shù)目分布不均衡，這將會(huì)導(dǎo)致訓(xùn)練好的模型對(duì)樣本識(shí)別存在較大的偏差。為了使數(shù)據(jù)平衡，實(shí)驗(yàn)中對(duì)樣本做了以下變換：HSV通道顏色變換、垂直翻轉(zhuǎn)、對(duì)比度調(diào)整、亮度調(diào)整等。此外針對(duì)數(shù)據(jù)集中出現(xiàn)樹(shù)木遮擋的圖像，采用Cutout方法隨機(jī)將這些圖像進(jìn)行裁剪操作，并填充了0像素值。這個(gè)方法在擴(kuò)充數(shù)據(jù)集的同時(shí)隨機(jī)置零可以達(dá)到Dropout的效果，并且不需要改變網(wǎng)絡(luò)結(jié)構(gòu)。

（二）神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

本文的神經(jīng)網(wǎng)絡(luò)模型由輸入層、隱藏層、輸出層構(gòu)成，具體如圖2所示。輸入層的大小由圖像的大小和圖像的通道數(shù)共同決定。

隱藏層主要由包含深度可分離卷積層的三個(gè)模塊構(gòu)成。深度可分離卷積能夠大幅減少神經(jīng)網(wǎng)絡(luò)的參數(shù)，從而使得網(wǎng)絡(luò)的整體運(yùn)算量大幅降低。深度可分離的卷積層后又增加了BN層和Relu激活層。BN層對(duì)數(shù)據(jù)進(jìn)行歸一化操作，使得數(shù)據(jù)的分布穩(wěn)定，避免了數(shù)據(jù)偏移的影響。Relu層增加了神經(jīng)網(wǎng)絡(luò)各層的非線性關(guān)系，使得網(wǎng)絡(luò)能夠更好地學(xué)習(xí)特征、擬合數(shù)據(jù)，并且有效地克服梯度消失的問(wèn)題。另外在深度可分離卷積模塊之間又引入了[5]殘差連接去處理梯度消失、網(wǎng)絡(luò)退化等問(wèn)題。

輸出層通過(guò)全連接層把多維的特征圖轉(zhuǎn)化成一維的特征向量由Sigmoid邏輯回歸進(jìn)行分類(lèi)。

（三）訓(xùn)練的神經(jīng)網(wǎng)絡(luò)

本文采用基于Windows的TensorFlow深度學(xué)習(xí)框架對(duì)卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行搭建，神經(jīng)網(wǎng)絡(luò)的訓(xùn)練參數(shù)為learning rate=0.001， epochs=20， batch size=32。

（四）實(shí)驗(yàn)結(jié)果及分析

為了評(píng)估神經(jīng)模型的有效性，本文的評(píng)價(jià)標(biāo)準(zhǔn)是準(zhǔn)確率，計(jì)算公式如下：

其中TP：預(yù)測(cè)為正，實(shí)際為正;FP： 預(yù)測(cè)為正，實(shí)際為負(fù);TN：預(yù)測(cè)為負(fù)，實(shí)際為負(fù);FN： 預(yù)測(cè)為負(fù)，實(shí)際為正。具體如表1所示。

由圖3可以看出神經(jīng)網(wǎng)絡(luò)對(duì)于火災(zāi)識(shí)別準(zhǔn)確率較高[6]，但是仍然存在部分?jǐn)?shù)據(jù)被識(shí)別錯(cuò)誤，說(shuō)明還需要補(bǔ)充更多的數(shù)據(jù)去訓(xùn)練網(wǎng)絡(luò)提高網(wǎng)絡(luò)的性能。

三、整體方案原理

當(dāng)森林火災(zāi)監(jiān)測(cè)系統(tǒng)開(kāi)始工作時(shí)，無(wú)人機(jī)搭載高清攝像頭按照規(guī)劃好的航線進(jìn)行飛行。無(wú)人機(jī)在進(jìn)行航線飛行時(shí)，信號(hào)發(fā)射器將采集到的影像數(shù)據(jù)和無(wú)人機(jī)的位置信息傳輸?shù)降孛娼K端監(jiān)測(cè)系統(tǒng)，該系統(tǒng)利用森林煙火識(shí)別算法分析是否有火災(zāi)發(fā)生。當(dāng)系統(tǒng)監(jiān)測(cè)到有火災(zāi)發(fā)生時(shí)，地面終端會(huì)向無(wú)人機(jī)發(fā)出懸停指令，無(wú)人機(jī)接受指令后懸停，并且轉(zhuǎn)動(dòng)攝像頭將火災(zāi)周?chē)鷳B(tài)勢(shì)實(shí)時(shí)傳送到地面終端，供工作人員進(jìn)行處理。

四、結(jié)語(yǔ)

無(wú)人機(jī)具有實(shí)時(shí)性好、機(jī)動(dòng)性好、使用簡(jiǎn)單、維修維護(hù)成本低等特點(diǎn)，將計(jì)算機(jī)視覺(jué)技術(shù)與無(wú)人機(jī)相結(jié)合能夠提高森林火災(zāi)[7]監(jiān)測(cè)效率。本文利用神經(jīng)網(wǎng)絡(luò)算法實(shí)現(xiàn)了對(duì)不同尺度的森林煙火[8]的實(shí)時(shí)檢測(cè)，具有較好的檢測(cè)效果。但是由于[9]監(jiān)測(cè)環(huán)境復(fù)雜，起火的原因很多，當(dāng)遮擋不嚴(yán)重時(shí)其監(jiān)測(cè)效果具有較高的可靠性，當(dāng)遮擋嚴(yán)重且有霧霾等情況時(shí)表現(xiàn)就有所下降，因此將來(lái)考慮引入紅外線設(shè)備來(lái)處理。

參考文獻(xiàn)：

[1]林燕斌.《坐標(biāo)報(bào)火》在森林防火及瞭望偵查工作中的應(yīng)用分析[J].南方農(nóng)機(jī)，2019，50（15）：258.

[2]徐祖培.林業(yè)資源保護(hù)和森林防火管理措施研究[J].南方農(nóng)機(jī)，2019，50（12）：206.

[3]宋寧，強(qiáng)彥，董林佳.林火監(jiān)測(cè)中基于視覺(jué)的火焰檢測(cè)方法[J].科學(xué)技術(shù)與工程，2017，17（25）：268-273.

[4]Qingjie Zhang，Jiaolong Xu，Liang Xu，Haifeng Guo. Deep Convolutional Neural Networks for Forest Fire Detection[P]. Proceedings of the 2016 International Forum on Management， Education and Information Technology Application，2016.

[5]Gurprem Singh，Ajay Mittal，Naveen Aggarwal. ResDNN： Deep Residual Learning for Natural Image Denoising[J]. IET Image Processing，2020，14（11）.

[6]張?jiān)?，王兵，伍小潔，?無(wú)人機(jī)森林火災(zāi)監(jiān)測(cè)中火情檢測(cè)方法研究[J].遙感信息，2015，30（01）：107-110+124.

[7]劉青，劉志國(guó)，劉守全，等.基于改進(jìn)YOLOv3的無(wú)人機(jī)林火監(jiān)測(cè)系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[J].消防科學(xué)與技術(shù)，2021，40（04）：557-561.

[8]劉喆，汪志超，李鑫，等.一種無(wú)人機(jī)森林防火巡檢系統(tǒng)[J].中國(guó)科技信息，2021（12）：83-85.

[9]袁傳武，張維，王崇順，等.空天地一體化森林防火監(jiān)測(cè)關(guān)鍵技術(shù)及實(shí)現(xiàn)[J].湖北林業(yè)科技，2021，50（02）：66-70.

作者簡(jiǎn)介：

計(jì)雪偉（1992—），男，云南省曲靖市人，碩士，講師，研究方向：圖像處理。

通訊作者：霍興贏（1987—），女，貴州省六盤(pán)水市人，博士，副教授，研究方向：信號(hào)處理。