基于Xception網絡的無人機森林火災監測方法

計雪偉 霍興贏 薛端 伍曉平

摘要：森林是自然界中的寶貴資源，森林火災檢測技術的研究在林木保護工作中具有很重要的意義。通過人工巡邏的森林防火辦法效率低下、容易發生危險。無人機具有高機動性并且能夠以較低的成本覆蓋不同高度不同位置的區域，將無人機與深度學習技術相結合能夠有效地幫助人們及時發現火災。本文以Xception網絡為基礎模型進行火災識別實驗，檢測的準確率達到0.94。該模型可以用于實時監控森林火災，不僅提高了森林火災的防范能力，還提高了林火預警的自動化、數字化水平。

關鍵詞：深度學習;卷積網絡;全卷積網絡;特征融合

一、引言

森林資源在社會發展和建設過程中起到了很重要的作用，它不僅可以為野生動物提供棲息地，還可以為人們提供生活所需要的木材和產品，另外一方面還可以調節氣候、防止風沙、保護水源。森林發生火災時，能夠及時迅速地發現并采取有效的滅火方法對于森林防火來說具有重要意義。

傳統的森林火災檢測辦法[1]有觀測塔檢測、衛星檢測、人工巡檢等。觀測塔的檢測范圍小，存在監控死角的問題。人工巡檢的方法通常需要大量勞動力，而且受環境因素的影響，很容易發生危險。衛星檢測雖然檢測范圍廣，但是啟動成本高，且監測效果容易受天氣、云層厚度、軌道周期等影響。隨著技術的不斷發展，無人機以飛行靈活、成本低等特點，被廣泛應用于森林防火領域[2]。

在火災檢測中，傳統的方法依賴于火焰顏色和亮度，當面對的是火災初期或者小面積火焰的情況時，存在著漏檢的問題，深度學習方法彌補了傳統方法的缺點。因此，本文以Xception網絡為基礎，利用公開的數據集對模型進行訓練，并進行分析調整網絡結構以獲得較好的識別效果，實驗結果及分析可以為森林防火研究[3]提供一定的參考。

將無人機和計算機視覺技術相結合的森林火災監測系統具有高效、快捷的特點，火災識別準確率、便捷性相對于傳統方法有了大幅的提升。

二、森林煙火識別方法

實驗采用深度卷積神經網絡[4]提取圖像特征并進行分類。首先需要對圖像預處理，然后送入神經網絡訓練，最后訓練好的網絡模型可用于輔助火災檢測。

（一）實驗數據

文中使用的實驗數據來自IEEE DataPort提供的公開數據集，如圖1所示。其中訓練集占80%、測試集占20%。

由于部分樣本數目分布不均衡，這將會導致訓練好的模型對樣本識別存在較大的偏差。為了使數據平衡，實驗中對樣本做了以下變換：HSV通道顏色變換、垂直翻轉、對比度調整、亮度調整等。此外針對數據集中出現樹木遮擋的圖像，采用Cutout方法隨機將這些圖像進行裁剪操作，并填充了0像素值。這個方法在擴充數據集的同時隨機置零可以達到Dropout的效果，并且不需要改變網絡結構。

（二）神經網絡結構

本文的神經網絡模型由輸入層、隱藏層、輸出層構成，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共同決定。

隱藏層主要由包含深度可分離卷積層的三個模塊構成。深度可分離卷積能夠大幅減少神經網絡的參數，從而使得網絡的整體運算量大幅降低。深度可分離的卷積層后又增加了BN層和Relu激活層。BN層對數據進行歸一化操作，使得數據的分布穩定，避免了數據偏移的影響。Relu層增加了神經網絡各層的非線性關系，使得網絡能夠更好地學習特征、擬合數據，并且有效地克服梯度消失的問題。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、網絡退化等問題。

輸出層通過全連接層把多維的特征圖轉化成一維的特征向量由Sigmoid邏輯回歸進行分類。

（三）訓練的神經網絡

本文采用基于Windows的TensorFlow深度學習框架對卷積神經網絡進行搭建，神經網絡的訓練參數為learning rate=0.001， epochs=20， batch size=32。

（四）實驗結果及分析

為了評估神經模型的有效性，本文的評價標準是準確率，計算公式如下：

其中TP：預測為正，實際為正;FP： 預測為正，實際為負;TN：預測為負，實際為負;FN： 預測為負，實際為正。具體如表1所示。

由圖3可以看出神經網絡對于火災識別準確率較高[6]，但是仍然存在部分數據被識別錯誤，說明還需要補充更多的數據去訓練網絡提高網絡的性能。

三、整體方案原理

當森林火災監測系統開始工作時，無人機搭載高清攝像頭按照規劃好的航線進行飛行。無人機在進行航線飛行時，信號發射器將采集到的影像數據和無人機的位置信息傳輸到地面終端監測系統，該系統利用森林煙火識別算法分析是否有火災發生。當系統監測到有火災發生時，地面終端會向無人機發出懸停指令，無人機接受指令后懸停，并且轉動攝像頭將火災周圍態勢實時傳送到地面終端，供工作人員進行處理。

四、結語

無人機具有實時性好、機動性好、使用簡單、維修維護成本低等特點，將計算機視覺技術與無人機相結合能夠提高森林火災[7]監測效率。本文利用神經網絡算法實現了對不同尺度的森林煙火[8]的實時檢測，具有較好的檢測效果。但是由于[9]監測環境復雜，起火的原因很多，當遮擋不嚴重時其監測效果具有較高的可靠性，當遮擋嚴重且有霧霾等情況時表現就有所下降，因此將來考慮引入紅外線設備來處理。

參考文獻：

[1]林燕斌.《坐標報火》在森林防火及瞭望偵查工作中的應用分析[J].南方農機，2019，50（15）：258.

[2]徐祖培.林業資源保護和森林防火管理措施研究[J].南方農機，2019，50（12）：206.

[3]宋寧，強彥，董林佳.林火監測中基于視覺的火焰檢測方法[J].科學技術與工程，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]張增，王兵，伍小潔，等.無人機森林火災監測中火情檢測方法研究[J].遙感信息，2015，30（01）：107-110+124.

[7]劉青，劉志國，劉守全，等.基于改進YOLOv3的無人機林火監測系統設計與實現[J].消防科學與技術，2021，40（04）：557-561.

[8]劉喆，汪志超，李鑫，等.一種無人機森林防火巡檢系統[J].中國科技信息，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測關鍵技術及實現[J].湖北林業科技，2021，50（02）：66-70.

作者簡介：

計雪偉（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，貴州省六盤水市人，博士，副教授，研究方向：信號處理。