基于無人機的森林火險監測預警系統設計

鄭少雄 王衛星 周宇飛 吳澤鵬 劉澤乾

摘 ?要：針對傳統的森林火險監測存在盲點、實時性差、運營成本高、資源消耗大等問題，提出一種基于無人機的森林火險監測系統。利用圖像處理方法設計森林火險監測算法，對無人機采集的圖像數據進行處理，及時判斷是否有森林火險并發出預警。試驗結果表明，文章算法的相對判定準確率為81.97%，相對于其他4種方法，相對判定準確率較高，該文算法性能優于其他算法，可最終實現森林火險的監測和預警功能。

關鍵詞：無人機;森林;火險

中圖分類號：TP391 ? ? ? 文獻標識碼：A文章編號：2096-4706（2021）21-0016-05

Abstract： Aiming at the problems of blind spot， poor real-time performance， high operation cost and large resource consumption in traditional forest fire risk monitoring， a forest fire risk monitoring system based on UAV is proposed. Using the image processing method to design the forest fire risk monitoring algorithm， process the image data collected by UAV， judge whether there is forest fire risk in time and send out early warning. The experimental results show that the relative judgment accuracy of the algorithm used in this paper is 81.97%， compared with the other four methods， the relative judgment accuracy is higher. The performance of this algorithm is better than other algorithms， and can finally realize the function of forest fire risk monitoring and early warning.

Keywords： UAV; forest; fire risk

0 ?引 ?言

隨著社會的快速發展，在全球氣候變化與人類活動的影響下，人們對生態環境的保護提出了新要求。森林火險是八大自然災害之一，特別是處于荒野中的森林火險，具有蔓延快、控制難、破壞性強等特點[1]。森林火災會嚴重破壞生態環境、威脅人們財產和生命安全。如何及時準確地識別火災，已成為森林火險監測的新要求和新挑戰。

當前，森林火險常用的監測方法包括人工巡邏、塔臺視頻監控和衛星遙感等。其中，人工巡邏監測方法可以靈活選擇巡邏路線并深入林區，機動性強，但受地形地貌影響大、效率低，難以監測盲區;塔臺視頻監控方法借助攝像機等設備，可以觀測到大片森林，但在樹木密集的區域存在視覺盲區，且缺乏機動性;衛星遙感監測方法能大范圍監測，定位準確，全天候觀測，但成本較高，只有在形成較大火區時才能識別森林火險[2]。近年來，無人機技術快速發展，其具有飛行速度快、控制方便、實時性強等特點，能應用于森林火險監測、火災預防和火險救援等作業活動[3]。目前，無人機已在森林火險預防中廣泛應用，并發揮了重要作用。

本文提出基于無人機的森林火險監測預警系統，能實現森林火險監測和預警功能。首先，無人機配備高清攝像頭并由GPS實時定位，按預設的巡航路線執行飛行任務，確保無人機飛行路線覆蓋整個林場區域，將盲點降至最低;然后，無人機采集的圖像數據實時傳送到地面遠程監控終端;最后，根據對圖像數據進行分析處理，判斷森林火險發生情況，及時將報警信息發送給工作人員以采取救火措施。

1 ?系統總體設計

1.1 ?系統硬件設計

基于無人機的森林火險監測系統由搭載高清攝像頭的無人機平臺、圖像采集系統和遠程終端監控系統所組成，系統組成框圖如圖1所示。

1.1.1 ?無人機平臺

本系統采用DJI M600無人機，配備了高效的電源系統，集成了防塵、自動冷卻等功能;能夠額外負載6 kg以內的設備;在無額外負載設備的情況下可飛行30 min，最大飛行速度為18 m/s（忽略風況）。為減少無人機飛行過程對圖像拍攝的干擾影響，無人機配備了DJI-Zenmuse-Z3萬向節攝像機。該攝像機支持3.5倍光學變焦和2倍數碼變焦，同時支持30幀/秒的4K超高清視頻錄制。

無人機硬件部分主要由圖像采集與傳輸模塊、飛控模塊、通信模塊、GPS[4]模塊組成，如圖2所示，可實現森林火險監測數據的采集與傳輸、自主定高和飛行控制等功能。

1.1.2 ?遠程終端監控系統

遠程終端監控系統的硬件設備包括PC端和通信模塊[5]，無人機的位置信息和采集的圖像信息等傳輸到遠程終端監控系統，經過數據處理后，工作人員可實時查看采集的森林圖像。遠程終端監控系統具有森林火險監測和報警功能，當發生森林火險時，會觸發報警并提供實時預警信息。

1.1.3 ?圖像采集系統

安裝在無人機上的云臺相機拍攝森林圖像和視頻數據。采用PTZ攝像機和天創恒達TC-4000 SD圖像采集卡，將采集到的視頻圖像傳輸到地面站的PC監控系統。數據采集流程如圖3所示。

在圖像數據采集過程中可能發生丟失幀的情況。當處理幀所需的時間超過兩個相鄰幀之間的時間間隔時，數據容易丟失[6]，縮短幀間處理時間是實現數據實時采集的關鍵。本系統中，無人機在確定航線后每30 s采集一次視頻信號，采集的視頻源信號傳輸至圖像采集卡后，經A/D轉換再由數字解碼器進行解碼;將數據轉換成視頻信號后傳輸給終端。該過程中，幀捕捉器在輸入視頻中采集圖像數據，并在獲取下一幀圖像前將數據傳輸給遠程終端機，將幀率縮短至5幀每秒，實現圖像采集卡的視頻采集和壓縮操作并行處理。

1.2 ?系統軟件設計

基于無人機的森林火險監測系統的軟件由無人機控制系統、數據處理與通信系統、遠程上位機管理系統等組成，框圖如圖4所示。

1.2.1 ?無人機控制系統

無人機控制系統除了控制無人機的飛行外，還接收來自無人機各模塊的飛行信息，包括路線規劃、GPS和飛行控制等模塊的信息[7]。

1.2.2 ?數據處理與通信系統

在該系統中除了對采集的森林圖像進行數據處理外，還對系統故障、火險預警、無人機飛行狀態和用戶登錄等信息進行管理。圖像采集和傳輸處理流程圖如圖5所示。

在森林火險監測系統中，由通信系統保證不同模塊間的數據傳輸，實現無人機和遠程終端監控系統間的數據交互，確保數據能實時傳回遠程終端監控系統[8]。該通信系統中各模塊之間的數據交互過程如圖6所示。

通信功能通過串行端口編程實現，具體流程為：初始化串行端口InitPort，設置串行端口的波特率，確認串行端口已打開，setup PacketConfig初始化數據傳輸格式、幀頭、幀尾、幀長和存儲字節位置;當偵聽線程打開，data ready設置為TRUE后才能讀取數據;讀取數據后，data ready設置為FALSE，否則線程將不再工作;若串行端口不再工作，需要使用ClosePort關閉該端口，否則無法打開另一個串行端口[9]。

1.2.3 ?遠程上位機管理系統

遠程上位機管理系統具有圖像處理與分析、火險實時預警等功能，如圖7所示。此外，遠程上位機管理系統還包括林場基礎信息、圖像處理、數據處理、日志管理等界面。

林場基礎信息界面根據各地市林業局的劃分，可快速找到相關林場信息，包括林場的經緯度地理信息、植被信息等，幫助工作人員合理部署無人機航線。圖像處理與預警界面將采集的圖像進行分析識別，一旦發現森林火險，顯示火險發生地理位置并及時提醒工作人員。

人工數據處理界面提供了手動處理功能，對采集的火險圖像進行灰度和亮度調整，增強預警圖像中潛藏的煙火信息，適用于需要人工處理的情況。此外，該界面還提供了圖片管理頁面，用于存儲森林火險圖片，并根據用戶需要顯示歷史圖片庫，如圖8所示。另外，日志管理界面可存儲后臺數據處理的歷史記錄，備份歷史管理操作。

2 ?算法設計

森林火險的監測采用數字圖像進行處理，并進行圖像分割、特征提取，最后進行BP神經網絡進行識別，實現在線實時監測和預警。火險識別算法流程如圖9所示。

具體流程為：（1）通過搭載在無人機上的高清攝像頭采集森林圖像數據，并將圖像數據及時傳送到遠程終端;（2）使用中值濾波對圖像數據進行預處理并去除噪聲干擾，以減少森林火險識別過程中數據的丟失;（3）采用R通道分段和FDI指數細分2種方法對森林火險疑似圖像進行分割[10];（4）提取有疑似火焰顏色的區域的圖像圓度、面積變化率、重心高度比特征;（5）將特征向量輸入訓練過的分類器進行分析判斷，以判斷是否發生火險;（6）當發生火險時，觸發報警器，及時通知工作人員做好火險撲救工作，否則繼續進行監測。

3 ?試驗與結果分析

無人機控制系統采用STM32開發板進行開發，程序和數據存儲在嵌入式存儲器和RAM中，并使用SDK進行二次開發，對控件進行自定義和功能擴展。遠程終端配置了6核Intel-core（TM）i7-8700K CPU@3.7 GHz、16 GB RAM和Windows 10操作系統。

3.1 數據處理速度

采用本文算法、幀間差分法、背景減法、Vibe算法對長度為4 分16秒的視頻進行處理速度、完成時間和延遲率對比，試驗結果如表1所示。其中圖像序列29 幀/秒，每幀圖像的大小為960×540，共7 424個圖像。

由表1數據可知：Vibe算法延遲率高達97.31%，對數據進行處理易積累大量的冗余時間。而幀間差分法、背景減法和本文使用的BP神經網絡處理速度在每秒6幀左右。由于無人機在航線預先設定的情況下工作，飛行速度一定，場景變化程度低，視頻中記錄的每一秒信息差異較小，因此可以對視頻記錄做減幀處理，獲得每秒5幀的圖像序列。因此幀間差分法、背景減法和本文算法均能滿足實時場景下的要求。

3.2 ?森林火險識別結果分析

為驗證本文算法的有效性，采用本文算法、幀間差分法、背景減法、Vibe算法、手工統計法對無人機采集的森林圖像進行處理并對比識別結果，如圖10和表2所示。

如圖10和表2可知：本文算法相對于其他4種方法，相對判定準確率為81.97%，本文算法性能優于其他算法，適用于森林火險監測。

4 ?結 ?論

本文主要對無人機、圖像采集等進行軟硬件設計，開發了基于無人機的森林火險監測上位機軟件，通過了對系統中軟硬件的詳細測試，保證系統各模塊的正常運作，以及各模塊之間的正常通信。在森林火險識別上，對圖像進行了預處理、區域分割、特征提取后，分別使用不同的分類器識別火險圖像，對比了一般算法與BP神經網絡后，實驗結果表明本文的算法能夠以更優的準確率識別森林火險，并滿足了場景識別下數據實時處理的需求，適用于森林火險的監測。

參考文獻：

[1] 曹毅超，吳澤鵬，周宇飛，等.基于循環神經網絡的森林火災識別研究 [J].林業與環境科學，2020，36（5）：34-40.

[2] CHEN M，ANG Y T，ZOU X，et al. 3D global mapping of large-scale unstructured orchard integrating eye-in-hand stereo vision and SLAM [J]. Computers and Electronics in Agriculture，2021，187：106237.https：//doi.org/10.1016/j.compag.2021.106237.

[3] ZHENG S X，WANG W X，LIU Z Q，et al.Forest Farm Fire Drone Monitoring System Based on Deep Learning and Unmanned Aerial Vehicle Imagery [J]. Mathematical Problems in Engineering，vol.2021，Article ID3224164，13pages，2021.https：//doi.org/10.1155/2021/3224164.

[4] 陳再勵，李麗麗，鐘震宇.面向丘陵山地果樹植株的植保無人機軌跡跟蹤控制器設計 [J].自動化與信息工程，2018，39（3）：1-6.

[5] TRAN B N，TANASE M A，BENNETT L，et al. Evaluation of spectral indices for assessing fire severity in Australian temperate forests [J]. Remote Sensing，2018（10）：1680. DOI：10.3390/rs10111680.

[6] AL-SAD M F，AL-ALI A，MOHAMED A，et al. RF-based drone detection and identification using deep learning approaches：An initiative towards a large open source drone database [J].Future Generation Computer Systems，2019，100：86–97. https：//doi.org/10.1016/j.future.2019.05.007.

[7] FERNANDEZ-CARRILLO A，MCCAW L，TANASE M A. Estimating prescribed fire impacts and post-fire tree survival in eucalyptus forests of Western Australia with L-band SAR data [J]. Remote Sensing of Environment，2019，224：133-144.

[8] 李旺枝，陸健強，王衛星，等.基于卷積神經網絡的熱紅外圖像檢測模型 [J].自動化與信息工程，2020，41（6）：1-5. https：//doi.org/10.1016/j.rse.2019.02.005.

[9] TANG Y ，CHEN M，WANG C，et al. Recognition and Localization Methods for Vision-Based Fruit Picking Robots：A Review [J].Frontiers in Plant Science，2020，11：510. DOI：10.3389/fpls.2020.00510.

[10] 姜冰，陸健強，王衛星，等.適用于多場景的ResNet單幅圖像去霧算法 [J].自動化與信息工程，2019，40（2）：14-19.

作者簡介：鄭少雄（1990—），男，漢族，廣東饒平人，講師，博士研究生，研究方向：電子信息技術;通訊作者：王衛星（1963—），男，漢族，河北宣化人，教授，博士研究生導師，博士研究生，研究方向：電子信息技術在農業中的應用。