基于GNSS與深度學習的耕地智能監測系統

李昊陽 陳龍升 張子涵 吳以婕 李宛桐

關鍵詞：耕地保護；動態監測；GNSS；深度學習

0 引言

耕地是人類賴以生存的根本資源，而撂荒、種樹、建房及耕地范圍內大型機械車輛的占領等耕地破壞行為嚴重威脅了我國耕地資源的安全。在此背景下，相關責任人以及政策制定者不僅需要掌握耕地資源數量和現狀，更需要對耕地破壞行為進行長期、全面、科學、高效的動態監管，以保證耕地資源的完全利用，確保糧食生產及生態安全。

基于此，本文擬使用GNSS位置采集傳感器對耕地違法行為進行實時位置信息采集，以耕地影像數據為研究對象對耕地破壞行為進行監測與分析，并研發耕地智能監測系統。利用安置在無人機上的 GNSS 位置傳感器采集實時位置信息，再利用深度學習技術對耕地破壞行為的影像數據進行建模與訓練，從而使模型可以識別出耕地破壞行為。根據 GNSS 位置數據判別出破壞位置，有利于及時識別、定位耕地破壞行為并進行預警，減少國家耕地破壞行為檢測中人力物力的浪費，更高效地打擊違法行為、保護耕地資源、保障糧食安全。

1 研究方法

本文擬研發基于GNSS和深度學習的耕地智能監測系統，實現對耕地破壞行為的自動識別以及精準定位，從而及時識別耕地破壞行為并進行預警。基于此，本文將從以下3個方面對本文的技術方法進行闡述。

1.1 GNSS 定位技術

GNSS （全球導航衛星系統）定位是利用一組衛星的偽距、星歷、衛星發射時間、用戶鐘差等觀測量進行定位的技術，能在地球表面或近地空間的任何地點為用戶提供全天候的三維坐標和速度以及時間信息。全球導航衛星系統在不同區域有不同的具體系統作為支撐，主要包括：中國的北斗衛星導航系統（BDS） 、美國的全球定位系統（GPS） 、俄羅斯的格洛納斯（GLONASS） 和歐洲的伽利略衛星導航系統（Galileo） 。上述四種定位系統均采用了子午儀衛星導航系統的設計原理，即衛星運動引起的多普勒頻移效應，但彼此在具體功能細節上又有差異[1]。

1.2 電子圍欄技術

電子圍欄是目前常見的防盜報警系統，傳統的電子圍欄由主機、前端配件和后端控制三大部分組成[2]，但它具有鋪設復雜、成本高昂等問題。隨著計算機軟硬件技術的飛速發展，使用計算機處理視頻、圖像的能力也不斷提升，計算機視覺的應用越來越廣泛，近年來基于計算機視覺的智能監控等市場趨于成熟壯大[3]。

1999年前后，一系列國外脈沖式電子圍欄品牌進入國內，其中包括法國的佐輝和萊克米以及以色列的GM、英國的克羅蘭和澳大利亞的帕克頓等品牌[4]。隨著網絡集成化的發展，新時期的電子圍欄更注重多學科的交叉應用。2017年，李其元[5]彌補其他周界探測預警裝置對環境的嚴苛要求等缺點，設計了一款基于STM32微處理器的張力式電子圍欄；2018年，冉自烜等人[6]設計了一款基于北斗高精度電子圍欄的共享單車管理研究系統；2019年，吳蓉波[7]將人臉識別技術應用到安防監控中；同年，何豪杰等人[8]設計了一款基于智能電子圍欄技術的老年人監護系統，將老年人的運動軌跡與智能電子圍欄結合，解決部分生活自理困難的老年人軌跡管理和行為監控問題。2021年，張朝峰等人[9]波運用北斗定位與電子圍欄技術，設計了環保運輸車輛軌跡管控系統。

1.3 深度學習目標檢測算法

深度學習是近年來人工智能領域的一項重要成果，應用領域非常廣泛，包括計算機視覺、語音識別、自然語言處理、推薦系統、金融等。在這些領域中，深度學習的應用都取得了非常顯著的效果。深度學習基于神經網絡技術，在大量數據的支持下，通過不斷調整模型的參數，能夠實現對復雜數據的分析和理解。其概念源于神經網絡，是對神經網絡的一種改進和拓展。

目前，深度學習在目標檢測領域的應用主要集中在兩個方面：一方面是基于卷積神經網絡的目標檢測模型，例如YOLO、SSD等；另一方面是基于可分割網絡的目標檢測模型，例如Mask R-CNN等[10]。基于卷積神經網絡的目標檢測模型是目前應用最廣泛的模型之一。它們通過在圖像中提取特征，進行目標位置和類別的預測。

YOLO作為新興的目標檢測模型，其基于卷積神經網絡技術，具有較高實時性和檢測精度。近年來，越來越多的科研工作不斷對其進行改進。張陳晨等人[11]采用部分卷積層替換池化層的方式和動態調整Anchor的方式，對YOLOv3-Tiny模型進行改進，提高了對中大型目標的識別率；袁小平等人[12]通過對YO?LOv3 的特征提取網絡Darknet-53 進行改進，使用ResneXt殘差模塊替換原有殘差模塊，優化網絡結構。同時在Darknet-53中引入密集連接，顯著提高了在遠處目標檢測上中等目標和小目標的平均精度；李坤亞等人[13]在主干網絡引入通道-全局注意力機制和在上采樣階段使用密度上采樣卷積替代最鄰近插值法，有效提高遙感圖像目標檢測精度。如今使用YOLOv 算法進行目標檢測已經成為深度學習在計算機視覺領域的重要應用之一。

2 數據采集與處理

系統實現所依賴的數據主要包括：無人機飛行時的位置數據以及耕地的影像數據。其中位置數據依賴 GNSS 位置采集傳感器進行獲取，耕地影像數據通過攝影相機獲取，主要包括有正常影像數據和各類異常影像數據，用于作為深度學習模型的數據集。

2.1 位置數據的獲取

將GNSS數據采集設備置于運行無人機上進行實時的位置、時間等信息采集。本文將采用 GNSS+北斗的混合定位模式進行無人機位置的實時定位，根據JT808協議的標準規范，將獲取的位置等信息通過串口監聽的方式傳遞至系統后臺進行統一解析與處理。

2.2 耕地破壞行為的影像數據

耕地的影像數據通過無人機攝影獲取，無人機遙控系統主要包括載機、飛控、陀螺云臺、視頻傳輸、地面站以及通話系統等，獲取的影像具有高清晰、大比例尺、高現勢性的優點。對采集的影像數據進行存儲與分類，用作后續卷積神經網絡模型的數據集。

3 模型的搭建與訓練

3.1 數據預處理

使用Labelimg將耕地破壞行為的影像數據中的目標對象標注為 VOC標簽格式、保存為xml文件，并轉化為YOLO格式數據，處理為深度學習目標檢測數據集。對數據集進行數據標簽和隨機打亂后，按照0.7：0.2：0.1的比例，將數據集分為訓練集、驗證集和測試集。

3.2 模型構建

系統采用PyTorch 作為后端，在此基礎上搭建YOLOv5模型環境。YOLOv5模型主干上使用了殘差網絡Residual，通過增加深度來提高準確率。同時采用CSPnet神經網絡結構，其在保留了DenseNet的特征重用特性的基礎上，增添截斷梯度流功能，以此來防止過多的梯度信息重復。最后使用Mish 激活函數解決梯度消失問題，提高非線性能力，更好地擬合數據。模型網絡結構圖如圖1所示。

通過在原來YOLOv5上做出模型改進，將損失函數IOU Loss替換為EIOU Loss，加速了收斂提高了回歸精度，同時引入了Focal Loss優化了邊界框回歸任務中的樣本不平衡問題，使回歸過程專注于高質量錨框。此外還將CBAM注意力模塊嵌入YOLOv5網絡中，解決了原始網絡無注意力偏好的問題；將輕量型的Ghost模塊與YOLOv5算法相結合，降低網絡參數量，在滿足模型輕量化的同時，加快原始網絡推理速度等處理。通過這一系列改進，提高目標檢測識別速度和精度。模型精度圖如圖2 所示，損失圖如圖3 所示。

此外通過調整模型超參數，優化模型擬合結果，提高模型精度，降低模型損失，得到滿意模型后，將模型存儲為PT格式的權值文件，供后續系統開發利用。

4 系統架構及功能設計

4.1 系統框架設計

系統采用瀏覽器/服務器（即 Browser/Server） 的多層網絡架構模式，分別為數據層、支撐層、網絡層及應用層。系統體系架構如圖4所示。

數據層：主要是對數據進行存儲與管理，包括由無人機運行的位置數據以及深度相機采集的耕地影像數據等；

支撐層：主要對整個系統的運行提供技術支持，主要包括Ajax軟件技術（用于實現對無人機的精準定位）以及 PyTorch 技術（用于搭建深度學習模型并對耕地影像數據進行識別）；

網絡層：是對系統運行提供網絡支持，系統可支持移動網絡、計算機網絡以及無線網絡進行訪問；

應用層：主要對系統進行展示以及功能應用，主要包括實時定位、信息展示以及模型檢測三大模塊。

4.2 系統功能設計

耕地智能動態檢測模擬系統主要有實時定位和信息展示功能等。系統功能結構如圖5所示：

5 系統客戶端功能介紹

5.1 實時定位及地圖渲染

GNSS 位置采集傳感器連接計算機后就開始進行位置信號的采集，系統使用Django框架搭建客戶端，采用串口監聽的方式對 GNSS 定位設備的工作狀態進行監聽以及對位置數據流的獲取，將定位數據進行解析后存入后臺數據庫，并實時將解析后的位置數據發送給前臺，用于對無人機軌跡進行地圖渲染（如圖 6所示）。

5.2 異常信息識別與展示

系統使用實際采集的無人機采集圖像進行識別操作，利用訓練好的模型進行異常圖像的識別分類，同時將識別后的信息存入后臺數據庫，在客戶端顯示無人機的位置信息及提取的信息異常信息。系統模型識別展示和異常點位詳細信息展示如圖 7、圖 8 所示。

6 結果與討論

目前應用的耕地監測系統主要以拍攝衛星圖像后供分析人員人工判斷為主，然而單一的遙感監測模式在耗費人力物力的同時，很難對異常位置進行準確定位。鑒于此，本文研究的主要內容為耕地破壞行為的智能監測與快速定位，系統主要從識別和定位兩個模塊進行功能設計與編碼實現。采用Django框架進行系統搭建，使用 SQL Lite 數據庫進行數據的存儲，借助Jquery、Layer等前端插件進行界面 UI 的設計，使用PyTorch進行深度學習模型的訓練，從而實現各個模塊的獨立開發與系統集成，打造了一款具有實用性的系統平臺，為耕地實時監測和分析技術的發展提供了技術支持。