基于Xception网络的无人机森林火灾监测方法

■ 计雪伟 霍兴赢 薛端 伍晓平 六盘水师范学院

一、引言

森林资源在社会发展和建设过程中起到了很重要的作用，它不仅可以为野生动物提供栖息地，还可以为人们提供生活所需要的木材和产品，另外一方面还可以调节气候、防止风沙、保护水源。森林发生火灾时，能够及时迅速地发现并采取有效的灭火方法对于森林防火来说具有重要意义。

传统的森林火灾检测办法[1]有观测塔检测、卫星检测、人工巡检等。观测塔的检测范围小，存在监控死角的问题。人工巡检的方法通常需要大量劳动力，而且受环境因素的影响，很容易发生危险。卫星检测虽然检测范围广，但是启动成本高，且监测效果容易受天气、云层厚度、轨道周期等影响。随着技术的不断发展，无人机以飞行灵活、成本低等特点，被广泛应用于森林防火领域[2]。

在火灾检测中，传统的方法依赖于火焰颜色和亮度，当面对的是火灾初期或者小面积火焰的情况时，存在着漏检的问题，深度学习方法弥补了传统方法的缺点。因此，本文以Xception网络为基础，利用公开的数据集对模型进行训练，并进行分析调整网络结构以获得较好的识别效果，实验结果及分析可以为森林防火研究[3]提供一定的参考。

将无人机和计算机视觉技术相结合的森林火灾监测系统具有高效、快捷的特点，火灾识别准确率、便捷性相对于传统方法有了大幅的提升。

二、森林烟火识别方法

实验采用深度卷积神经网络[4]提取图像特征并进行分类。首先需要对图像预处理，然后送入神经网络训练，最后训练好的网络模型可用于辅助火灾检测。

（一）实验数据

文中使用的实验数据来自IEEE DataPort提供的公开数据集，如图1所示。其中训练集占80%、测试集占20%。

图1 数据集示例图

由于部分样本数目分布不均衡，这将会导致训练好的模型对样本识别存在较大的偏差。为了使数据平衡，实验中对样本做了以下变换：HSV通道颜色变换、垂直翻转、对比度调整、亮度调整等。此外针对数据集中出现树木遮挡的图像，采用Cutout方法随机将这些图像进行裁剪操作，并填充了0像素值。这个方法在扩充数据集的同时随机置零可以达到Dropout的效果，并且不需要改变网络结构。

（二）神经网络结构

本文的神经网络模型由输入层、隐藏层、输出层构成，具体如图2所示。输入层的大小由图像的大小和图像的通道数共同决定。

图2 网络结构图

隐藏层主要由包含深度可分离卷积层的三个模块构成。深度可分离卷积能够大幅减少神经网络的参数，从而使得网络的整体运算量大幅降低。深度可分离的卷积层后又增加了BN层和Relu激活层。BN层对数据进行归一化操作，使得数据的分布稳定，避免了数据偏移的影响。Relu层增加了神经网络各层的非线性关系，使得网络能够更好地学习特征、拟合数据，并且有效地克服梯度消失的问题。另外在深度可分离卷积模块之间又引入了[5]残差连接去处理梯度消失、网络退化等问题。

输出层通过全连接层把多维的特征图转化成一维的特 征向量由Sigmoid逻辑回归进行分类。

（三）训练的神经网络

本文采用基于Windows的TensorFlow深度学习框架对卷积神经网络进行搭建，神经网络的训练参数为learning rate=0．001, epochs=20, batch size=32。

（四）实验结果及分析

为了评估神经模型的有效性，本文的评价标准是准确率，计算公式如下：

其中TP：预测为正，实际为正；FP: 预测为正，实际为负；TN：预测为负，实际为负；FN: 预测为负，实际为正。具体如表1所示。

表1 不同数据集的准确率

由图3可以看出神经网络对于火灾识别准确率较高[6]，但是仍然存在部分数据被识别错误，说明还需要补充更多的数据去训练网络提高网络的性能。

图3 不同数据集的精确度曲线

三、整体方案原理

当森林火灾监测系统开始工作时，无人机搭载高清摄像头按照规划好的航线进行飞行。无人机在进行航线飞行时，信号发射器将采集到的影像数据和无人机的位置信息传输到地面终端监测系统，该系统利用森林烟火识别算法分析是否有火灾发生。当系统监测到有火灾发生时，地面终端会向无人机发出悬停指令，无人机接受指令后悬停，并且转动摄像头将火灾周围态势实时传送到地面终端，供工作人员进行处理。

四、结语

无人机具有实时性好、机动性好、使用简单、维修维护成本低等特点，将计算机视觉技术与无人机相结合能够提高森林火灾[7]监测效率。本文利用神经网络算法实现了对不同尺度的森林烟火[8]的实时检测，具有较好的检测效果。但是由于[9]监测环境复杂，起火的原因很多，当遮挡不严重时其监测效果具有较高的可靠性，当遮挡严重且有雾霾等情况时表现就有所下降，因此将来考虑引入红外线设备来处理。