基于北斗导航与无人机的森林火灾实时预警平台分析

刘国权， 王 琦， 蒋智超， 刘树博

(东华理工大学 机械与电子工程学院，江西 南昌 330013)

随着科技的进步和信息行业的发展，对森林环境的探测方式也变得越发多样性和高效性。中国自主发展、独立运行的北斗卫星导航系统已完成全球组网部署，其在森林火灾的探查和预测方面能够起到重要的作用，但目前基于北斗卫星的森林火灾探测方面的研究比较少。

当前，随着技术的发展，无人机在军事、民用和商业等各领域都得到了广泛的应用(胡开明等，2019；孔垂绍，2020；唐海剑，2020；许亚男等，2020)。在森林防火监控领域，张庆杰等(2017)提出了一种初期的无人机平台和基于支持向量机的林火图像识别算法，但文中只是理论方面的设计，没有提到如何将算法和无人机平台相结合。周子肖等(2020)设计了基于无人机的森林火灾监测系统，利用无人机搭载探测模块实现对森林火灾的监测，但没有采取相关算法对采集到的数据进行滤波处理。

在火灾的监测领域中，无人机通常作为观测平台，通过其自身搭载的检测算法，实地监测环境情况。当前监测的主流方式有两种：一种是利用摄影机和计算机视觉方法对火焰的图片进行分析(Wu et al.，2019；陈越，2019；张玉杰，2020)，如利用SVM分类方法搭建火焰识别系统，从而实现对森林火灾的识别(朱雪等，2020)；另一种是综合了人工烟雾特征和深度学习特征，提出烟雾简洁特征提取的办法，并搭建小型的卷积神经网络进行烟雾监测(Peng et al.，2019；赵丽宏等，2019)。这些研究通常都是借助于气象卫星等进行区域图像的拍摄，未见将无人机作为火灾监测平台的相关研究，且成本相对较高。另外，这些研究中获取的是环境图像，需进一步从中分辨出火灾和烟雾的图像，对于灾害发生的预见性较差。

森林火灾分为隐性和显性。隐性火灾是森林凋落物在高温及干燥的环境下阴燃，阴燃状态不会产生明火以及浓烟。但是当达到一定温度时，阴燃便会转变为完全燃烧，产生明火。如果能在凋落物处于阴燃状态时检测出其状态并采取相应措施，那么森林火灾的发生将会得到有效遏制(Varner et al., 2015)。

笔者针对森林火灾早期的阴燃监测，提出了一种基于无人机和北斗系统的火警监测与预警平台。无人机摄取区域内的红外图像，提取红外图像的温度特征、形状特征和形状变化特征，然后在结合提取到的这3个特征区分阴燃和一般干扰物。

1 总体设计

该预警平台分为硬件和软件两个部分。硬件以STM32为控制芯片，传感器选用红外非接触式传感器，并结合有GPS及北斗双定位模块和GPRS通信模块。软件部分采用C语言对控制芯片进行编写程序，使用Keil5进行STM32主控芯片的程序设计，同时采用MATLAB进行算法平台的仿真验证。

图1为系统组成示意图。因为该平台监测的是阴燃状态，阴燃状态演变为明火需要一定的时间，根据环境温湿度以及凋落物间隙的含氧量不同，转化为明火的时间为几天到几个月不等，阴燃状态最长可持续1年。因此，当森林某一区域内相邻架次无人机飞过的时间小于阴燃状态转化为明火的时间，即可实现森林火警的实时检测。火警实时监测系统通过控制无人机的飞行轨迹，并结合森林各区域内历年的火灾发生频率及当前环境的温湿度，采用神经网络预测接下来时间里火灾的高发区域，确定无人机的飞行架次、巡航轨迹、巡航频率和重点监测区域，使无人机在特定范围内定时检测环境温度。然后，将获取的温度数据输入BP神经网络中进行本地训练，训练完成的无人机对是否为阴燃火灾进行判断，判断为阴燃火灾则利用北斗及GPS双定位模块获取经纬度信息，通过GPRS通信模块将经纬度信息远程传输到服务端，监测平台即可准确定位阴燃发生地点，达到监测火警，预测火灾发生地点的目的。

2 算法设计

2.1 基于BP神经网络的火灾预警模型

神经网络的每一层神经元都模拟了生物神经元这一特性。每层神经元由输入值、加权值、阈值、传递函数和输出值组成。权重用于控制每个输入值在总输入中的比例，即对输出的影响程度。阈值设定兴奋或抑制兴奋的最小限度。传递函数将输入信号加权相加，并通过一定的函数表达式输出。通常，隐藏层中的传递函数采用S型，其传递函数为：

Oj=f(net)=1/(1+e(-net))

(1)

式中，net为隐含层神经元的输出向量，netj=∑mi=1ω1jixi-θ1j，Oj为隐含层中第j个神经元的输出，ω1ji为从输入层分配到隐含层的权重，xi为输入层的输入，j为隐含层中第j个神经元，i为输入层中的第i个神经元，θ1j为从输入层到隐含层的阈值。

输出层第k个神经元的输出为:

netk=zk=g(∑lj=1ω2kjOj-θ2k)

(2)

式中，ω2kj为从隐含层分配给输出层的权重，Oj为隐含层的输出，即输出层的输入，k为输出层中的第k个神经元，j为隐含层中第j个神经元，θ2k为从隐含层到输出层的阈值，g(·)为从隐含层到输出层的传递函数，即g(netk)=11+e-netk。

BP神经网络的权重以及阈值参数通过输入量数组和对应的输出量数组进行训练。通过学习输入和输出数据，BP神经网络可以将预测值与理论输出值进行比较，并计算两者的误差。如果误差不满足设定要求，则通过输出层逐层反向传播到输入层，层之间的权重矩阵和阈值矩阵不断更新，直到预测输出和理论输出的误差满足设定要求。BP神经网络采用增量学习规则，即梯度下降法来寻找更新后的权重矩阵的增量。

预测输出和理论输出之间的误差为：

E=12∑nk=1(yk-zk)2

(3)

误差E对从输入层到隐含层的权重的偏导数为：

∂E∂ω1ji=∑nk=1∑lj=1∂E∂zk∂zk∂Oj∂Oj∂ω1ji

=-∑nk=1(yk-zk)g(netk)ω2kjf(netj)xi

=-δ1jxi

(4)

式中，netj为隐含层中第j个神经元的输出，netk为输出层第k个神经元的输出。

误差E对从隐含层到输出层的权重的偏导数为：

∂E∂ω2kj=∂E∂zk∂zk∂ω2kj=-(yk-zk)g(net)Oj=-δ2kOj

(5)

式中,net为隐含层神经元的输出向量，Oj为隐含层的输出。

因此，权重调整公式为：

ω1ji(t+1)=ω1ji(t)+Δω1ji=ω1ji(t)-η1∂E∂ω1ji

=ω1ji(t)+η1δ1jxi

ω2kj(t+1)=ω2kj(t)+Δω2kj=ω2kj(t)-η2∂E∂ω2kj

=ω2kj(t)+η2δ2jOj

(6)

式中，η1为输入层学习率，η2为隐含层学习率。权重误差的反向传递过程中，Δω1ji是隐含层到输入层的权重误差传递梯度降，Δω2kj是输出层到隐含层的权重误差传递梯度降。

类似地，阈值调整公式可以通过使用误差对阈值的偏导数来获得，如下所示：

θ1j(t+1)=θ1j(t)+Δθ1j=θ1j(t)-η1∂E∂θ1j

=θ1j(t)+η1δ1j

θ2k(t+1)=θ2k(t)+Δθ2k=θ2k(t)-η2∂E∂θ2k

=θ2k(t)+η2δ2j

(7)

式中，Δθ1j为隐含层到输入层阈值的梯度降；Δθ2k为输出层到隐含层阈值的梯度降；t为网络经过误差反向传递的次数。

建立基于BP网络模型的泄漏预警系统模型，预测气体浓度的变化。向网络中输入阴燃的3个特征参数x1，x2和x3，则有：

y=g(∑1j=1ω2kjf(∑mi=1ω1jix1

x2

x3-θ1j)-θ1k)

(8)

式中，y为BP神经网络的输出，x1为阴燃温度(℃)，x2为阴燃面积变化率，x3为阴燃形状变化率。

2.2 BP神经网络算法设计流程

首先将采集到的已知是否会发生阴燃的凋落物数据参数分为训练集和测试集，随机取样本的3/4作为训练集，剩下的1/4作为测试集。创建BP神经网络，再将训练集输入BP神经网络对其进行训练。在训练过程中，若输出层的输出量与目标向量相差较大，则误差会经过隐含层向输入层传播。BP神经网络能够根据误差不断修正各个层的权值向量和阈值，当误差达到允许范围之内时，训练停止，BP神经网络完成了学习。其次，向训练好的神经网络中输入测试集，通过比较输出量和期望值的大小测试BP神经网络的训练结果。最后，向BP神经网络输入数据采集模块测得的未知是否发生阴燃的凋落物特征参数，通过分析BP神经网络的输出值来判断凋落物是否会发生阴燃。在得到总误差后，用遗传算法对测试所得的总误差进行优化，并向神经网络反馈最小的误差值，调节得到神经网络最佳的权值和阈值，以减少神经网络训练过程中的迭代次数。

BP神经网络算法流程见图2，遗传算法改进神经网络误差的算法见图3。

3 系统测试

3.1 BP神经网络仿真测试结果与分析

BP神经网络的输出层神经元个数设置为1。当输出层的输出值为0.2～0.5时，判断不会发生阴燃；输出值为0.5～0.8时，判断可能发生阴燃；输出值为0.8～1.3时，判断一定会发生阴燃。

3.1.1 选择训练集和测试集

随机选择15组已知是否会发生阴燃的样本(邢美净，2017)，采集其凋落物在不同燃烧状态下的特征参数。之后从这15组样本中随机抽取11组样本作为训练集，用于在MATLAB中训练神经网络，得到训练好后的神经网络的权值参数和阈值参数，以供在Keil中用C语言编写BP神经网络程序。剩下的4组样本作为测试集，用于在MATLAB中对训练好的神经网络进行性能分析。

3.1.2 训练结果

设置系统的目标误差为0.001，学习率为0.01，训练次数为1 000次，误差曲线如图4所示。

由图4可知，利用newff函数训练的神经网络在误差逆向传播迭代3次后完成了收敛，误差为0.002 874 4。

3.1.3 BP神经网络优化测试分析

训练后的BP神经网络完成了函数逼近、矢量分类和模式识别。此时，向BP神经网络中输入测试集，用T_sim_bp( )函数对BP神经网络进行仿真分析(图5)。通过比较阴燃真实值、BP神经网络预测值和遗传算法优化后的BP神经网络预测值得出，BP神经网络预测值与真实值的最大相对误差为10%，优化后的BP神经网络预测值与真实值的最大相对误差为0.2%。采用遗传算法优化过的BP神经网络比传统的BP神经网络具有更高的准确性。

3.2 系统实物测试

实验表明，在无人机监测到目标阴燃点后，GPRS通信模块采用无线传输的方式向终端传输阴燃点地理位置信息，这些信息可通过网络调试助手显示。将得到的经纬度输入GPS地图后即可获得直观的阴燃点地理位置信息。

4 结论

提出了一套基于北斗导航系统与无人机的火警检测平台方案，搭建了其实物平台且完成调试。该平台将北斗导航系统和无人机相结合，采用遗传算法优化过的BP神经网络对可疑燃点是否发生阴燃进行判断，能够对森林火情的可疑点进行专门排查和反馈位置信息。通过仿真实验，其算法可行，准确率比较高，具有一定的市场应用价值。