基于卷积神经网络的无人机森林火灾检测研究

雩风三日

基于卷积神经网络的无人机森林火灾检测研究

    森林是大自然中的宝贵资源，同时还维持着生态平衡。森林火灾一旦发生，危害十分巨大，如果能在林火的萌芽状态就进行识别，则可以减少不必要的损失。目前，国内外基于计算机视觉的林火检测研究己经有了一定的发展，但同时也存在着误报率高、检测时间长等缺陷。在进行林火识别技术的研究时，可选择使用无人机(UAVs)搭载视觉相机，其操作灵活，价格便宜，效率更高。本文以基于无人机的森林火灾检测为研究对象，进行
了相关研究工作，具体如下:
      (1)通过LBP特征提取结合S VM分类器的方法进行森林火灾中烟雾的检测。观察已有的林火影像资料发现，在植被茂盛的森林中，拍摄到的火灾图像中火焰所占比例极小，因此首先考虑进行烟雾检测的研究。对此，采用局部二值模式(LBP)特征提取与支持向量机(SVM)分类器结合的方法进行烟雾检测，从而对林火进行初步判别。
      (2)建立两组模型实现了基于CNN的烟雾及火焰检测。为了在火灾发生初期就能准确识别，根据卷积神经网络(CNN)具有通过局部感受域、权值共享、池化等特点，本文提出了基于CNN的无人机森林火灾检测方法，为了对烟雾及火焰同时进行检测并提高准确率，建立了CNN-9及CNN-17模型。
      (3)考虑了图像预处理对卷积神经网络检测性能的影响。在将图像输入CNN网络之前，为了增强相关信息的可检测性并最大程度上简化数据，对其进行了图像预处理相关的操作，如直方图均衡化、平滑低通滤波等。通过对真实的森林火灾图像进行检测实验，验证了所提出的方法的有效性，即直方图匹配及邻域平均法的确可以提升林火检测的准确率。
    (4)以SqueezeNet为骨干网络，优化模型后进行了火焰区域分割。在测试实验中，利用实际拍摄的林火数据集对深度学习模型进行训练，并进行了单幅图像的林火检测实验，实验结果表明，所提出的网络实现了图像中火焰区域的准确定位，从而有效地检测早期森林火灾。

关键词:森林火灾检测，卷积神经网络，SqueezeNet，局部二值模式，图像预处理