论文部分内容阅读
森林火灾已成为威胁生态系统、基础设施和人类生命的严重自然灾害，在预防和扑灭森林火灾的工作中，世界各国投入了大量的人力和物力。为了防止森林火灾快速对流传播，阻止其形成大范围灾害，需要对森林火灾的发生进行监测和及时报警。
本文基于计算机视觉技术，研究了两种森林火灾检测算法，并针对这两种算法进行优缺点分析和性能改进，实现了可以搭载在无人机平台的实时森林火灾检测系统：
(1)以基于人工设定特征的传统图像识别算法为理论基础。此类算法具有实现成本低的优点，但由于其需要凭借经验进行特征设定，存在抗干扰性能差的缺点。本文算法依据待检测图像各像素点间H、S、V分量上的差异，使用K均值聚类算法将疑似火灾区域与背景分离，并根据火灾图像的颜色特征将疑似火灾区域提取，降低了背景环境干扰，火灾检测的准确率为92.22%。此外，又通过设定样本熵阈值对疑似火灾区域进行再辨识，以排除部分类似火灾的干扰源，进一步提高算法的抗干扰性能，火灾检测的准确率提升为95.03%，最终达到森林火灾检测目的。
(2)以基于卷积神经网络的目标检测算法为理论基础。此类算法具有精确度高，抗干扰性能强的优点，但存在参数量和计算量大的缺点。本文算法使用YOLOv4目标检测模型为主体框架进行森林火灾检测，并进行了两部分的改进。第一部分：算法采用轻量级的MobileNetV3降低了常规YOLOv4模型的复杂度；第二部分：通过剪枝算法消除了冗余的通道，进一步降低了参数量和计算量，并使用知识蒸馏算法提升了模型的检测精度。
(3)将两种森林火灾检测算法的准确率、运行速度和内存占用进行了对比，设计了两种森林火灾检测算法的实现流程。经过综合考量，选择将Pruned+KD模型部署在嵌入式开发板上，与YOLOv4模型相比，其参数量降低了95.87%，模型推理时间减少了74.36%，火灾检测的精度只降低了5.80%，准确率为99.35%。
最终，将算法部署在了NVIDIAJetsonXavierNX开发板上，每秒可对26.74帧图像进行实时检测。本文提出的基于计算机视觉的森林火灾检测算法具有参数量少，运行速度快的优势，适合部署在以无人机为平台的微型化嵌入式系统上。
本文基于计算机视觉技术，研究了两种森林火灾检测算法，并针对这两种算法进行优缺点分析和性能改进，实现了可以搭载在无人机平台的实时森林火灾检测系统：
(1)以基于人工设定特征的传统图像识别算法为理论基础。此类算法具有实现成本低的优点，但由于其需要凭借经验进行特征设定，存在抗干扰性能差的缺点。本文算法依据待检测图像各像素点间H、S、V分量上的差异，使用K均值聚类算法将疑似火灾区域与背景分离，并根据火灾图像的颜色特征将疑似火灾区域提取，降低了背景环境干扰，火灾检测的准确率为92.22%。此外，又通过设定样本熵阈值对疑似火灾区域进行再辨识，以排除部分类似火灾的干扰源，进一步提高算法的抗干扰性能，火灾检测的准确率提升为95.03%，最终达到森林火灾检测目的。
(2)以基于卷积神经网络的目标检测算法为理论基础。此类算法具有精确度高，抗干扰性能强的优点，但存在参数量和计算量大的缺点。本文算法使用YOLOv4目标检测模型为主体框架进行森林火灾检测，并进行了两部分的改进。第一部分：算法采用轻量级的MobileNetV3降低了常规YOLOv4模型的复杂度；第二部分：通过剪枝算法消除了冗余的通道，进一步降低了参数量和计算量，并使用知识蒸馏算法提升了模型的检测精度。
(3)将两种森林火灾检测算法的准确率、运行速度和内存占用进行了对比，设计了两种森林火灾检测算法的实现流程。经过综合考量，选择将Pruned+KD模型部署在嵌入式开发板上，与YOLOv4模型相比，其参数量降低了95.87%，模型推理时间减少了74.36%，火灾检测的精度只降低了5.80%，准确率为99.35%。
最终，将算法部署在了NVIDIAJetsonXavierNX开发板上，每秒可对26.74帧图像进行实时检测。本文提出的基于计算机视觉的森林火灾检测算法具有参数量少，运行速度快的优势，适合部署在以无人机为平台的微型化嵌入式系统上。