蘭元帥 何晉

(成都信息工程大學(xué)軟件工程學(xué)院,四川 成都 610225)

森林資源是人類的重要資源，在凈化環(huán)境的同時給人類帶來多樣的物種資源。但是，我國每年都有不少森林防火不當引起的災(zāi)難和損失。

早期森林防火僅依靠人工觀測技術(shù)，不僅精度低，而且實時性差。在森林防火中傳感器技術(shù)帶來了較大影響，但對于大面積的森林空間，傳統(tǒng)的傳感技術(shù)并不是很有效[1]。由于空間距離大，傳感器無法快速采集煙氣變化信息，有效探測火災(zāi)情況。目前，森林火災(zāi)的探測方法大多是紅外探測方法，具有火災(zāi)探測精度高的特點，但紅外探測系統(tǒng)的探測算法易受到外界干擾，火災(zāi)早期煙霧微弱時探測精度較低[2]。

通過深度學(xué)習方法訓(xùn)練目標檢測模型，運用樹莓派4B搭載YOLOv3機器視覺模型對火焰智能識別，采用這種森林防火方法，抗干擾能力強，檢測精度高。本系統(tǒng)采用樹莓派4B+，性能強、價格低、功耗低、體積小，能很好地解決森林防火中因環(huán)境特殊性帶來的防火預(yù)警不及時的問題，具有一定的推廣價值。

1 系統(tǒng)的流程設(shè)計

森林防火系統(tǒng)采用模塊化的設(shè)計理念，主要由Gan網(wǎng)絡(luò)數(shù)據(jù)生成模塊、YOLOv3目標檢測模塊、實時圖像采集模塊、動態(tài)報警系統(tǒng)4部分組成，系統(tǒng)總體框圖如圖1所示。

圖1 系統(tǒng)總體框架圖

1.1 Gan網(wǎng)絡(luò)數(shù)據(jù)生成模塊

數(shù)據(jù)處理是模型訓(xùn)練過程中很重要的一步。通過將煙霧和明火的圖片數(shù)據(jù)輸入到圖片生成Gan模型進行訓(xùn)練，圖片生成Gan模型訓(xùn)練成熟后再輸入固定格式的編碼即可生成大量目標圖片數(shù)據(jù)，以此降低尋找大量訓(xùn)練圖片數(shù)據(jù)的成本，再將由圖片生成Gan模型的生成的目標圖片數(shù)據(jù)根據(jù)需求進行標注，標注后的圖片數(shù)據(jù)進行歸一化處理，加快網(wǎng)絡(luò)訓(xùn)練的收斂性；再將歸一化處理后的目標圖片數(shù)據(jù)輸入到目標檢測模型進行訓(xùn)練，目標檢測模型訓(xùn)練成熟后即可連接至輸入設(shè)備待用。

1.2 目標檢測模塊

火災(zāi)主要的特征是明火和煙霧，因此對于森林火災(zāi)識別模型的訓(xùn)練數(shù)據(jù)應(yīng)為明火和煙霧的圖片數(shù)據(jù)及視頻數(shù)據(jù)，同時增加“光線”相關(guān)特征使目標檢測模型精度更高。對于模型算法的使用優(yōu)選為YOLOv3模型。YOLOv3目標檢測模型引用更加強大的特征提取網(wǎng)絡(luò)darknet-53使得計算速度大大加快，對象分類引用Logsitic支持多標簽以增加檢測精度。模型在PC端完成訓(xùn)練后，將模型和數(shù)據(jù)優(yōu)化后部署到樹莓派4B上，作為系統(tǒng)的目標檢測模塊。

1.3 實時圖像采集模塊

相關(guān)圖像或視頻的數(shù)據(jù)通過鐵塔上安裝的攝像頭以及相關(guān)已部署的無人機完成采集。通過鐵塔和無人機采集視頻數(shù)據(jù)傳輸至監(jiān)控中心，監(jiān)控中心利用SLIC圖像分割技術(shù)對視頻進行分幀，分幀后的視頻數(shù)據(jù)變?yōu)榇龣z測的圖片數(shù)據(jù)[3]，本系統(tǒng)SLIC搜索的限制范圍示意圖見圖2。

圖2 SLIC搜索限制范圍示意圖

攝像頭為雙目攝像頭，雙目攝像頭包括紅外攝像頭和高清攝像頭，紅外攝像頭用于夜晚，高清攝像頭用于白天[4]。由于光線的影響，將夜晚和白天分別用不同的攝像頭進行視頻采集,提高視頻采集的精度。

對于相關(guān)設(shè)備的供電則由設(shè)置的太陽能供電模塊完成。太陽能供電模塊包括若干光伏電池板、穩(wěn)壓模塊、蓄電池組。將太陽能板與穩(wěn)壓模塊的輸入端連接，再將穩(wěn)壓模塊LM317輸出端與蓄電池的輸入端連接，并使用蓄電池為攝像頭提供備用電源，本系統(tǒng)的LM317穩(wěn)壓電源電路，如圖3所示。

圖3 LM317穩(wěn)壓電源電路

1.4 動態(tài)報警系統(tǒng)

通過無人機和鐵塔部署好的傳感器和攝像頭在定期采集數(shù)據(jù)后將數(shù)據(jù)回傳，通過原來訓(xùn)練好的識別模型進行判斷目標檢測的模型是否大于預(yù)先設(shè)定好的閾值。如果超過所設(shè)閾值則觸發(fā)森林防火報警器，根據(jù)火災(zāi)發(fā)生的位置通知相關(guān)人員滅火，并將數(shù)據(jù)存儲于數(shù)據(jù)庫[5]。

2 系統(tǒng)核心算法

2.1 圖片生成模型

用于模型訓(xùn)練的原始數(shù)據(jù)是明火和煙霧的圖片數(shù)據(jù)及視頻數(shù)據(jù)。由于獲取到大量的相關(guān)數(shù)據(jù)存在一定的困難，因此使用Gan網(wǎng)絡(luò)對于有限的真實原始數(shù)據(jù)進行處理。通過Gan網(wǎng)絡(luò)可以生成大量圖片，標注后的圖片可以提供給目標識別模型的訓(xùn)練[6]。

圖片生成模型的Gan網(wǎng)絡(luò)是G網(wǎng)絡(luò)和D網(wǎng)絡(luò)的動態(tài)“博弈”。生成網(wǎng)絡(luò)G欺騙判別網(wǎng)絡(luò)D通過生成大量真實圖片；D網(wǎng)絡(luò)就盡最大努力區(qū)分生成圖片和真實圖片。最理想狀態(tài)下，G可以生成足以“以假亂真”的圖片G(z)。將煙霧和明火的圖片數(shù)據(jù)輸入到Gan網(wǎng)絡(luò)進行訓(xùn)練，訓(xùn)練成熟后生成編碼網(wǎng)絡(luò)和解碼網(wǎng)絡(luò)，編碼網(wǎng)絡(luò)輸出固定格式的編碼，這樣只需要輸入與編碼網(wǎng)絡(luò)輸出的相同格式的編碼到解碼網(wǎng)絡(luò)即可生成大量足以“以假亂真”的圖片，以降低尋找原始圖片數(shù)據(jù)進行目標檢測模型訓(xùn)練的成本。

Gan的判別公式：

整個式子由2項構(gòu)成，x表示真實圖片，z表示輸入G網(wǎng)絡(luò)的噪聲；G(z)表示G網(wǎng)絡(luò)生成的圖片；D(x)表示D網(wǎng)絡(luò)判斷真實圖片是否真實的概率。D(G(z))是D網(wǎng)絡(luò)判斷G生成的圖片是否真實的概率，G希望盡可能的大，這時V(D,G)會變小[7]。D的能力越強，D(x)應(yīng)該越大，D(G(x))應(yīng)該越小，這時V(D,G)會變大，因此，式子對于D來說是求最大。

2.2 Gan網(wǎng)絡(luò)實現(xiàn)

生成器的定義：

def G(w,name="G"):

with fluid.unique_name.guard(name + "/"):

w=fluid.layers.fc(y,size=1024,act='relu')

w=fluid.layers.batch_norm(y,act='relu')

w=fluid.layers.fc(y,size=128×7×7)

w=fluid.layers.batch_norm(y,act='relu')

w=fluid.layers.reshape(y,shape=(-1,128,7,7))

w=fluid.layers.conv2d(y,num_filters=64,filter_size=5,padding=2,act='relu')

w=fluid.layers.image_resize(y,scale=2)

w=fluid.layers.conv2d(y,num_filters=1,filter_size=5,padding=2,act='relu')

return y

判別器的定義：

def D(images,name="D"):

def conv_bn(input,num_filters,filter_size):

y=fluid.layers.conv2d(input=input,num_filters=num_filters,filter_size=filter_size,stride=1,bias_attr=False)

y=fluid.layers.batch_norm(y,act="leaky_relu")

return y

開始訓(xùn)練后，訓(xùn)練判別器D識別生成器G生成的假圖片。訓(xùn)練判別器D識別真實圖片進行對比，訓(xùn)練生成器G生成符合判別器D標準的假圖片，然后測試。

2.3 目標檢測模型

目標檢測模型為YOLOv3目標檢測模型[8]。YOLOv3目標檢測模型引用更加強大的特征提取網(wǎng)絡(luò)darknet-53使得計算速度大大加快[9]。darknet-53的網(wǎng)絡(luò)結(jié)構(gòu)包含53個卷基層，借鑒殘差網(wǎng)絡(luò)Residual Network的做法，在一些層之間設(shè)置了快捷鏈路，最左側(cè)1列的1、2、8等數(shù)字表示多少個重復(fù)的殘差組件，每個殘差組件有2個卷基層和1個快捷鏈路，殘差組件結(jié)構(gòu)如圖4所示[10,11]。

圖4 殘差組件結(jié)構(gòu)

YOLOv3網(wǎng)絡(luò)使用了darknet-53前面的52層，YOLOv3網(wǎng)絡(luò)是一個全卷積網(wǎng)絡(luò)，大量使用殘差的跳層連接。使用這種殘差結(jié)構(gòu)的好處是，保證網(wǎng)絡(luò)結(jié)構(gòu)在很深的情況下，仍能收斂；網(wǎng)絡(luò)越深，表達的特征越好，分類和檢測的效果都會提升。由于大量減少了參數(shù)量，進一步減少了計算量。對象分類引用Logsitic支持多標簽以此增加檢測精度。

2.4 目標檢測部分

YOLOv3將輸入圖像分成S×S個格子，每個格子預(yù)測B個bounding box，每個bounding box預(yù)測內(nèi)容包括Location(x,y,w,h)、Confidence Score和C個類別的概率，因此YOLOv3輸出層的channel數(shù)為B×(5+C)[12,13]。YOLOv3的loss函數(shù)也由3部分組成,Location誤差、Confidence誤差和分類誤差。

3 方法測試與結(jié)果

3.1 測試方案

使用互聯(lián)網(wǎng)易于搜索到的數(shù)據(jù)集進行Gan網(wǎng)絡(luò)訓(xùn)練，并在高性能的計算機進行計算得到較成熟的Gan網(wǎng)絡(luò)圖片生成模型，并使用Gan網(wǎng)絡(luò)模型生成大量圖片數(shù)據(jù)訓(xùn)練YOLOv3目標檢測模型。

部署相關(guān)硬件，采集相關(guān)數(shù)據(jù)。通過對隨機采集到的30張的森林火焰圖片輸入掛載目標檢測模型的樹莓派4B上進行計算，得到識別目標的準確率，如圖5所示。

圖5 實際測試結(jié)果

3.2 測試結(jié)果

經(jīng)過訓(xùn)練，模型的準確率逐步增高。隨著數(shù)據(jù)采集數(shù)量的增多，模型對于森林火焰的數(shù)據(jù)有較強的敏感性；通過部署到樹莓派4B，輸入視頻和圖片完成測試，可以精準地識別森林中的火焰和煙霧，并輸入相應(yīng)的較高的準確率。

4 結(jié)語

這種基于樹莓派4B森林防火系統(tǒng)采用深度學(xué)習模型完成對森林火焰的識別。經(jīng)過實驗測試，通過Gan網(wǎng)絡(luò)的圖片生成模型以及基于YOLOv3的目標檢測模型均可以良好的工作，具備較好的可移植性。整個系統(tǒng)運行穩(wěn)定、準確度高，具備較強的抗干擾性，具有一定的應(yīng)用市場。