一种基于无人机边缘计算的火灾检测方法及系统

本发明涉及目标检测，尤其涉及一种基于无人机边缘计算的火灾检测方法及系统。

背景技术：

1、在火灾防治中，早期及时发现起火点的时机非常重要，特别是在森林这样复杂的环境中，一旦能快速及时地检测到起火点的位置，能将火灾控制在萌芽阶段，对保护森林经济财产具有十分重要的意义。

2、目前，在森林火灾防治中，常用到无人机等低空飞行无人机对森林进行巡查，避免了人工在森林环境中不方便作业的缺陷，同时得益于深度学习在图像识别领域的快速发展，很多方法将深度学习应用于图像目标检测领域，当前有两类主要的基于深度学习的森林火灾检测方法，一类是采用火焰或者烟雾的手工特征，如颜色、纹理、形状等特征，然后采用bp神经网络或者svm进行训练。使用训练模型对视频帧进行检测，检测有无烟雾或火焰；另一类是采用cnn特征和深度学习方法，cnn特征提取层包含多个共享卷积核，可以轻松处理高维数据，并自动进行特征提取，无需添加其他的手工特征。但上述两种方法均存在过于依赖人工获取的图像特征，处理效率不高以及计算复杂等缺陷，在森林火灾检测这种对实时性和准确性要求较高的场景中实用性不强。

3、因此，针对森林火灾起火点检测这一需求，亟需提出新的火灾检测方法。

技术实现思路

1、本发明提供一种基于无人机边缘计算的火灾检测方法及系统，用以解决现有技术中森林火灾起火点检测存在检测算法复杂，处理效率不高的缺陷。

2、第一方面，本发明提供一种基于无人机边缘计算的火灾检测方法，包括：

3、采集目标检测区域影像数据和无人机飞行状态数据；

4、将所述目标检测区域影像数据和所述无人机飞行状态数据输入预先训练好的火灾检测模型，得到火灾起火点检测结果；

5、其中，所述火灾检测模型是构建基于yolov3算法的边缘计算深度学习模型架构，采用目标检测区域影像样本和分类标签对所述边缘计算深度学习模型架构进行训练所得到的。

6、根据本发明提供的一种基于无人机边缘计算的火灾检测方法，所述采集目标检测区域影像数据和无人机飞行状态数据，包括：

7、采集目标检测区域的若干待检测实时图像；

8、获取无人机在拍摄影像时的三维空间位置信息。

9、根据本发明提供的一种基于无人机边缘计算的火灾检测方法，所述火灾检测模型，通过以下步骤获得：

10、获取所述目标检测区域影像样本；

11、构建包括backbone部分、neck部分和yolo head部分的yolov3模型，获取所述分类标签；

12、将所述目标检测区域影像样本输入至所述backbone部分进行特征提取及下采样，得到图像下采样特征图；

13、将所述图像下采样特征图输入至所述neck部分进行上采样，得到不同尺度特征图；

14、将所述不同尺度特征图输入至yolo head部分进行损失计算，得到所述火灾检测模型。

15、根据本发明提供的一种基于无人机边缘计算的火灾检测方法，所述获取所述目标检测区域影像样本，包括：

16、采集所述目标检测区域的不同拍摄角度、有无着火点、不同拍摄高度和不同遮挡程度的若干红外图像样本。

17、根据本发明提供的一种基于无人机边缘计算的火灾检测方法，所述将所述目标检测区域影像样本输入至所述backbone部分进行特征提取及下采样，得到图像下采样特征图，包括：

18、确定所述backbone部分包含52个卷积层和1个全连接层的darknet-53深度卷积神经网络，其中所述darknet-53深度卷积神经网络还包括多个残差模块，多个残差模块之间包括预设卷积核大小和预设卷积核步长的卷积层；

19、将所述目标检测区域影像样本输入至所述darknet-53深度卷积神经网络进行多尺度下采样，获得所述图像下采样特征图。

20、根据本发明提供的一种基于无人机边缘计算的火灾检测方法，所述将所述图像下采样特征图输入至所述neck部分进行上采样，得到不同尺度特征图，包括：

21、确定所述neck部分为路径聚合网络；

22、将所述图像下采样特征图输入至所述路径聚合网络，分别得到第一尺度特征图、第二尺度特征图和第三尺度特征图，其中所述第一尺度特征图、所述第二尺度特征图和所述第三尺度特征图的深度相同，边长依次扩大一倍。

23、根据本发明提供的一种基于无人机边缘计算的火灾检测方法，所述将所述不同尺度特征图输入至yolo head部分进行损失计算，得到所述火灾检测模型，包括：

24、采用二值交叉熵损失计算所述不同尺度特征图中所有样本的目标置信度损失值，得到目标检测框内存在目标概率；

25、采用二值交叉熵损失计算所述不同尺度特征图中正样本的目标类别损失值，得到目标检测框内目标类别存在概率；

26、采用误差平方和损失计算所述不同尺度特征图中正样本的目标定位损失值，得到目标检测框内目标与真实值定位概率；

27、综合所述目标检测框内存在目标概率、所述目标检测框内目标类别存在概率和所述目标检测框内目标与真实值定位概率对所述yolov3模型进行修正，得到所述火灾检测模型。

28、第二方面，本发明还提供一种基于无人机边缘计算的火灾检测系统，包括：

29、采集模块，用于采集目标检测区域影像数据和无人机飞行状态数据；

30、检测模块，用于将所述目标检测区域影像数据和所述无人机飞行状态数据输入预先训练好的火灾检测模型，得到火灾起火点检测结果；

31、其中，所述火灾检测模型是构建基于yolov3算法的边缘计算深度学习模型架构，采用目标检测区域影像样本和分类标签对所述边缘计算深度学习模型架构进行训练所得到的。

32、第三方面，本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述基于无人机边缘计算的火灾检测方法。

33、第四方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述基于无人机边缘计算的火灾检测方法。

34、第五方面，本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述基于无人机边缘计算的火灾检测方法。

35、本发明提供的基于无人机边缘计算的火灾检测方法及系统，通过无人机拍摄获取目标区域的检测图像，并采用yolov3算法进行深度学习边缘检测处理，能快速准确检测出火灾起火点的位置信息，具有智能化和高效性。

技术特征：

1.一种基于无人机边缘计算的火灾检测方法，其特征在于，包括：

2.根据权利要求1所述的基于无人机边缘计算的火灾检测方法，其特征在于，所述采集目标检测区域影像数据和无人机飞行状态数据，包括：

3.根据权利要求1所述的基于无人机边缘计算的火灾检测方法，其特征在于，所述火灾检测模型，通过以下步骤获得：

4.根据权利要求3所述的基于无人机边缘计算的火灾检测方法，其特征在于，所述获取所述目标检测区域影像样本，包括：

5.根据权利要求3所述的基于无人机边缘计算的火灾检测方法，其特征在于，所述将所述目标检测区域影像样本输入至所述backbone部分进行特征提取及下采样，得到图像下采样特征图，包括：

6.根据权利要求3所述的基于无人机边缘计算的火灾检测方法，其特征在于，所述将所述图像下采样特征图输入至所述neck部分进行上采样，得到不同尺度特征图，包括：

7.根据权利要求3所述的基于无人机边缘计算的火灾检测方法，其特征在于，所述将所述不同尺度特征图输入至yolo head部分进行损失计算，得到所述火灾检测模型，包括：

8.一种基于无人机边缘计算的火灾检测系统，其特征在于，包括：

9.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至7任一项所述基于无人机边缘计算的火灾检测方法。

10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述基于无人机边缘计算的火灾检测方法。

技术总结
本发明提供一种基于无人机边缘计算的火灾检测方法及系统，属于目标检测技术领域，包括：采集目标检测区域影像数据和无人机飞行状态数据；将所述目标检测区域影像数据和所述无人机飞行状态数据输入预先训练好的火灾检测模型，得到火灾起火点检测结果；其中，所述火灾检测模型是构建基于Yolov3算法的边缘计算深度学习模型架构，采用目标检测区域影像样本和分类标签对所述边缘计算深度学习模型架构进行训练所得到的。本发明通过无人机拍摄获取目标区域的检测图像，并采用Yolov3算法进行深度学习边缘检测处理，能快速准确检测出火灾起火点的位置信息，具有智能化和高效性。

技术研发人员：赵冬冬,柴晓晰,陈赢
受保护的技术使用者：武汉理工大学
技术研发日：
技术公布日：2024/1/13