基于改进型YOLOv5模型和激光SLAM建图提高森林火灾应对能力的研究.pdf

年 月计 算 机 应 用 文 摘第 卷 第 期基于改进型 模型和激光 建图提高森林火灾应对能力的研究马晨浩，马江涛，宋金龙，梅良才（北京理工大学珠海学院，广东 珠海）摘 要 文章介绍了一种改进型的 模型 它结合了数据增强和伪标签技术 以提高森林火灾检测的准确性 该模型在各种数据集上进行评估 并在检测森林环境中的火源方面实现了最先进的性能 此外 提出了一种使用 同时定位和映射 技术对森林火灾场景进行建模的新方法 该方法利用 和 相机构建环境的 地图 并实时检测火源 实验结果表明 该方法在准确检测森林火源并及时提供警报以防止潜在灾害方面具有有效性 进而为森林火灾安全应用的先进计算机视觉和机器人技术的发展做出了贡献 关键词 森林防火 数据增强 目标检测 激光 中图法分类号 文献标识码 引言森林防火问题是一个全球性的挑战，研究人员一直在不断探索和创新防火技术和设备，以提高防火效率和减少防火成本。随着计算机视觉和机器学习技术的快速发展，以及无人机技术的普及和成熟，利用无人机搭载激光雷达进行 建图已成为森林防火领域的重要研究方向之一。在烟火检测方面，目标检测算法已被广泛应用。文献作者利用 算法检测烟花燃放过程中的烟雾，实现了较高的准确率和较快的检测速度。文献作者通过对比不同的目标检测算法发现，算法在烟花烟雾检测方面具有优势。文献作者使用了改进的 算法，进一步提高了烟火检测的准确率和效率。无人机技术也成为森林防火的重要手段之一。结合 技术无人机可以快速获取并建立森林区域的地图，对火源的位置、大小等进行准确的监测和分析。文献作者利用 算法构建了一套基于无人机的防火系统。文献作者提出了一种改进的无人机路径规划算法，以提高无人机在森林防火中的应用效率。除此之外，还有许多其他技术在森林防火中得到了应用。文献作者提出了一种基于传感器网络的基金项目：广东省大学生创新创业训练计划项目：基于神经网络算法的无人机烟火检测系统研究（）；北京理工大学珠海学院大数据研究中心及广东省本科高校教学质量与教学改革工程项目：基于 的应用型高校本科生科研能力培养的研究与实践 以数据科学与大数据技术专业为例（）火灾预警系统。文献作者研究了一种基于机器学习的火灾识别方法。文献作者提出了一种新的森林防火监测系统，以实时监测森林中的火情信息。文献作者研究了利用机器视觉和深度学习技术对森林防火进行智能化预警和预测的方法。文献作者开发了一种基于移动机器人的森林防火巡查系统。数据增强标检测算法中数据集的数量和质量至关重要，然而带标注的开源烟火数据集较少。本文在互联网收集了 张含有火焰或烟雾的图片（正样本）和 张无目标的图片（负样本），并将其作为初始数据集。为了模拟航拍视角，提高模型检测能力，对数据集进行增强处理。仿射变换当使用无人机进行拍摄时，无人机的飞行高度和镜头俯视角度会对视频的视角产生影响，导致视频内容的变化。为了更好地提高图像质量，本文使用仿射变换来模拟出不同的视角。除了常规的旋转，还使用透视变换实现图像的扭曲和倾斜。添加噪声火焰的形状和颜色会随时间呈现多种变化，为了提高模型的泛化，随机在部分图片中添加椒盐噪声。在图像中的火焰和烟雾区域添加黑色或白色的小点，这些点会破坏图像的细节和边缘信息，从而迫使神经网络在学习过程中更加关注特征的鲁棒性和健壮性，效果如图 所示。图 椒盐噪声效果 图像增强方案从原始数据中随机抽取数据并对其进行图像增强，方案如图 所示，最后获得包含 张图片的新数据集。目标检测模型 激活函数改进 函数对比原生 使用的激活函数为，最初在 团队于 年发表在计算机视觉领域的文章中被提出。其基本思路是将常用的 激活图 图像增强流程函数改进为对实数范围从 到正无穷的深度网络模型的激活函数，从而克服了计算机模型中 渐近线性特性的缺点，表达式为：（）（）（）其中，代表 函数，是一个可训练的参数，作为输入。函数表达式为：（）（）函数结合了 函数（即（）（，）的优点，即在输入为正时梯度不为零，同时在输入为负时允许非零梯度。该函数的图像呈现出一种平滑的 形曲线，比 函数更加平滑，因此可以更好地解决梯度消失和梯度爆炸的问题。此外，由于添加了 并将其作为参数，函数的梯度比 函数和 函数的梯度更大，这说明在相同任务情况下可以更快地收敛，易于训练。函数的表达式为：（）（）（）其中，代表 函数，作为输入。相较于 函数和 函数，函数具有更好的性质，可以在神经网络中产生更好的结果。此外，函数的计算不需要额外的指数函数，且计算速度也比 激活函数更快。实验对比为验证使用 激活函数在进行火源识别任务中训练模型的有效性，设计实验 如下：在本次使用的数据集中随机抽取 张图像并将其作为训练样本，张作为验证样本，分别训练（激活函数）、（激活函数），以及将 作为激活函数的 模型，做循环迭代 次更新权重。保留相关指标结果，定义检测准确率 如下：（）从式（）可以看出，准确率为检测到的目标数与实际目标数的比例。对于一个类别，若算法正确地检测到了该类别的目标，则将其视为一个真正检测（：），否则将其视为一个假检测（：）。同时，若有一些目标没有被检测到，则将其视为一个漏检（：）。计 算 机 应 用 文 摘 年第 期绘制学习曲线，如图 所示。图 训练结果曲线由图 可以看出，将 作为激活函数的 相较于原生 前期收敛速度更快，训练损失曲线相对平滑。标签平滑 即标签平滑，是一种正则化方法，用于避免神经网络过拟合训练集，提高模型的泛化能力。在标签平滑中，将分类问题中的 真实标签替换成稍微模糊的概率分布，通过减少标签的过度自信来鼓励模型更好地泛化到看不见的数据上。通常而言，平滑的概率分布是一个平均分布，即将每个标签的概率值都平均分到其他标签上，而非只给真实标签分配 的概率。该数据集的标签：烟雾 ，火源 ，如图 所示。图 标签效果通过查阅相关资料文献，在一定程度上平衡正确和错误标签的置信度，最终将正确标签的置信度从 调整为，将错误标签的置信度从 调整为，即烟雾 ，火源 ，。基于以上的方法，使用实验 中的数据设计实验，分别训练改进的 模型与 模型，共计 个训练轮次，模型准确率如图 所示。由图 可知，在不改变模型结构的条件下，使用 的方法，曲线上升速度相对平滑，模型综合性能稍微得到提升。伪标签学习综合上述实验结果并考虑到模型在火源识别过程中的稳定性，为增加模型维度，使用 提取图像特征，对每个锚框预测（包含火源的概率）计算置信得分。这一识别过程综合使用 对激活函数的 与 进行识别，得到最终的识别结果。图 模型准确率将实验 中训练好的改进的 与 对测试图像进行识别，并将识别结果作为额外的标签加入有标签数据中，即扩充了训练所使用的数据，进一步提高模型的泛化能力和准确率。在对单个锚框进行识别的阶段，通过线性组合的方式对综合改进的 与 最高的置信得分分别给予 的权重，并将其作为该锚框的最终置信得分。该方法相关评价指标如表 所列。表 训练结果数据（）实验证明，使用该方法可以有效进行后续检测任务。将数据集按：的比例随机分割成训练集、验证集，使用改进后的 模型对其训练 轮。最终模型在测试集上的准确率为 ，为 。结合 次迭代实验及每次实验所用的模型，取中位表现结果，如表 所列。表 训练结果对比实验 轻量级无人机的 建图 无人机采集数据在所设计的无人机激光雷达系统中，采用基于图像的特征提取和匹配算法，并结合激光雷达数据进行 建 图。具 体 来 说，将 算 法（）作为视觉 组件，并将其与激光雷达的数据进行融合。年第 期 计 算 机 应 用 文 摘 激光雷达数据与相机图像数据的融合使 建图结果更加精确。具体来说，使用特征点匹配的方式来进行相邻帧之间的位姿估计和地图点的跟踪，而激光雷达则用来补充相机无法感知到的深度信息，进而优化地图的质量。最终，该系统可以实现实时的无人机激光 建图，即时反馈建图结果并进行导航。在 信号不稳定的环境下，该系统具有很好的适应性和稳定性，能够为无人机在复杂环境下的任务提供支持。场景建模 多传感器融合 建模无人机激光 系统性能评估是通过在多个现实场景中进行测试和比较得出的。使用了两种不同的比较方法，一种是与传统的激光 方法进行比较，另一种是与现有的无人机 系统进行比较。在第一种比较中，将一个具有相同硬件配置和相同数据集的传统激光 系统作为基准系统进行比较。实验结果表明，无人机激光 系统能够更准确地恢复环境结构，同时具有更高的地图重建效率和更低的姿态漂移。在第二种比较中，将已有的两个无人机 系统作为比较对象。实验结果表明，该系统能够在更短的时间内完成地图重建任务，同时保持较高的重建精度和姿态估计准确性。实时建模无人机激光 系统是基于实时数据流建立的，因此该系统的实时性能是至关重要的。在实验中评估了系统的实时性能，包括数据采集和处理的延迟以及地图更新和姿态估计的实时性。实验结果表明，该系统能够在几乎实时的时间内完成数据采集和处理，地图更新和姿态估计的延迟非常小，且系统能够在高速运动的情况下保持较高的实时性能。结束语本文提出的 系统与传统基于摄像头或 传感器的 系统相比，在 环境下表现更优。实验结果表明，本文算法的重建精度和稳定性优于其他方法。因此，本文算法可以被广泛应用于林业、城市规划和环境监测等领域。参考文献：，：，（），：，（），：，（），：，（），：，（）：，：，（）：，（），：，（），：，（），：作者简介：马晨浩（），本科，研究方向：深度学习理论及应用、机器视觉。马江涛（），本科，研究方向：深度学习理论及应用、机器视觉。宋金龙（），本科，研究方向：深度学习理论及应用、大数据技术。梅良才（），硕士，副教授，研究方向：机器学习理论及应用、再生核算法理论及应用（通信作者）。计 算 机 应 用 文 摘 年第 期