高桂雨 李丁祎 赵娟娟 宋美 杨雅君 牛彦霖

摘要：森林火灾监测是保障我国森林资源的重要手段，也是亟待解决的难题。该文基于TensorFlow框架，利用目标检测SSD算法结合YOLO算法中的回归思想和Faster-RCNN算法中的Anchor机制，实现森林火灾的监测报警，可辅助有关部门及时发现山火，提醒人们迅速做出灭火反应，在一定程度上减少森林火灾造成的损失。

关键词：森林火灾监测;目标检测;SSD算法

中图分类号：TP18      文献标识码：A

文章编号：1009-3044（2022）02-0013-02

1引言

森林作为国家最为重要的自然资源之一，其生物基因种类繁多，水、碳能源储量丰富，对人类的生存繁衍、国民经济发展及地球生态循环有着不可替代的效用。森林火灾频发于全球范围的森林生态系统，是森林三大自然灾害之最，被称为世界性的林业灾害。世界范围内，森林火灾每年发生量约为几十万次，破坏森林面积高达几百万公顷，占全球森林面积0.1%[1]。森林火灾危害性极大，不仅蚕食动植物，损坏微生物资源，造成土壤沙化和水土流失，造成难以估量的人员及经济损失，同时，燃烧过程中产生大量悬浮颗粒，形成雾霾天气;释放出大量温室气体，加剧全球温室效应，影响气候变化;产生的氮氧化物（NO、NO2、N2O）同样对人体具有危害，其中NO可直接侵入肺泡，释放一种蛋白分解酶，破坏肺泡，引起肺水肿[2]等疾病。森林火灾是世界灭火的难题[3]，一旦产生，其规模之大，燃烧速度极快，森林资源损失巨大。因此，监测森林火灾是保障我国森林资源的重要手段，也是亟待解决的难题。

森林火灾的监测技术近些年来发展迅速，相关设备也日趋先进，监测时效性更强，使得我国的森林火灾防护水平大幅度提升。王威等[4]通过传感器获取湿度、温度等信息，并结合雷达数据，建立了基于雷达的多源信息林火监测模型。朱雪等[5]利用 SVM 分类方法，火焰特征作为输入数据，创建森林火灾的识别系统，并通过图像处理技术识别火灾规模实现林火监控。丁毓峰，徐鑫[6]提出一种基于 POS-KELM 的森林火灾图像识别方法，利用粒子群算法进行参数寻优。Wang等[7]将传统的图像处理技术与卷积神经网络相结合，引入自适应池化方法，避免了传统特征提取过程中的盲目性。秦钰林等[8]人基于NB-IoT窄带通信技术、无线传感网技术设计了一套监测系统，将传感器测量的数据传入微控制器，若数据超过设定阈值，将进入警报状态。张海波等[9]提出了一种改进卷积神经网络三通道拟合的林火识别算法。同时采用PCA 算法改进模型，提高模型迭代速率。曹毅超等[10]运用循环神经网络算法进行森林火灾识别，以林火视频场景为研究对象，该方法不仅可以提取具有区分性的空间特征，还可以通过循环神经网络提取时序特征。Liu等[11]提出了一种基于深度学习的多层次森林火灾检测方法。使用GAN （General Advanced Networks）生成了高质量的火灾样本，通过卷积神经网络（CNN）和支持向量机（SVM）用来进行火灾区域识别。韦海成等[12]提出了一种基于 K-Means 聚类下样本熵值判别算法，采用计算欧氏距离的 K-Means 聚类算法，通过计算火灾区域和非火灾区域的熵值差异大小，确认聚类的图像子集是否存在火灾。

本文将基于TensorFlow框架，利用SSD学习算法结合YOLO算法中的回归思想和Faster-RCNN算法中的Anchor机制，实现森林火灾的监测，最大程度上减少林火造成的损失。该算法使用全图各个位置的多尺度区域进行回归，既能保持YOLO算法速度快的特性，也可保证窗口预测同 Faster-RCNN算法一样精准。

2基于目标检测SSD算法的森林火灾监测模型研究

人工智能的研究领域里，研究的热点已经转变为不同模式下的目标和对象识别。目前，目标检测的算法主要有两种：一种是首先确定区域，然后目标分类，代表有R-CNN、SPP-net;另一种是采用网络一步到位，达到检测目标的作用，代表有YOLO、SSD等。由于SSD有准确性高、效率高的优点，所以本文采用SSD融合了YOLO的回归思想和Faster R-CNN的候选框机制优化了模型来进行森林火灾检测，既保持了Faster R-CNN的精准性，也具有了YOLO速度快的特性。

2.1模型概述

SSD算法全稱为Single Shot MultiBox Detector，是属于one-stage方法的一种目标检测算法。SSD在原始VGG16的基础上延伸了4个卷积层扩张视野，可以用于检测不同尺度的物体。该算法利用了与Faster RNN相似的固定大小与宽高的PrioBox作为区域生成，但不同的是，SSD在6个不同尺度都设置预选框，由于各层特征图具有不同的尺度与感受野，故使用浅层特征图上较小的PrioBox检测小物体，用深层特征图上较大的PrioBox检测大物体。在正、负样本的选取与损失计算方面，SSD算法利用[3×3]的卷积在6个特征图上进行特征提取，并分为分类与回归两个分支，通过预选框与真实框的匹配，利用IoU筛选出正样本与负样本，最终计算出分类损失与回归损失。

2.2模型应用框架

利用TensorFlow库中的Tensorflow object detection API来识别图像或视频中火灾的神经网络。为了提高模型的精确度，选择了多个角度不同火势的山火航拍图。由于森林火灾监测预警模型是基于各种不同角度不同清晰度的图像数据训练得到的，因此可以根据建立的森林火灾监测预警模型识别森林火灾。森林火灾有不可预测以及难以预防的特性，所以根据模型输出的结果推测火势处于什么状况下报警能使火灾的损失最小化。整体应用框架构思如图1所示：

2.3 数据的准备

本文利用数据集网站及其他网站搜集森林火灾的图像和视频，选取下载了400余张火灾图片并将其存入“site-packages”文件夹中。为了提高模型的可靠性和精确度，选取的森林火灾图像火势大小不同、火势区域不同，山势地形不同等。数据集获取完毕后，利用Labelme软件将数据集中的所有图像进行人工标记，判断并勾选出图像中存在火焰的区域，即选择需要学习识别的物体。标记完成后，得到新的文件“object_detection”，其用于存储选定的图像边界框的XML文件。

2.4 数据的处理

将储存好的图像数据集按照3：1的比例随机拆分成两份。前者作为训练集，用来调整参数和训练模型;后者作为检验集，用来模型性能和准确率的检验。分别导入原图像及对应的XML文件以创建新的数据集，利用Python代码将XML文件转换为Tensorflow可读取的形式，即Tfrecord格式，提取XML文件中的特征值至Excel表格中。

2.5训练过程

基于谷歌提供的object detection api图像识别框架，采用SSD_MobileNet_v1算法对训练集进行模型训练。其核心思想是深度可分离卷积操作，在与标准卷积操作设置权值参数相同的情况下，可大大减少计算量，从而提高运算速度。

在开始训练前，笔者进行了一系列参数设置。首先，由于数据集中的图片大小规格不一，故选择fixed_shape_resizer对输入图像进行控制，将height和width均设置为300，使输入的森林火灾图像的大小规格统一为300[×]300。其次，由于待检测目标只有一个，因此将分类数目设为1，类别名称为制作数据集时对火焰的标记fire。而在box编解码处，因为SSD算法借鉴了Faster-RNN的思想，故选择faster_rcnn_box_coder参数，以default box为参照系，将预测框和人工标记的真实框转换为相对于default box的数值表示，以及将预测框和真实框转换为用绝对坐标系数值表示。另外，鉴于SSD算法采用了最大值策略，对于default box和真实框的匹配策略设置参数选择argmax_matcher，并设置二者的阈值均为0.5，用以判别正、负样本。此处，为防止出现中间态样本，增加了negatives_lower_than_unmatched参数，并设置其值为true，即将中間态样本记为负样本;为防止模型出现漏检的情况，又设置参数force_match_for_each_row的值为 true。

准备好上述条件后，对预测器做出一系列设置，使predicted box可输出显示两类预测：（1）predicted box中目标的类别;（2）交并比IOU的值。

经过3000次训练，模型的定位损失值和分类损失值均已稳定于一常数附近，最终选取了损失值最小的模型，并记录了参数组合。整个模型的主要参数设置如表1：

2.6 模型检验

经检验，使用该模型对不同大小不同清晰度的森林航拍图片中火焰的检测平均准确率达93%，对于森林航拍视频中火焰的均可检测并标记出，且IOU值达90%以上。

3 结论

本文就基于目标检测SSD算法的森林火灾检测模型，进行了系列研究探索。将该模型嵌入无人机进行森林巡检可以提高护林巡检效率，减少巡护人力物力的消耗，对初发期森林火灾及时作出反应降低林火危害。

参考文献：

[1] 傅欣蕾，韩久同，刘敏.基于CiteSpace的森林火灾研究文献可视化分析[J].安徽林业科技，2020，46（5）：56-61.

[2] 向临川，王秋华，龙腾腾，等.森林火灾燃烧产物研究概述[J].森林防火，2020（3）：28-33.

[3] 高艳霞.林火监测与预警在森林防灭火中的运用探究[J].南方农业，2020，14（27）：86-87.

[4] 王威，何筱仙，张深寿.基于雷达的多源信息森林火灾监测模型应用研究[J].气象科技进展，2020，10（6）：101-105.

[5] 朱雪，姜树海，崔嵩鹤，等.基于机器视觉的森林火灾识别系统[J].林业机械与木工设备，2020，48（12）：12-20.

[6] 丁毓峰，徐鑫.基于POS-KELM的森林火灾图像识别方法[J].数字制造科学，2020，18（4）：283-288.

[7] Wang Y B，Dang L F，Ren J Y.Forest fire image recognition based on convolutional neural network[J].Journal of Algorithms & Computational Technology，2019，13：174830261988768.

[8] 秦钰林，周若麟，张珂欣，等.基于NB-IoT窄带通信和多传感器组网技术的森林火灾监测预警系统[J].物联网技术，2020，10（6）：14-16，19.

[9] 张海波，赵运基，张新良.三通道拟合的改进卷积神经网络林火识别算法[J].传感器与微系统，2020，39（11）：134-136，140.

[10] 曹毅超，吴泽鹏，周宇飞，等.基于循环神经网络的森林火灾识别研究[J].林业与环境科学，2020，36（5）：34-40.

[11] Liu Z C，Zhang K，Wang C Y，et al.Research on the identification method for the forest fire based on deep learning[J].Optik，2020，223：165491.

[12] 韦海成，王生营，许亚杰，等.样本熵融合聚类算法的森林火灾图像识别研究[J].电子测量与仪器学报，2020，34（1）：171-177.

[13] Zhang J D，Xu J B，Zhu L Y，et al.An improved MobileNet-SSD algorithm for automatic defect detection on vehicle body paint[J].Multimedia Tools and Applications，2020，79（31/32）：23367-23385.

[14] 陈燕红.基于卷积神经网络的无人机森林火灾检测研究[D].西安：西安理工大学，2019.

[15] Chen T H，Wu P H，Chiou Y C.An early fire-detection method based on image processing[C]//2004 International Conference on Image Processing，2004.ICIP '04.October 24-27，2004，Singapore.IEEE，2004：1707-1710.

[16] Foggia P，Saggese A，Vento M.Real-time fire detection for video-surveillance applications using a combination of experts based on color，shape，and motion[J].IEEE Transactions on Circuits and Systems for Video Technology，2015，25（9）：1545-1556.

[17] 傅天驹，郑嫦娥，田野，等.复杂背景下基于深度卷积神经网络的森林火灾识别[J].计算机与现代化，2016（3）：52-57.

[18] 张飞.基于卷积神经网络的林火识别[D].长沙：中南林业科技大学，2019.

【通联编辑：唐一东】