首页 > 论文范文 > 社会科学论文 > 经济学论文 > 林业经济论文 > 基于图像处理和BP神经网络的森林防火无人机系统

基于图像处理和BP神经网络的森林防火无人机系统

2024-09-04 87 上传者：管理员

摘要：对无人机设计方案、图像处理和火焰分割算法的技术原理进行了介绍，并利用BP神经网络对图像中的火焰面积变化率和火焰尖角等特征进行识别，实现了对森林火灾的快速监测。实验结果表明：系统的准确率为98.5%,比普通神经网络的84.5%更高；耗时仅22 s,比普通神经网络159 s缩短很多。这表明，BP神经网络是更可靠且更有效率的火灾识别方案。

关键词：
BP神经网络
图像处理
无人机
森林火灾
森林防火
加入收藏

森林防火是防止森林和森林土地遭受火灾破坏的首要任务，近年来森林火灾频发，造成了严重的自然损失和社会危害，使森林防火工作变得日益重要。随着科技的发展，无人机技术已经可以应用在森林火灾领域，能够采集森林火情相关信息，为森林防火工作提供依据。为此，将图像处理和BP神经网络技术应用在无人机中，来探讨无人机在森林防火中的应用，以期为森林防火提供可靠的技术保障。

1、无人机总体设计方案

随着全球变暖导致林火频发，森林火情预警决定性地影响到生态环境的安全。针对森林火情监测应用，笔者设计了无人机系统整体方案，如图1所示。该系统包括德州仪器的OMAP3630微处理器、GPS-BD定位模块、高清相机、树莓派微型电脑、无线传输模块等。树莓派微型电脑先通过USB接口读取高清相机捕捉到的图像，经过编码后通过5.8 GHz无线图像传输模块发送给与后台PC相连的无线图像接收模块，进行火灾检测。

GPS-BD定位模块是一种无线定位技术，它利用两个卫星系统(即全球定位系统和北斗定位系统)来获取位置信息。当GPS-BD定位模块接收到两个系统的位置信息时，它会根据位置信息计算出1个“射交叉点”(也称为“射线叠加点”),即设备的实际位置。当GPS-BD定位模块计算出无人机的位置和姿态等数据后，会将其送给OMAP3630,而飞控模块通过MAVLink协议获取OMAP3630的飞行状态信息，用于无人机自主作业过程中的状态监测。

图1 无人机系统总体方案图

所提出的无人机系统能够用于准确地检测林火，促进森林防火和火情精准扑灭，为林火防控工作提供准确可靠的技术保障。其基本参数和机动性能如表1所示。

表1 无人机性能基本参数

2、图像预处理与火焰分割算法

2.1 图像预处理

在进行火焰分割前，需要对采集到的图片进行预处理，再基于BP神经网络对图片是否存在着火点进行识别和分析。无人机采集到的森林火灾图片如图2所示。

图2 森林火灾图片

Fig.2 The forest fire pictures

2.2 图像预处理

视频拍摄容易受到设备和天气的影响，这样得到的图像会包含一些噪声，会降低火灾识别的准确性。本文采用灰度化、二值化等预处理对采集到的图像进行消噪处理，从而提高系统识别的准确度。

1)灰度化。

灰度化是将彩色图像转换为灰度图像的过程。在该过程中，每个像素点的灰度值都会从原来的RGB三原色值转换为一个新的灰度值，这个新的灰度值可以用各种不同的方法来计算，一般使用加权平均法，即把原来的RGB三原色分别乘以不同的权重，算出灰度值。灰度化处理过程如图3所示。

其计算表达式为

灰度值=0.3×R+0.59×G+0.11×B(1)

将图像中每个像素点的R、G、B设置为计算出来的灰度值，即完成了灰度转换过程。灰度转换结果如图4所示。

图3 灰度化处理过程图

图4 灰度转换结果

2)二值化。

图像二值化是指将图像中的颜色信息变成黑白两色，将各个像素点的灰度值转化为0或255 (0代表白色，255代表黑色)。为了实现这一目标，首先为整个图像设定1个阈值，大于该阈值将被设定为1,反之则设定为0;然后，把整张图片进行二值化转换。图像二值化流程和结果分别如图5和图6所示。

2.3 基于空域处理的火焰分割算法

火焰分割算法是一种用于从图像中提取火焰的处理方法，主要目的是使机器能够检测并识别新来的火焰或其他火焰样式，而空域处理可以帮助火焰分割算法识别不同形状和类型的火焰。火焰分割算法的处理流程：①使用一些过滤器对图像进行处理，以消除噪声，增强边缘和改善细节；②使用Otsu图像阈值分割算法将图像分割为前景和背景，以进一步改善边缘检测结果；③使用开运算、闭运算和破碎算法来消除操作后的图像中的噪音，并进一步增强图像中的边缘；④火焰分割器可以使用图像分割策略(如分水岭算法)来提取出火焰特征。

为了验证Otsu图像阈值分割算法的效果，利用该算法对1帧火焰图片进行处理，结果如图7所示。

图5 图像二值化流程图

图6 图像二值化处理结果

图7 Otsu图像阈值分割结果

该图像的直方图没有出现分离的双峰，因此不可以使用双峰法进行分析和处理；而使用OTSU方法处理后，火焰能够很好地从背景区域中分离出来，证明该方法具有较好的分割处理效果。

3、火灾识别系统的设计

BP神经网络的学习过程是使用启发式的方案和迭代的反向传播算法，通过改进神经网络的权重，使其能够根据不断变化的数据集进行学习。基于该算法的火灾识别是利用BP神经网络训练模型，将火灾照片进行训练，形成一个识别模型。在测试阶段，便可以通过对新的图像进行测试来识别是否发生火灾。

3.1 火灾图像的特征提取

火焰特征提取是火灾检测和定位中非常重要的一环，只有通过准确地提取火焰的特征，才能准确地识别火灾。

1)火焰面积特征。

在前文利用Otsu图像阈值分割方法将背景区域和火焰分割出来的基础上，通过统计目标物像素点的个数便可计算会森林着火面积。本文利用面积增长率来确定火灾发生情况，该增长率计算公式为

其中，St和St0分别表示t和t0时刻疑似森林着火面积。

2)火焰尖角特征。

森林火灾容易受到风的影响，使火焰边缘出现抖动，也就是会出现很多不规则的边界，导致很多凹凸不平的尖角点。因此，该特征也可以作为一种火灾独有的特征。

在获取火灾图像后，对图像中的火焰进行边缘检测，得到火焰的边缘图像。经过边缘检测后，若1个点的左右连续50个点的高度均低于该点，则可以认定该点为疑似的尖角点，并计算该点的宽度、高度是否符合尖角宽度公式要求，以确定其是否为火焰的尖角点。

其中，l为尖角的宽度；l1和l2分别为尖角点左右相邻的25和50个点的距离，这样便可以通过设定尖角的宽度值来限定其宽度。利用像素点计算尖角点和其左右相邻的50个点A、B所围成区域的面积S,以及A、B间距离d,再根据

便能计算出尖角的高度h。通过对h值进行设定，便可以确定其是否为尖角点，默认认为高度大于h的点为尖角点。

3.2 基于BP神经网络的火灾识别

在前文图像处理和特征提取的基础上，便可以利用BP神经网络进行识别与处理。首先是用大量的图片对网络模型进行训练，然后利用该模型对未知图片进行识别。建立BP神经网络的核心是确定该网络的输入信号、隐含层数，以及神经元个数、输出信号和激励函数。整个过程如下：

1)神经网络中输入层的输入可以是图像信息，也可以是特征参数，故选择了火焰面积变化率和火焰尖角等两个特征参数η、n作为输入信号。

2)为了表示火和非火的识别结果，将它们作为输出层的两个输出信号。

3)为了避免出现太多隐含层导致学习速度慢和过少隐含层导致学习精度不高的情况，采用两层隐含层，其神经元数量计算公式为

其中，m和n分别表示隐含层神经元数和输入层的节点数；l表示输出层节点数。经过计算，本文设计的BP神经网络第1层和第2层的隐含层的神经元个数都为3。

4)Sigmoid函数是BP神经网络中常用的激励函数，它对输入和输出的影响可以在其函数公式中反映出来，即

确定BP神经网络的输入信号、隐含层数、隐含层神经元数、输出信号以及激励函数之后，便可以使用BP神经网络算法求取每一层的最佳权值，再利用训练得到的网络来识别未知的图像，从而判断无人机拍回的图像区域是否有发生火灾。

4、实验结果分析

为了验证本文设计系统的可行性，特别设置BP神经网络算法的迭代次数为1 000次，学习率为1×10-3,并将1 000张有火焰和1 000张没有火焰的图像作为输入数据，将其中80%的数据作为训练数据，20%作为测试数据，针对训练集和测试集求出火焰识别的准确率和错误率。另外，为了突出该算法的高效性，将测试数据使用普通神经网络进行识别对比，对比结果如表1所示。

由表1可以看出：BP神经网络的准确率明显高于普通神经网络，准确率为98.5%,而普通神经网络的准确率仅有84.5%;在耗时方面，BP 神经网络耗时22 s, 要比普通神经网络耗时159 s短很多，证明了BP神经网络是更可靠且更有效率的识别方案。

表1 BP神经网络和普通神经网络识别率对比结果

5、结论

使用图像处理技术，利用无人机采集森林的实时图像信息，再通过BP神经网络技术，可有效地对森林火灾进行识别和判断，实现更快速、准确的火情报警和指挥控制，能够大大提升森林防火的效率和准确度。本文提出的无人机火灾监测系统还适用于机场、火车站、高密集小区等场所，具有广泛的应用前景。

参考文献:

[1]肖武,任河,赵艳玲.无人机遥感支持下的煤矸石山自燃监测与预警[J].煤炭科学技术,2023(2):1-12.

[2]周志伟,邓化,施华宏.基于无人机遥感与机器学习的岸滩大型塑料垃圾监测方法[J].海洋环境科学,2023,42(1):141-150.

[3]徐旭,康青,陈善静.基于Agisoft Metashape图像拼接的无人机环境热像监测应用研究[J].红外技术,2023,45(1):49-55.

[4]于翀,宋昊,刘春红.基于光纤光栅与BP神经网络的孔边裂纹监测研究[J].航空工程进展,2023,14(3):187-198.

[5]闫石,林荡,李胜宣.基于无人机倾斜摄影的三维重建技术在崩岸监测中的应用[J].成都工业学院学报,2023,26(1):34-39.

[6]郭天一.基于ZigBee通信网络公园生态园林维护机械监测系统[J].农机化研究,2023,45(9):201-204,208.

[7]毕皓婷,龙京建.基于无人机倾斜摄影测量的地表变形监测[J].智能城市,2022,8(12):4-6.