楊鴻雁，周汝良，王艷霞

(西南林業(yè)大學(xué)地理與生態(tài)旅游學(xué)院，云南 昆明，650224)

1 引言

森林資源狀態(tài)與人們息息相關(guān)，當(dāng)森林發(fā)生火災(zāi)時，動植物的生命受到嚴(yán)重威脅，生態(tài)結(jié)構(gòu)被破壞，直接影響人類生活環(huán)境和經(jīng)濟(jì)，甚至威脅人們的生命健康[1，2]。而森林火災(zāi)突發(fā)情況較多，蔓延快、范圍廣，難以控制，發(fā)生過火災(zāi)的森林系統(tǒng)恢復(fù)時間長[3]，因此預(yù)防森林火災(zāi)和及時發(fā)現(xiàn)與控制森林火災(zāi)是亟待解決的問題。傳統(tǒng)防治森林火災(zāi)依靠人工巡查，效率低，受主觀因素影響大；衛(wèi)星監(jiān)控延遲時間長，不能有很好的時效性，耽誤森林火災(zāi)最佳救援時間，且投入成本過大，經(jīng)濟(jì)性較低?，F(xiàn)代森林火災(zāi)防治技術(shù)不斷提高，可通過傳感器識別檢測早期森林火災(zāi)，但時效性也不好。森林火災(zāi)發(fā)生初期最重要的特征就是煙霧的出現(xiàn)，并且火災(zāi)的發(fā)生往往是從點到面、由小到大。如果能對早期森林小面積火災(zāi)煙霧進(jìn)行檢測識別，即可對森林火災(zāi)進(jìn)行及時處理，以免釀成大禍。

計算機(jī)發(fā)展速度越來越快，圖像處理技術(shù)也隨之成熟[4]，若應(yīng)用在森林火災(zāi)監(jiān)控方面也能夠發(fā)揮其響應(yīng)速度快、智能化程度高的優(yōu)勢。通過視頻實時監(jiān)測森林，使用算法檢測識別煙霧，為防治林火提供有力保障。袁雯雯曾提出使用混合高斯模型進(jìn)行煙霧識別[5]，該算法計算較復(fù)雜，系統(tǒng)穩(wěn)定性差，響應(yīng)時間長且抗噪性能差。衛(wèi)鑫提出使用深度卷積神經(jīng)網(wǎng)絡(luò)實現(xiàn)火災(zāi)煙霧檢測[6]，但該方法運算模式較冗余，模型缺少記憶功能，需要大量訓(xùn)練樣本，效率低。以上兩種算法識別小目標(biāo)性能均不足，不適用于識別森林小面積火災(zāi)煙霧，不能滿足時效性要求。為了滿足小面積火災(zāi)煙霧識別要求，本文提出基于YOLOv3算法的森林小面積火災(zāi)煙霧識別方法，實現(xiàn)防治林火的目的。

2 煙霧圖像增強(qiáng)識別方法

2.1 分形特征提取

火災(zāi)煙霧具有形狀和運動不規(guī)則的特點[7，8]，引入分形概念、構(gòu)建分形模型可實現(xiàn)煙霧的分形計算。若隨機(jī)過程X(t)滿足以下兩個條件，即可得到分?jǐn)?shù)布朗隨機(jī)場[9]，該隨機(jī)場分布于概率空間。

1)概率為1時X(0)=0，X(t)連續(xù)。

2)t≥0，Δr>0，增量X(t+Δr)-X(t)為正態(tài)分布，均值為0，方差Δr2H，計算過程如下

P(X(t+Δr)-X(t)≤x)

(1)

其中P表示概率密度函數(shù)，H為指數(shù)，表達(dá)圖像分形特征，取值范圍在[0，1]內(nèi)。煙霧圖像的分形維數(shù)特征通過隨機(jī)場計算，設(shè)圖像為I，任一位置的灰度值為I(i，j)，則有以下關(guān)系

E(|I(i+Δi，j+Δj)-I(i，j)|)

(2)

E(IΔr)=k·ΔrH

(3)

兩邊同時取對數(shù)得

log(E(IΔr))=H·log(Δr)+c

(4)

由上述內(nèi)容可求出指數(shù)H，也叫赫斯特指數(shù)，進(jìn)而確定煙霧圖像的分形維數(shù)，為增強(qiáng)森林小面積火災(zāi)煙霧圖像打下基礎(chǔ)。

2.2 紋理特征

分形特征僅能通過火災(zāi)煙霧外形判斷火災(zāi)情況，圖像紋理特征可以通過特征灰度值的差異有效體現(xiàn)紋理空間結(jié)構(gòu)差異，為此結(jié)合分形特征和紋理特征共同識別火災(zāi)煙霧，圖像紋理特征是一種固有性質(zhì)[10]，重要但難以被描述。本文通過小波變換進(jìn)行紋理特征提取，實現(xiàn)更好的森林小面積火災(zāi)煙霧識別。

令基本小波為ψ(t)，其產(chǎn)生的小波計算公式見式(5)

(5)

其中a與b分別描述伸縮因子和平移因子。令可容性條件用Cψ描述，ψ(t)需滿足Cψ

(6)

其中ψ(w)表示ψ(t)的傅里葉變換。滿足上述條件的函數(shù)經(jīng)過變換即得到小波。連續(xù)小波變換定義見式(7)

(7)

(8)

f(t)的離散小波變換Wf(j，k)計算式見式(9)

(9)

二維小波變換可看作二維函數(shù)的變換，變換后的小波系數(shù)維度可選[11]，利用此特點可以對森林小面積火災(zāi)煙霧圖像進(jìn)行方向特征提取。設(shè)煙霧圖像信號為一個二維函數(shù)f(x，y)，連續(xù)小波變換見式(10)

WTf(a，bx，by)=?f(x，y)ψa，bx，by(x，y)dxdy

(10)

其中ψa，bx，by(x，y)為二維小波基，描述函數(shù)平移尺度，計算式如下

(11)

二維小波變換不停分解原函數(shù)得到中值與鄰域組合，直到圖像分辨率滿足要求。分解后獲得四個子圖：低頻分量子圖和三個方向高頻分量子圖，其中低頻分量子圖擁有圖像主要數(shù)據(jù)，高頻分量子圖為水平、豎直、對角方向，描述圖像的具體數(shù)據(jù)，四個子圖分別用LL、HL、LH、HH表示。

由于煙霧的特點煙霧圖像非常容易被干擾，紋理特征提取和識別通常較困難，表現(xiàn)在小波變換中為高頻數(shù)據(jù)與能量減少，此時可以利用三個方向高頻分量子圖反映煙霧出現(xiàn)的情況，提取圖像紋理特征。

設(shè)小波變換尺度用J描述，變換原始信號后得到低頻近似系數(shù)與高頻細(xì)節(jié)系數(shù)，分別用Aj(k)和Dj(k)描述。Aj(k)的平方和即為小波低頻能量

(12)

Dj(k)的平方和即為小波高頻能量

(13)

其中K描述分析信號采樣點數(shù)。煙霧圖像的小波高低頻相對能量表達(dá)式見式(14)

(14)

當(dāng)圖像高頻能量較高時，表示圖像邊緣和紋理較清晰；反之表示圖像邊緣和紋理不清晰。森林小面積火災(zāi)煙霧分布往往較為復(fù)雜，特征識別時除了高頻能量特征還可以通過小波熵實現(xiàn)。通過小波熵能夠了解信息復(fù)雜程度，當(dāng)圖像小波熵值越高，表示信息量越大，內(nèi)容越復(fù)雜[12]。信號的總能量為小波低頻能量和小波高頻能量的總和，計算式如下

NT=NL+NH

(15)

構(gòu)造比值

(16)

(17)

森林火災(zāi)煙霧具有動態(tài)特征，可通過小波高頻分量對比煙霧邊緣結(jié)構(gòu)進(jìn)行識別。兩幅對比圖片時間間隔可調(diào)，比對公式見式(18)

(18)

(19)

其中λHLj、λLHj與λHHj表示尺度為j時各高頻分量相關(guān)度。當(dāng)相關(guān)度大時，表示煙霧邊緣特征無變化，相關(guān)度越小，表示煙霧邊緣特征變化較大。

2.3 YOLOv3模型

YOLOv3是一種常用的目標(biāo)檢測算法，擁有高準(zhǔn)確率并且實時性強(qiáng)的特點[13，14]，在神經(jīng)網(wǎng)絡(luò)中通過對目標(biāo)區(qū)域以及類別預(yù)測實現(xiàn)識別檢測。該算法網(wǎng)絡(luò)結(jié)構(gòu)為darknet-53[15]，算法中的殘差模塊可通過三個尺度的特征圖實現(xiàn)森林小面積的火災(zāi)煙霧增強(qiáng)識別，使識別粒度更細(xì)，更加適用于小面積森林火災(zāi)煙霧識別。

將經(jīng)過分形模型提取的森林小面積火災(zāi)煙霧圖像分形特征和基于小波變換提取的紋理特征輸入YOLOv3模型進(jìn)行篩選、增強(qiáng)識別。篩選圖解見圖1。模型輸出一個特征圖像，令B表示網(wǎng)格負(fù)責(zé)目標(biāo)數(shù)，C表示網(wǎng)格類別數(shù)，N表示網(wǎng)格數(shù)，則維度為N×N×(B×(5+C))。確定一個先驗框(cx，cy，pw，ph)，其中cx和cy描述網(wǎng)格中點到圖像左上角的距離，pw與ph描述先驗框的寬和高。繼續(xù)輸出(tx，ty，th，tw，to)，其中tx和ty使先驗框移到檢測框，tw與th可對先驗框進(jìn)行縮放，to表示置信度，計算式見式(20)。

(20)

使用YOLOv3模型對森林小面積火災(zāi)煙霧增強(qiáng)識別流程見圖2。

圖1 篩選圖解

圖2 煙霧識別流程圖

3 實驗分析

將本文方法應(yīng)用于某地林區(qū)，并把提取到的煙霧視頻幀作為實驗圖像，共計3000張。通過文本算法進(jìn)行圖像增強(qiáng)和特征提取，計算目標(biāo)煙霧坐標(biāo)及區(qū)域標(biāo)定，輸入本文YOLOv3網(wǎng)絡(luò)模型，通過小波變換處理圖像實驗、使用YOLOv3網(wǎng)絡(luò)模型識別煙霧實驗以及實際應(yīng)用效果實驗驗證本文方法優(yōu)勢。

3.1 小波變換提取紋理特征實驗

通過小波變換處理煙霧圖像，將獲取到的小波高低頻相對能量制成圖3。

由圖3可以看出，煙霧的相對能量閾值分布范圍主要在0.2左右，其它干擾的閾值主要分布在0.5—0.9之間，0.3—0.5可將它們之間分隔開。小波高低頻相對能量除了體現(xiàn)圖像紋理特征，還能夠反映目標(biāo)邊緣是否模糊。圖4中其它干擾的相對能量較高，表示這些干擾有更好的紋理性，且邊緣清晰；而煙霧的相對能量較低，表示煙霧紋理性不如其它干擾，邊緣也較為模糊。這是由于森林小面積火災(zāi)煙霧面積較小，并且本身的特性使紋理性容易受到周圍復(fù)雜環(huán)境的干擾，因此紋理性較差。

圖3 小波高低頻相對能量

通過小波熵數(shù)值衡量煙霧目標(biāo)和其它干擾的復(fù)雜程度，對比圖見圖4。

由圖4可以看出煙霧和其它干擾物在小波熵數(shù)值上的分布也有明顯的界限。煙霧的小波熵都比1.2大，而其它干擾的小波熵都在1.0以下。通過小波熵證明森林小面積火災(zāi)煙霧紋理比其它干擾物更無序，圖像更為復(fù)雜。這是由于它們各自形成原理和結(jié)構(gòu)的差異造成的。煙霧形狀更不規(guī)則，結(jié)構(gòu)變化速度快，因此圖像復(fù)雜程度更高。

圖4 小波熵

3.2 煙霧識別實驗

首先對本文方法應(yīng)用的YOLOv3網(wǎng)絡(luò)模型單位輪數(shù)進(jìn)行實驗，分別選取3、6、9輪數(shù)對比不同輪數(shù)隨迭代次數(shù)的損失函數(shù)變化。實驗對比結(jié)果見圖5。

從圖5中可以看出，隨著迭代次數(shù)的增加，各單位輪數(shù)的損失函數(shù)均有所下降，YOLOv3網(wǎng)絡(luò)單位輪數(shù)為6時損失函數(shù)最小。

圖5 損失函數(shù)圖

將單位輪數(shù)統(tǒng)一為6，在YOLOv3網(wǎng)絡(luò)中添加殘差模塊，分別使用1/32、1/16和1/8三種尺寸的特征圖對不同面積森林火災(zāi)煙霧圖像進(jìn)行識別實驗，單位輪數(shù)定為6。1/32特征圖通過下采樣卷積操作獲取，1/16特征圖依靠上采樣與較靠上的卷積層結(jié)合獲取，而1/8特征圖通過下層卷積層上采樣后結(jié)合上層結(jié)果得到。三種特征圖識別煙霧準(zhǔn)確率見圖6。

由圖6可知，1/32尺寸特征圖識別煙霧準(zhǔn)確率隨著火災(zāi)面積的增大而升高；1/16尺寸特征圖在中間面積時識別準(zhǔn)確率較好。面對小面積火災(zāi)煙霧時，1/8尺寸特征圖表現(xiàn)出良好的識別效果，且隨著火災(zāi)面積變化煙霧識別準(zhǔn)確率依然穩(wěn)定在94%以上。主要原因為1/32特征圖獲取途徑為下采樣，視野較大，因此面對小面積火災(zāi)煙霧可能出現(xiàn)漏檢情況。而1/8特征圖獲取方式更復(fù)雜，視野小，適合識別小面積火災(zāi)。

圖6 不同尺寸特征圖識別準(zhǔn)確率

3.3 應(yīng)用效果

利用本文方法對某地區(qū)的森林小面積火災(zāi)煙霧進(jìn)行識別，獲取到的煙霧增強(qiáng)識別結(jié)果見圖7。

分析圖7可知，本文方法可以有效獲取清晰的小面積火災(zāi)煙霧識別結(jié)果，原因在于本文方法有效結(jié)合了火災(zāi)煙霧的分形特征和紋理特征共同進(jìn)行增強(qiáng)識別，可在火災(zāi)發(fā)生前期即火災(zāi)煙霧面積較小時便及時、準(zhǔn)確完成識別，可為森林護(hù)林防火，避免生態(tài)結(jié)構(gòu)被破壞提供有效支撐。

圖7 小面積火災(zāi)煙霧識別結(jié)果

4 結(jié)論

森林火災(zāi)防治的重點在于預(yù)防以及及時發(fā)現(xiàn)并進(jìn)行控制。煙霧是火災(zāi)發(fā)生初期最明顯的表現(xiàn)，因此識別森林小面積火災(zāi)煙霧在林火防治工作中至關(guān)重要。在小波變換提取煙霧圖像紋理特征實驗中，由于火災(zāi)初期產(chǎn)生的煙霧面積小、濃度低，容易被干擾，則煙霧的高低頻相對能量分布較低，主要分布在0.2左右；小波熵數(shù)值較大，分布在1.2—2.0之間，表現(xiàn)出較差的紋理性，邊緣也較模糊。本文YOLOv3網(wǎng)絡(luò)模型單位輪數(shù)選擇6，其中1/8尺寸特征圖在煙霧識別實驗中，對森林小面積火災(zāi)煙霧表現(xiàn)出了更好的識別性能，識別準(zhǔn)確率高達(dá)94%以上，適用于小面積火災(zāi)檢測，為森林火災(zāi)防治提供了有力保障。