基于LWIR热成像与时空混合框架的高景深场景早期野火检测与识别技术研究
《IEEE Transactions on Geoscience and Remote Sensing》:Early Wildfire Detection and Identification in High Depth-of-Field Scenarios Using LWIR Thermal Imaging from Ground-Based Systems
【字体:
大
中
小
】
时间:2025年12月17日
来源:IEEE Transactions on Geoscience and Remote Sensing 8.6
编辑推荐:
本文针对高景深复杂地形下早期野火检测难题,提出了一种融合空间与时空处理的混合检测框架。该研究通过结合基于目标检测模型的核心检测器与利用时间特征的次级检测器,显著提升了使用原始长波红外热成像对热异常和火灾的检测能力。在FLAME-T数据集上的测试表明,该框架将mAP和F1分数分别提升高达35.9%和20.9%,并在树莓派5等资源受限平台上保持了高检测精度,其新颖的识别算法对早期火灾的分类准确率高达0.913,为边缘计算应用提供了可行方案。
野火是全球性的重大威胁,亟需高效精准的早期监测系统来减轻其破坏性影响。尽管应对这一挑战的紧迫性显而易见,但在崎岖地形和远距离景观等高景深环境中,由于技术限制和环境因素的干扰,实现有效的火灾早期检测仍然面临巨大困难。
传统上,卫星遥感系统虽然适用于大范围监测,但其较低的时间分辨率(如Himawari-8卫星每10分钟观测一次)、大气干扰以及可探测火灾的最小尺寸限制,使其难以胜任早期火灾预警任务。相比之下,地面基站和无人机系统能够提供更快速的局部小火灾检测,但这些系统通常依赖视觉传感器与热成像相机的结合。视觉传感器在低能见度条件下性能会急剧下降,而长波红外热成像相机则能在烟雾或弱光条件下探测到火源。然而,许多先前的研究依赖于8位LWIR图像(经过处理的帧或RGB/IR融合图像),从而丢失了传感器原生14至16位的辐射测量分辨率。
更为关键的是,大多数已发表的方法假设的是自上而下的视角和浅景深条件,这通常由几乎悬停在火源正上方的无人机所满足。而地面基站系统的视角受地形制约,往往具有变化的距离和频繁的遮挡。因此,任务的重点从局部火灾检测转变为远距离火灾识别,这需要新的算法来解决降低的空间分辨率和间歇性可见度问题。热成像可以通过强度阈值突出热点,但确认真实的火灾活动需要进行辐射测量分析,这受到大气透射率、传感器校准和镜头特性的影响。此外,结合时间信息(特别是通过跟踪闪烁引起的随时间变化的波动性)已被证明是区分真实燃烧动态与其他热源的有效手段。
正是在这样的背景下,Antonio Galván-Hernández等人开展了一项研究,旨在解决复杂地形中早期火灾可靠识别的挑战。研究人员开发了一种混合框架,将空间和时空分析相结合:一个基于先进计算机视觉模型的核心检测器负责识别具有高红外强度峰值的热异常,而一个次级检测器则专注于高时间变异性的区域。将两者合并,能够可靠地识别出真实的燃烧事件。该研究的成果发表在《IEEE Transactions on Geoscience and Remote Sensing》上。
为了开展研究,作者主要运用了几项关键技术方法。首先,他们构建并使用了两个关键数据集:包含多种热异常场景的TA数据集,用于训练核心检测模型;以及专门为评估高景深早期火灾检测而新收集的FLAME-T数据集,该数据集使用地面系统搭载的三台不同规格的LWIR热相机(FLIR Tau 2, FLIR A35, FLIR Lepton)采集。其次,研究提出了一个四阶段的混合框架,其核心是核心检测器(评估了YOLOv8、RT-DETR等多种目标检测模型)和次级检测器(通过计算最大强度投影MIP、像素方差VAR和最大归一化绝对差NADmax等时序指标,并融合生成复合图像来检测高时序活性区域)。再次,采用基于面积的非最大抑制算法融合两类检测器的结果。最后,提出了一种新颖的识别算法,基于信号方差分析来区分真实火源和背景噪声,并区分为全局研究和局部研究两种策略。研究还在树莓派5等资源受限平台上评估了框架的计算效率。
研究人员首先在TA数据集上对多种目标检测模型作为单类热异常检测器的性能进行了基准测试。结果表明,YOLOv8n模型取得了最佳的综合性能,其mAP0.5为0.692,F1分数为0.678,mAP0.5:0.95为0.320,同时保持了相对较低的GFLOPs和参数量,显示出其在资源受限平台上进行热异常检测的良好平衡性和泛化能力。
通过对FLAME-T数据集的实验发现,增加帧窗口大小并不总能独立提升NADmax或VAR的检测精度。但当使用优化权重(wNAD=0.55, wVAR=0.25)将两者结合生成复合图像时,能够整合互补信息,在20帧窗口大小下获得最佳检测性能,mAP0.5达到0.700,F1分数达到0.663。这体现了时序信息整合的有效性,但也在资源受限平台上带来了处理时间的增加。
在FLAME-T数据集上评估整个框架的检测性能显示,集成次级检测器能显著提升所有核心检测模型的性能。例如,RT-DETRn的mAP0.5从0.788提升至0.799,F1分数从0.821提升至0.866;YOLOv8n的mAP0.5从0.695/0.723提升至0.750/0.788,F1分数从0.781/0.793提升至0.826/0.840。提升最显著的是Faster R-CNN模型,其mAP0.5提升了约35.9%,F1分数提升了约20.9%。这表明次级检测器有效弥补了核心检测器可能遗漏的早期火灾事件。然而,性能提升的代价是处理时间的增加,尤其是在树莓派5上,YOLOv8n的总检测时间从187毫秒增至360毫秒。综合考虑精度和效率,YOLOv8n配合次级检测器成为了边缘应用的较优选择。
识别阶段的结果显示,针对不同热像仪特性进行参数优化(如α值和局部研究的边缘大小)的局部研究策略能显著提升识别精度和效率。对于FLIR A35相机图像,识别准确率从全局研究的0.822提升至局部研究的0.913;对于FLIR Lepton相机图像,准确率从0.162大幅提升至约0.578-0.595。对于FLIR Tau 2相机,两种研究策略均能达到0.87的高准确率。同时,局部研究还大幅降低了识别时间,例如在树莓派5上处理Lepton图像的时间从73毫秒降至2毫秒,处理A35图像的时间从73毫秒降至3毫秒。这证明了局部研究在资源受限环境中的实用性。
与现有依赖于可见光火焰烟雾特征、处理后的热像数据或高性能计算平台的野火检测方法相比,本研究提出的框架具有显著区别和优势。它专注于解决高景深、远距离场景下早期火灾检测的挑战,直接利用原始LWIR数据保留完整的辐射测量信息,并成功在低成本的树莓派5平台上实现了部署。整个处理流程(包括20帧图像的采集、检测和识别)在树莓派5上耗时小于25秒,处于早期火灾观测的估计时间窗口(5-120秒)内,证明了其边缘应用的可行性。
本研究成功提出并验证了一种用于高景深复杂环境下早期火灾检测和识别的混合框架。该框架通过整合基于目标检测模型的核心检测器和利用时间特征的次级检测器,显著提升了对热异常和早期火灾的探测能力。实验结果表明,次级检测器的引入有效补充了核心检测器的不足,大幅降低了漏检率,尤其是在模型初始性能较低时改善尤为明显。研究还提出了一种基于方差分析的新型识别算法,并通过局部研究策略优化,使其能够适应不同特性的热成像相机,在提升精度的同时大幅降低了计算开销。
该研究最重要的意义在于其针对性和实用性。它直面了现有方法在远距离、复杂地形早期火灾检测中的局限性,提供了一种不依赖可见光线索、直接利用原始LWIR数据的解决方案。尤为关键的是,研究证明了该方案在树莓派5等低成本、低功耗的边缘设备上部署的可行性,这对于在通信基础设施薄弱、电力供应受限的偏远林区构建广泛、可靠的早期火灾监测网络具有重要的现实意义。通过边缘处理,系统只需回传检测结果(如边界框坐标、置信度等),极大降低了对通信带宽的要求,增强了系统在恶劣环境下的鲁棒性。
未来的研究方向包括集成便携式气象站以实时记录环境因素(如大气畸变、环境温湿度、风速等),从而在不同背景条件下进一步提升检测鲁棒性。此外,优化框架以适应更广泛的边缘应用场景,并探索其在大范围监测中的可扩展性,将是推动该技术在实际野火预防系统中应用的关键。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号