研究背景及意义
每年森林火灾的发生都会对社会经济发展、环境保护、生态系统等产生重大影响。森林火灾的危害大，而且是突发性的，具有很强的破坏力，因此后续的消防工作难度很大。森林火灾主要发生在野外环境中，可燃物较多，特别是在夏秋季节，温度升高，森林中水份含量较低的时候，发生火灾的可能性就越大，且风力较大时，火灾扩散的也越快。同时，森林场景下较为空旷，氧气充足，使得火灾更容易产生和扩散。森林地形较为复杂，火灾扩散之后会由于地形而产生变化难以控制，会造成严重的人身安全风险和经济损失。
近些年来由于气候异常，使得世界各地火灾频繁发生，2017年6月葡萄牙大佩德罗冈的大火，造成几十人死亡，三百多人受伤。2018年11月8日加州发生了史上最致命的森林火灾，约- -万多栋房屋被毁，近30万人撤离。2019年8月，亚马逊热带森林发生大火，超过100万公顷的森林面积着火，上千户家庭受灾。燃烧面积之广，时间之长，对当地乃至世界的生态环境都造成了巨大影响。2019 年7月18日澳大利亚大火，经过四个多月才最终扑灭。超过1200公顷的土地受损，导致33人死亡，大量的建筑，农场被毁。2500 多间房屋和1170万公顷土地被烧毁，造成不可估量的巨大损失。
随着计算机科学的发展，计算机视觉和人工智能已经成为近年的研究热点。与其他监控技术相比，基于视频图像的火灾智能监控技术能更有效的完成对林区的监测任务，成本较低，能常态化运行。但是早期的基于传统方法提取图像特征进行识别的方法，对特征的提取要求很高，由于森林场景复杂多变，很难提取到完整的特征适用于所有的环境，导致识别效果较低，无法在实际应用中直接使用。但要想提取出合理有效的特征，需要研究人员有很强的专业知识和经验。同时因为森林在野外的环境中，导致遥感图像中视野范围较大、背景复杂度高以及目标小等特点，目前遥感图像烟雾识别仍是一个复杂且具有挑战性的研究课题。如何准确、高效地从大幅面遥感图像中检测出目标区域已经成为遥感信息自动化提取以及遥感图像应用于实际的关键问题之一。近些年,深度网络模型在视觉领域取得了突出成就，将深度网络模型应用于烟火的识别和检测也成为了研究热点。但是，由于深度网络模型存在高存储和高功耗的弊端,在资源有限环境中对烟火进行识别和检测会受到很大阻碍。本研究将从带有烟雾的遥感图像出发，引入注意力机制和深度卷积网络，构建面向烟雾遥感图像的识别框架，能够快速且有效的识别遥感图像中烟雾，从而尽快减少甚至避免野火可能带来的极大危害。
- 国内外研究概况
光学遥感图像目标检测是传统目标检测问题的一个分支。光学遥感图像的特点是视野范围较大、背景复杂度高、视角特殊、目标旋转、小目标等，在提供更多感兴趣区域的同时带来了更复杂的背景信息，给目标检测带来了巨大挑战。如何准确、高效地 从大幅面光学遥感图像中检测出感兴趣的目标已经成为遥感信息自动化提取以及遥感图像应用于实际的关键问题之一。传统的遥感图像目标检测方法通常是基于图像 处理的方法，即先进行阈值分割、纹理几何特征提取，然后使用模板匹配、背景建模以及基于浅层学习 等方法对目标进行判断[1]。过去的几十年中，研究者竭尽所能，开发了用于检测航空遥感图像中不同 类型物体的各种特征表示，主要有方向梯度直方图 特征( HOG) 、词袋特征( BoW) 、Gabor 特征等。BoW模型[2]是遥感图像目标检测中常用的传统方法之一，压缩感知的出现使基于稀疏编码的特征表示法被应用于遥感图像分析[3-5]。传统的目标识别方法通过人工设计特征，借鉴大量的先验知识进行手动设计，需要大量的特征工程实验来寻找针对特定问题的有用特征[6]，不仅特征的抽象和泛化能力较弱，而且导致工作量和工程复杂度都很高。采用手工设计的特征或基于浅层学习的特征训练出来的模 型或人为定义的模板在一些特定的对象检测任务上 取得了成功，随着视觉识别任务变得更加具有挑战性，这些特征的描述能力可能变得有限甚至匮乏[7]。而在光学遥感图像目标检测问题中由于特殊拍摄条件和复杂的背景条件，传统检测方法效果并不是很好。
近几年，深度卷积神经网络在自然图像分类、目 标识别等领域取得了成功，原因是深度卷积神经网 络能通过大量有监督训练获得更具表征能力的特征。目前主流的基于深度学习的检测模型可以分为 两大类: one-stage 检测算法和 two-stage 检测算法。 one-stage 检测算法包括单次检测器( YOLO) [8]和单网多尺度检测器( SSD) [9]; two-stage 检测算法包括区域建议网络Ｒ-CNN ( region convolutional neural network) [10]的系列算法。与传统的基于人工工程的特征相比，依赖于深层体系结构的神经网络能从图像像素级获取更具表达能力的特征[11]，因此特征 设计的负担就转移到网络建设中。很多研究人员从 深度学习框架出发，设计算法以提高遥感图像中目标检测精度。例如旋转不变卷积神经网络( ＲICNN) [7]，该网络模型是在AlexNet[12]的基础上引入和学习新的旋转不变层来实现的，对遥感图像目标 检测中的物体旋转效果良好，但是在进行卷积之前 在图像上生成了大量感兴趣区域，这些感兴趣区域 之间存在较大的重叠区域会被重复性地卷积计算，浪费计算资源; 基于单次检测器的视感知检测算法[13]不需要区域建议阶段，但由于归一化图像会导致目标特征丢失。 Faster-ＲCNN是对Ｒ-CNN和Fast-ＲCNN的进一步完善，将选择性搜索( selective search) 算法 替换成了区域生成网络(RPN) 并整合到深度网络 中，不仅解决了选择性搜索算法CPU实现速度慢的 问题，而且与深度网络结合，共享前面的卷积计算， 提高计算效率。本文将Faster-ＲCNN用到光学遥感 图像目标识别中，并根据光学遥感图像目标检测中的问题进行改进。1)为适应遥感图像视野范围大导致的背景复杂和小目标问题，在特征提取网络中加入注意力机制模块; 2)为解决目标旋转对检测精度的影响，使用弱化的非极大值抑制; 3)提出利用目标分布之间的互相关对冗余候选框进一步筛选， 降低虚警率，进一步提高检测器性能。
- 存在问题总结
考虑到遥感图像中视野范围较大、背景复杂度高以及目标小等因素，目前遥感图像烟雾识别仍是一个复杂且具有挑战性的研究课题。如何准确、高效地从大幅面遥感图像中检测出目标区域已经成为遥感信息自动化提取以及遥感图像应用于实际的关键问题之一。近些年,深度网络模型在视觉领域取得了突出成就，将深度网络模型应用于烟火的识别和检测也成为了研究热点。但是，由于深度网络模型存在高存储和高功耗的弊端,在资源有限环境中对烟火进行识别和检测会受到很大阻碍，由于计算量较大，可能会耽误救火的最佳时机，致使野火大面积蔓延。基于遥感图像的烟雾识别对野火的监测至关重要。本研究将从带有烟雾的遥感图像出发，引入注意力机制和深度卷积网络，构建面向烟雾遥感图像的识别框架，通过注意力机制，让系统下的资源更多的集中在重点区域，而不是关注在没用或者信息量小的信息上，这样能够快速且有效的识别遥感图像中烟雾，从而尽快实现减少甚至避免野火可能带来的极大危害的目的。
- 发展趋势及展望
本文对林火烟雾检测算法进行了研究，通过对烟雾特点的分析，经过实验验证可知本文提出的基于注意力机制的卷积神经网络在林火烟雾检测的应用上有一定的效果，但是由于研究水平和时间的限制，本文还有很多需要改进的地方，下面对改进的方向提出展望:(1)本文的数据集都是提前整理好的。但是现实中的森林火灾场景复杂多变，干扰因素也较多，数据集相对来说比较少，训练出来的网络和实验验证只是在本数据集中有良好的效果，实际应用不一定能取得好的效果。后期还可以扩大数据集，做更深层的研究。(2) 本文中基于注意力机制的卷积神经网络还有很大的优化空间。可以通过更多的分析和实验优化网络结构，通过不断地训练，进而找到神经网络中参数的最优取值，让算法的速度和准确率上有一个平衡，随着深度学习的发展，越来越多优秀的网络结构被提出，后期可以使用不同的网络或许能取得更好的效果。(3)没有考虑到森林夜间的场景，未来可以针对森林夜间场景或者天气原因导致的光线较暗的场景进行研究，将来可以将夜晚检测的模块添加进来，进而使该基于注意力机制的遥感烟雾识别更加完善。(4)本文只对烟雾检测做了研究，森林火灾检测还包含了火焰检测，火灾强度的检测，这些都是一个完整的火灾检测系统应该具备的。后期可考虑烟雾和火焰同步检测，通过远点监测烟雾，近点监测火焰，两者综合来判断火灾能使监测的准确性更加提高。
五、参考文献［1］ Cheng G，Han J W． A survey on object detection in optical remote sensing images［J］． ISPＲS Journal of Photogrammetry and Remote Sensing，2016，117: 11-28． ［DOI: 10． 1016 /j． isprsjprs． 2016． 03． 014］ ［2］ Xu S，Fang T，Li D Ｒ，et al． Object classification of aerial images with bag-of-visual words［J］． IEEE Geoscience and Remote SensingLetters，2010，7 ( 2 ) : 366-370． ［DOI: 10． 1109 / LGＲS． 2009． 2035644］ ［3］ Han J，Zhou P，Zhang D，et al． Efficient，simultaneous detection of multi-class geospatial targets based on visual saliency modeling and discriminative learning of sparse coding［J］． ISPＲS Journal of Photogrammetry and Remote Sensing，2014，89: 37- 48． ［4］ Chen Y，Nasrabadi N M，Tran T D． Sparse representation for target detection in hyperspectral imagery［J］． IEEE Journal of Selected Topics in Signal Processing，2011，5 ( 3 ) : 629-640．［5］ Sun H，Sun X，Wang H Q，et al． Automatic target detection in high-resolution remote sensing images using spatial sparse coding bag-of-words model［J］． IEEE Geoscience and Remote Sensing Letters，2012，9( 1) : 109-113［6］卢艺帆，张松海． 基 于卷积神经网络的光学遥感图像目标检测［J］中国科技论 文，2017，12 ( 14) : 1583-1589，1633．［7］ Cheng G，Zhou P C，Han J W． Learning rotation-invariant convolutional neural networks for object detection in VHＲ optical remote sensing images［J］． IEEE Transactions on Geoscience and Remote Sensing，2016，54( 12) : 7405-7415．［8］ Redmon J，Farhadi A． YOLO9000: better，faster，stronger ［C］/ /Proceedings of 2017 IEEE Conference on Computer Vision and Pattern Recognition． Honolulu，HI: IEEE，2017．［9］ Liu W，Anguelov D，Erhan D，et al． SSD: single shot MultiBoxdetector［C］/ /Proceedings of the 14th European Conference on Computer Vision． Amsterdam， The Netherlands: Springer， 2016．［10］ Girshick Ｒ，Donahue J，Darrell T，et al． Rich feature hierarchies for accurate objectdetection and semanticsegmentation ［C］/ /Proceedings of 2014 IEEE Conference on Computer Vision and Pattern Recognition． Columbus，OH: IEEE，2014． ［11］高常鑫，桑农． 基于深度学习的高分辨率 遥感影像目标检测［J］． 测绘通报，2014，( S1) : 108-111．［12］ Krizhevsky A，Sutskever I，Hinton G E． ImageNetclassification with deep convolutional neural networks［C］/ /Proceedings of the 25th International Conference on Neural Information Processing Systems． Lake Tahoe， Nevada: IEEE，2012． ［DOI: 10． 114513065386］ ［13］李策，张亚超，蓝天，等． 一种高分辨率遥感图像视感知目 标检测算法［J］． 西安交通大学学报，2018，52( 6) : 9-16.
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
