面向森林保护的多传感器物联网火灾检测与非法采伐深度学习声学识别系统

《Array》：IoT-enabled, multi-sensor fire detection and deep-learning acoustic recognition of illegal logging for forest protection

　　

摘要专业翻译 本文提出了一种集成的物联网（IoT）系统，可同时检测森林火灾和非法采伐行为。所提出的多传感器节点采用阈值逻辑生成火灾警报，通过音频卷积神经网络（CNN）分类器实现非法采伐检测，准确率达92%。基于LoRaWAN的通信连接支持森林区域内的低功耗、远距离数据传输。系统采用低成本设计以服务于森林保护，但网关仍需互联网回程连接。该系统由传感器单元、微控制器单元、通信单元和服务器/云单元四个功能单元组成：传感器单元采集温度、湿度、烟雾、二氧化碳（CO2）、火焰和音频等多维环境数据；ESP32微控制器作为数据采集与预处理核心，在本地执行火灾检测阈值逻辑；通信单元通过LoRa技术将数据从林内节点传输至位于林缘且具备互联网接入的LoRaWAN网关，再转发至云端；服务器承载训练好的音频分类机器学习模型，云仪表盘实现遥测可视化与警报分发。火灾检测采用五传感器合取阈值逻辑，即火焰传感器激活、烟雾浓度超过100 ppm、温度超过29 °C、相对湿度低于55%、CO2浓度超过550 ppm五个条件同时满足时方判定火灾发生。非法采伐检测方面，研究人员构建了包含电锯、斧砍、自然森林声和其他机械声四类声音的数据集，经预处理、增强和分割后得到7,770个一秒音频片段，提取13维梅尔频率倒谱系数（MFCC）作为卷积神经网络输入，经分层五折交叉验证评估，模型总体准确率达92%，对伐木活动的灵敏度为99.3%。系统通过LoRaWAN网关注册于The Things Network（TTN）平台，经Webhook转发至ThingSpeak云平台实现数据记录、可视化与邮件告警。该集成设计面向巴基斯坦等基础设施匮乏、森林覆盖率低的地区，以原型级别验证了系统可行性。

论文解读文章

一、研究背景与问题

森林覆盖地球陆地表面约31%，在调节温度、维持生物多样性和稳定区域气候方面发挥着关键作用。然而，野火和非法采伐导致的森林退化正在加速。以巴基斯坦为例，该国被世界自然基金会（WWF）列为森林匮乏国家，森林覆盖率仅约5.2%。2001年至2024年间，巴基斯坦损失约9.5千公顷的树冠覆盖，对应约280万吨二氧化碳（CO₂）排放。2025年6月开伯尔-普赫图赫瓦省马拉坎德山区的火灾以及马尔加拉山国家公园的大规模火灾，均在造成重大损害后才被上报至有关部门。

现有森林保护依赖四种传统机制：护林员人工巡逻、社区烟雾火焰报告、运输路线木材检查站和卫星遥感。每种机制均存在结构性局限：人工巡逻和社区报告依赖直接人眼观察，火灾只能在烟雾或火焰可见后被发现，采伐只能在树木被砍倒后被确认；检查站只能检查木材运输却无林内检测能力；卫星平台覆盖范围大但仅对已达相当规模的火灾发出警报，且重访间隔限制响应速度；无人机监测空间分辨率较高但续航短、覆盖有限、运营成本高。

近年来，火灾检测已从单一参数报警向具有预测能力的多传感器系统发展。Alkhatib和Jaber（2024）提出了无线传感器网络物联网解决方案，可实时检测和分析火灾行为，包括火势蔓延、速度和方向。Masram等人（2024）展示了基于物联网和机器学习的火灾检测与通知流水线。但这些系统仅单独处理火灾问题，且通常假设具备可用网络回程。在声学检测方面，Bandara等人（2023）提出了FSC22森林专用声音分类数据集，Simiyu等人（2024）提出了带注意力机制的时频卷积神经网络以区分电锯声与其他环境声音，Singh等人（2024）在32位微处理器上实现了短时哈特利变换（STHT）频谱前端与轻量级分类器，准确率达96.61%。Ramadan等人（2024）将低成本声学物联网节点与LoRaWAN网关、云处理和自动无人机调度相结合，电锯声检测距离达100米，CNN准确率99.37%。然而，这些系统仅关注伐木检测而忽略火灾感知，或仅关注火灾检测而忽略伐木识别，将两种威胁视为独立问题由独立平台分别处理。

二、研究目的与系统设计

针对上述研究空白，本工作旨在开发一个集成式物联网森林保护系统，在单一低成本传感器节点上同时实现火灾检测和非法采伐检测。系统由四个功能单元组成：传感器单元采集温度、湿度、烟雾、CO₂、火焰和音频数据；ESP32微控制器作为数据采集和预处理核心，在本地执行火灾检测阈值逻辑；通信单元通过LoRa技术将数据从林内节点传输至位于林缘且具备互联网接入的LoRaWAN网关，再转发至云端；服务器承载训练好的音频分类机器学习模型，云仪表盘实现遥测可视化和警报分发。该设计面向巴基斯坦等基础设施匮乏、森林覆盖率低的地区，旨在解决Wi-Fi和蜂窝网络缺失导致卫星和巡逻方法响应过慢的问题。

三、关键技术方法

研究人员采用以下主要关键技术方法开展研究：

传感器选型与火灾检测逻辑： 选用BME280温湿度传感器、MQ-2烟雾传感器、MH-Z19C CO₂传感器、LM393红外火焰传感器、MAX9814麦克风模块和NEO-6M GPS模块。火灾判定采用五传感器合取阈值逻辑：火焰传感器激活、烟雾浓度超过100 ppm、温度超过29 °C、相对湿度低于55%、CO₂浓度超过550 ppm五个条件须同时满足。

声学数据处理与特征提取： 音频数据来源于Freesound、Pixabay和Kaggle等公开声音库，包含电锯、斧砍、自然森林声和其他机械声四类。所有录音统一转换为16 kHz单声道，经预加重滤波、八阶巴特沃斯带通滤波（100 Hz至7.9 kHz）和峰值归一化处理后，生成四种版本：未修改信号、加性高斯噪声副本、时间拉伸副本和音高上移2个半音副本。每版分割为连续不重叠的一秒窗口，每帧提取13维梅尔频率倒谱系数（MFCC），构成13×32特征矩阵作为网络输入。

CNN分类模型： 分类器采用TensorFlow和Keras实现的卷积神经网络（CNN），包含两个卷积块和一个全连接阶段。第一卷积块应用32个3×3滤波器，第二卷积块应用64个3×3滤波器，均采用整流线性激活、2×2最大池化和0.25丢弃率。特征图展平为384元素向量后经128单元全连接层和四单元softmax输出层。网络共68,612个可训练参数，采用Glorot均匀初始化，Adam优化器，初始学习率0.001，批量大小32，固定训练20轮，分层五折交叉验证评估性能。

通信与云集成： 采用Dragino LPS8网关，配置Wi-Fi客户端模式，指向The Things Network（TTN）V3平台，频率计划设为AS923（920–923 MHz）。传感器节点按LoRaWAN规范v1.0.3以空中激活（OTA）方式注册为终端设备。每帧上行链路携带11字节有效载荷，以120秒固定间隔在应用端口1上以未确认上行方式传输，扩频因子7（SF7）下空中传输时间约62毫秒，占空比低于0.1%。自定义JavaScript载荷格式化器将二进制上行数据解码为可读传感器字段，Webhook将解码后载荷转发至ThingSpeak云平台。

四、研究结果

火灾检测结果： 每个传感器先单独测试以验证正确接口和数据采集，随后在受控火灾和无火灾条件下观察集成节点。无火灾条件下，烟雾读数17 ppm低于100 ppm阈值，火焰传感器处于非激活状态，CO₂读数612 ppm虽超过550 ppm阈值但未触发警报，因为合取规则要求五个条件同时满足。火灾条件下，烟雾升至120 ppm，火焰传感器转为激活状态，CO₂升至1995 ppm，温度升至29.65 °C，相对湿度降至39.51%，所有参数均显著越过阈值，节点报告火灾事件。遥测数据持续流式传输至云仪表盘，火灾条件下系统推送警报至操作员移动设备。研究人员指出，合取结构存在相应代价：检测延迟由响应最慢的信道决定，灵敏度受最严格信道限制，可见火焰和烟雾产生但CO₂尚未显著升高的火灾，或产生CO₂和热量但无可见火焰的阴燃火灾将不会被判定。

非法采伐检测结果： CNN模型在分层五折交叉验证的保留折上评估。验证准确率从第1轮的71.4%升至第8轮的88.0%、第15轮的90.8%和第20轮的92.3%，验证损失从0.712单调下降至0.178，始终低于训练损失，表明模型稳定收敛且未过拟合。混淆矩阵显示，模型正确识别1,050个电锯片段中的1,014个和279个斧砍片段中的269个。主要错误是将157个自然森林片段中的53个误判为电锯类，表明持续宽带背景声（如风和雨）在一秒分析窗口内可能呈现类似连续切割的频谱包络。次要混淆发生在其他机械声和斧砍类之间，68个机械片段中有18个被预测为斧砍，与机械撞击和斧砍共有的脉冲特性一致。模型总体准确率92%，电锯类精确率95%、召回率97%，斧砍类精确率83%、召回率96%。将两个伐木类合并考虑时，1,329个伐木片段中有1,320个被归类为伐木类，对应伐木活动灵敏度99.3%；225个非伐木片段中有73个（32.4%）被归类为伐木类，其中53个自然森林片段被预测为电锯构成最大误报群体。宏平均精确率、召回率和F1分别为0.91、0.83和0.86，平衡准确率0.83。

通信性能结果： 在节点至网关间距120米条件下，平均接收信号强度为?85 dBm，平均信噪比为3 dB，分组投递率99%，从阈值违例到仪表盘更新的端到端延迟为2.8秒。

五、讨论与结论

讨论部分指出，无火灾案例中CO₂读数超过阈值但未触发警报，说明合取规则的单信道越阈不足以判定火灾，这是初步实验证据而非系统性误报降低的证明。声学检测方面，电锯连续宽带特征是最易区分的活动类别，而重叠自然声仍是主要混淆来源，表现为对森林背景音频的误报率而非漏报伐木事件。电锯检测性能低于边缘优化和空中调度系统报道的96–99%准确率，可通过增加训练数据集改善。本工作的贡献在于将火灾感知和声学伐木检测集成于单一节点，而非文献中常见的分离节点方案。警报延迟受固定120秒传输间隔控制而非通信链路限制。

结论部分总结，本文提出了将火灾检测和非法采伐检测结合于单一监测节点的森林保护系统。五传感器合取阈值逻辑在受控测试中区分了火灾与无火灾条件，基于MFCC特征的CNN以92%总体准确率、99.3%伐木活动灵敏度和32.4%非伐木音频误报率分类电锯、斧砍、自然森林和其他机械四类音频。传感器遥测和火灾警报通过LoRaWAN经TTN端到端传输至云仪表盘和移动应用。系统由成熟传感、分类和通信技术组装而成，其贡献在于将这些技术集成于单一节点并端到端演示所构建架构。低成本、低功耗和可扩展性是设计目标，由商品化组件和低功耗广域链路支撑，但未在本研究中量化。

研究存在若干局限：火灾检测仅在单一受控条件下验证，检测率和延迟未建立；固定温度和CO₂阈值接近目标部署地区的环境值；声学性能通过窗口级交叉验证估计，同一录音的片段及其增强副本可能同时出现在折的两侧，因此报告准确率对未见录音而言是乐观上界；训练音频来自公共库而非巴基斯坦森林实地录制；传感器节点由USB供电，能量自主性未评估。未来工作将评估温度和CO₂作为滚动原位基线的偏离而非固定阈值，在连续实地录制的区域音频上以录音级划分评估分类器，包括事件级警报和单位时间误报率，报告折间离散度，将CNN和合取规则与基线分类器及替代决策策略比较，将特征提取移至节点，并在实地部署中表征能耗、成本和多节点运行。