《Algorithms》：A Joint Estimation Method for Suspension Status and Road Gradient Under Sparse Sensor Conditions
Mengdong Zheng,
Xiaolin Wang,
Zhaoxue Deng,
Xingquan Li,
Kun Yuan and
Tao Gou
编辑推荐：
本文提出了FireVision，一个用于实时火灾检测与监测的创新平台与模型。该平台利用自动化无人机飞行在郊区和森林环境中采集高分辨率图像。研究人员采用基于Mask R-CNN弱学习器的集成深度学习推理来触发警报。通过集成ResNet-50、ResNet-101
本文提出了FireVision，一个用于实时火灾检测与监测的创新平台与模型。该平台利用自动化无人机飞行在郊区和森林环境中采集高分辨率图像。研究人员采用基于Mask R-CNN弱学习器的集成深度学习推理来触发警报。通过集成ResNet-50、ResNet-101和ResNet-152分类器，进一步提升了检测性能，这些分类器可部署在云端或无人机的边缘协处理单元上。此外，研究人员引入了一个火灾关键性指数，利用检测边界和掩码来评估火灾事件的严重程度，同时设计了一种自动无人机路径规划算法用于识别关键火灾事件。实验使用一个有监督的掩码标注数据集，评估了模型在不同云和边缘计算配置下的准确率和推理速度。结果表明，ResNet-101在mAP@0.5掩码准确率上比ResNet-50高出5%至12.5%，在云端推理时间增加18%，在无人机边缘设备GPU上增加27%。相比之下，ResNet-152在mAP@0.5上比ResNet-101提升0.5%至1.2%，但其推理时间在云端慢了9倍，在GPU上慢了1.3倍。
**论文解读：基于Mask R-CNN与无人机自动路径规划的FireVision火灾检测系统**
**研究背景与问题**
野火对生态环境、经济和公共健康构成严重威胁，传统基于传感器的检测系统存在覆盖范围有限、误报率高（受湿度、灰尘等环境因素干扰）以及卫星遥感空间分辨率不足、受云层影响大、无法实时响应等局限。近期研究强调需从传统传感器方法转向基于深度学习的视觉检测，以实现更快速、大范围、低误报的早期火灾预警。然而，现有方法在同时检测火焰与烟雾时面临视觉重叠导致分类困难的问题，且实例分割模型在火灾检测中的应用尚不充分。因此，研究人员开发了FireVision系统，旨在通过无人机自动飞行与深度学习实例分割模型相结合，实现非城区环境（特别是森林）的早期火灾实时监测，并引入火灾关键性指数（FCI）和自适应路径规划算法以量化事件严重性并指导无人机自主探索。
**主要技术方法**
研究人员采用了一种两阶段检测架构，将多类检测问题分解为独立的烟雾检测和火焰检测，以消除类间混淆。核心技术包括：（1）基于Mask R-CNN的实例分割，分别使用ResNet-50、ResNet-101和ResNet-152作为骨干网络进行特征提取；（2）提出火灾关键性指数（FCI），综合火焰与烟雾的图像覆盖率和掩码密度，通过加权非线性组合量化事件严重性；（3）设计火灾关键性-应力算法，当FCI超过阈值时触发无人机偏离原航线，执行固定步长或自适应递增步长的方形螺旋路径规划，以估计火灾影响区域的物理面积。实验基于一个包含约8500张烟雾图像和4200张火焰图像的掩码标注数据集（来源为文献[83]的原始数据集经重新标注为COCO格式），在云端Oracle云基础设施和边缘端NVIDIA Jetson Nano上评估了模型性能。
**研究结果**
**4.1 Experimental Scenario I Results（实验场景一结果）**
通过训练对比三个ResNet骨干网络在烟雾和火焰检测上的验证损失与mAP@0.5。结果表明，ResNet-152在总损失和掩码mAP上均优于ResNet-50和ResNet-101，但性能提升趋于饱和。具体而言，烟雾检测中ResNet-101比ResNet-50的掩码mAP@0.5提升12.54%，而ResNet-152仅比ResNet-101提升0.46%；火焰检测中提升分别为5.13%和1.16%。火焰检测的掩码mAP@0.5值（约0.41）低于烟雾检测，研究人员指出这是由于数据集中火焰实例较小且不规则所致。
**4.2 Experimental Scenario II Results（实验场景二结果）**
比较了云端（20 MP高分辨率图像）和边缘端（1 MP降采样图像）的推理时间、内存占用及FPS。云端推理中，ResNet-101较ResNet-50推理时间增加18.75%，而ResNet-152较ResNet-101慢约9倍；边缘推理中，ResNet-101较ResNet-50增加27.3%，ResNet-152较ResNet-101增加约29%。边缘端推理已接近实时但非严格实时，且ResNet-152因内存限制无法在边缘端处理超分辨率图像。此外，对比相同烟雾模型在10 MP和1 MP图像上的浓度与密度指标，发现图像分辨率对FCI计算结果影响不大，但ResNet-101较ResNet-50使密度指标提升约30%。
**4.3 Experimental Scenario III Results（实验场景三结果）**
通过模拟无人机从航点A到B的飞行，验证了火灾关键性-应力算法触发的固定步长与自适应递增步长方形式螺旋路径规划策略。固定步长策略（k=5，步长590 m）覆盖总面积1.75 km2，飞行距离14.75 km；自适应递增策略（k?=10，初始步长290 m，δ=250 m）覆盖总面积1.64 km2，飞行距离15.73 km。固定步长策略在单位飞行距离下的覆盖效率更高，而自适应策略在火灾起始区域提供更密集的扫描，适用于需要非均匀空间分辨率的场景。
**总结与讨论**
研究人员提出了一种结合自动化无人机飞行与基于Mask R-CNN（ResNet骨干）的深度学习模型FireVision系统，使用独立的烟雾和火焰检测模型，并引入火灾关键性指数（FCI）及其触发的自适应路径规划算法。实验表明，ResNet-101在云端推理中达到最高的掩码mAP@0.5，是云端部署的首选；ResNet-50因推理时间更短、mAP值足够，更适合边缘端近实时应用。研究局限包括无人机电池续航限制、火焰检测模型对小目标掩码mAP表现欠佳（因数据集标注限制），以及未来需引入气象数据（如风速）优化自适应路径规划。结论指出，FireVision系统在早期火灾检测和自动区域探索中具有可行性，未来工作将探索YOLOv8/v11-seg模型在边缘端的性能对比。
