摘要
无人机越来越多地被用于偏远地区的森林火灾早期监测，但无人机的续航能力本质上受到电池容量的限制。本研究提出了一种考虑能源消耗的边缘视觉框架，用于无人机火灾检测，该框架同时对神经网络推理和无线通信进行建模，并优化整个机载处理流程的运行参数。我们在基于YOLO格式的FLAME航空火灾数据集上对五种不同规模的YOLOv5模型进行了微调，该数据集还增加了多帧火灾跟踪功能，以便进行事件级评估。我们通过理论和实证方法共同优化了模型规模、检测置信度阈值以及推理步长，从而在能源消耗与火灾检测概率之间找到平衡。研究结果表明，对于这类无人机应用而言，体积较小的YOLOv5模型能在能源消耗和检测精度之间实现最佳平衡：规模较大的模型虽然会增加推理成本，但在测试数据集中并未带来一致的检测率提升。此外，时间子采样技术可在保持中等持续时间火灾几乎完美检测率的同时，按一定比例降低总能耗。经过优化的配置可使能源消耗降低多达4.4倍，而检测率仅下降0.03%，从而有助于实现更长时间续航的无人机森林火灾监测任务。
