面向无人机网络实时野火检测的硬件加速

在偏远和森林地区进行早期野火检测对于最大限度地减少破坏和保护生态系统至关重要。自主无人机能够灵活进入偏远、复杂的地形，配备先进的成像技术，可提供高时间分辨率和高空间分辨率的细节，使其成为早期检测和监测野火的宝贵资产。然而，无人机（UAV）有限的计算和电池资源对实施稳健高效的图像分类模型构成了重大挑战。当前该领域的工作通常离线运行，这凸显了在无人机约束条件下能够实时执行推理的解决方案的需求。为应对这些挑战，本文旨在开发一种实时图像分类和火灾分割模型。它对使用Jetson Nano P3450进行硬件加速以及NVIDIA高性能深度学习推理库TensorRT对火灾分类准确性和速度的影响进行了全面研究。研究包括量化感知训练（QAT）、自动混合精度（AMP）和训练后机制的实现，并将其与火灾分割和分类的最新基线进行比较。所有实验均使用FLAME数据集——一个由低空无人机在计划性森林火灾期间收集的图像数据集。这项工作有助于推动为无人机实现实时、机载野火检测能力的持续努力，解决了这些关键监测系统在速度、计算和能源方面的约束。结果显示，与未进行硬件优化的类似模型相比，分类速度提高了13%。相比之下，损失和准确率与原始值的偏差在1.225%以内。