无人机巡检文献总结

文献1：多层级特征融合的无人机航拍图像目标检测
目的：小目标检测任务
方法：基于Yolov5提出一种多层特征融合的无人机航拍图像检测算法。首先，增加浅层网络的高分辨率特征图保留充足的目标特征信息，同时加入对应尺度的检测头以此增强对微小目标的检测能力；其次，考虑不同层级特征图所包含的信息对于小目标检测任务贡献不同，设计了多层级特征融合层来整合不同的
感受野信息，通过融合不同层级特征图聚合上下文信息，并根据训练目标样本大小自适应生成各层级特征图输出权重来动态优化特征图的表达能力；最后，在预测过程中为了减少在不同任务中需求特征信息的冲突，将解耦检测头来替换原本的耦合检测头，可以更佳的完成分类和定位任务。
结论：在公开数据集VisDrone上进行实验，该方法的平均均值精度达到了35.5%，较基线方法Yolov5提高了4.4个百分点，同时与主流的检测方法相比也取得更高的检测精度。

文献2：基于深度学习的小目标受灾树木检测方法
目的：针对无人机森林图像中树木尺度小、生长密集以及分布不规律等问题，实现小目标受灾树木检测。
方法：利用LabelImg开源软件标注拍摄高度为180-240m的图像，构建无人机森林图像数据集，设计小目标受灾树木检测框架，该框架在轻量级目标检测框架(SSD)基础上，首先从conv3_3开始构建预测模块，并根据图像中目标树木的尺寸删减预测模块，同时优化特征图上默认框生成方式；通过特征增强模块将基础特征图转化为增强特征图，生成基础和增强预测模块；最后，利用双层损失函数训练检测模型以促进特征学习。
结论：采用5组不同结构的SITD模型以及SSD、FSSD和RFBNet目标检测框架对无人机森林图像数据集进行训练和测试，以平均查准率(AP)和Precision-Recall曲线作为评价指标，试验选出最优SITD模型在测试集上的AP为92.62%，相比原始SSD300框架提升69. 71%，且优于其他3种目标检测框架。

文献3：基于无人机的火灾检测系统设计与实现
目的：解决传统森林火灾检测手段响应速度慢、效率低、误报率高等问题
方法：设计了无人机搭载的由云台和相机组的图像采集平台，通过火灾智能识别技术，实时识别监测火灾的发生，并达到了自动抵近侦察及实时态势感知的效果，提出了improved-YOLOv3算法，通过在特征交互阶段增加yolo层，加强了网络对特征的融合度，从而增加了网络的检测能力。
结论：通过与性能相似的网络进行对比测试，验证了改进算法的有效性，提出的算法检测准确率高、漏检率低、推理速度快，能够适用于实际火灾现场监测。

文献4：基于无人机遥感的盛花期薇甘菊监测
目的：识别并建立一个高空间分辨率全域尺度的薇甘菊预警评估方法
方法：通过采集待监测区域的薇甘菊彩色图像，应用Otsu-K-means、RGB、HSV色彩空间阈值分割算法以及K-means-RGB、K-means-HSV、K-means-RGB-HSV融合算法和MobileNetV3深度学习算法进行识别，采用召回率、精确率和均衡平均数F1值共3个评价指标对识别结果进行评价
结论：结果表明K-means-RGB-HSV算法对盛花期薇甘菊的整体识别效果最佳，基于识别结果应用模糊层次分析法以及盖度公式，初步建立了薇甘菊的预警评估方法，划分了5个薇甘菊入侵危害等级，可根据所需监测精度的不同，设置不同尺寸的网格和辐射半径，绘制出薇甘菊入侵的精准分布热力图，能够清晰准确地体现不同区域的入侵薇甘菊的危害程度。

文献5：基于SVM的视频火焰检测算法
目的：解决火灾探测方法中存在检测率低、误报率高的普遍现象
方法：提出一种基于融合特征与支持向量机SVM视频火焰检测算法，使用一种改进自适应混合高斯建模法获得视频里的运动目标，并结合火焰颜色模型分离出火焰疑似区域，获取疑似区域的动态、几何、纹理等特征，融合特征量，利用已训练的SVM完成识别。
结论：检测效果好，耗时短

文献6：A Deep Learning Based Forest Fire Detection Approach Using UAV and YOLOv3（SCI）
基于无人机和YOLOv3的深度学习森林火灾检测方法
目的：解决传统火灾检测算法速度慢精度低的问题
方法：提出了一种利用YOLOv3对无人机航拍图像进行森林火灾检测的算法，研制一种用于森林火灾探测的无人机平台，根据板载硬件的计算能力，利用YOLOv3实现了一个小范围的卷积神经网络(CNN)。
结论：该算法的识别率约为83%，检测帧率可达到3.2 fps。

文献7：A Forest Fire Recognition Method Using UAV Images Based on
Transfer Learning（SCI Q1）
基于迁移学习的无人机森林火灾识别方法
目的：森林野火的早期预防和控制
方法：提出一种基于迁移学习的FT-ResNet50模型，该模型将在ImageNet数据集上训练的ResNet网络及其初始化参数迁移到基于无人机图像的森林火灾识别目标数据集。结合目标数据集的特点，利用Adam函数和Mish函数对ResNet的三个卷积块进行微调，并加入焦点损失函数和网络结构参数对ResNet网络进行优化，更有效地从火灾图像中提取深层语义信息。
结论：与基准模型相比，FT-ResNet50在森林火灾识别中具有更高的精度，FT-ResNet50模型的识别准确率为79.48%，比ResNet50高3.87%，比VGG16高6.22%
文献8：A high-precision forest fire smoke detection approach based on ARGNet （SCI Q1）
一种基于ARGNet的森林火灾烟雾高精度检测方法
目的：识别森林火灾（现有的方法没有考虑烟雾透明度高，边缘不清晰的特点）
方法：提出了基于递归特征金字塔、反褶积和扩张卷积以及全局最优非最大值抑制（ARGNet）的相邻层复合网络
结论：无人机物联网平台上的ARGNet参数值低至53.48 M，mAP达到79.03%，mAP50达到90.26%，mAP75达到82.35%，FPS达到122.5，GFLOPs达到55.78，具有实时检测和高精度的优点
创新点：提出了相邻层复合网络来增强高透明度和无清晰边缘的烟雾特征提取，并使用其中的SoftPool来保留更多的烟雾特征信息，提出了一种具有去卷积和扩展卷积的递归特征金字塔（RDDFPN），以融合通道维度上的浅视觉特征和深层语义信息，提高远程空中烟雾检测的准确性，全局最优非最大值抑制（GO-NMS）设置目标函数以全局优化锚帧的选择，以适应森林火灾场景中多个烟雾位置的航拍。

文献9：A Vision-Based Detection and Spatial Localization Scheme for
Forest Fire Inspection from UAV（SCI Q1）
基于视觉的无人机森林火灾检测与空间定位方案
目的：识别森林火灾并进行定位
方法：提出一种基于视觉的森林火灾检测与空间定位方案，利用边缘计算的优势部署轻量级网络NanoDet，使用各种训练技巧进一步提高精度和执行效率，提出多传感器融合的空间定位方法
结论：检测效果，经度、纬度和海拔的平均绝对误差，可以满足森林火灾检测的精度要求。

文献10：A YOLOv3-based Learning Strategy for Real-time UAV-based Forest
Fire Detection（SCI）
基于yolov3的无人机森林火灾实时检测学习策略
目的：检测森林火灾
方法：建立一个能保证检测精度的大规模YOLOv3的网络，应用于无人机平台
结论：识别率为91%，帧率为30fps，具有较好的效果

文献11：Aerial Images-Based Forest Fire Detection for Firefighting Using Optical Remote Sensing Techniques and Unmanned Aerial Vehicles（SCI Q1）
基于光学遥感技术和无人机的森林火灾探测
目的：检测森林野火
方法：提出了一种新的森林火灾检测方法，使用颜色和运动特征来处理安装在无人机上的相机捕获的图像，设计了一种具有轻度计算需求的基于颜色的火灾检测算法，通过利用火灾的颜色特征提取火灾颜色像素作为火灾候选区域，并获得火灾候选区域以供进一步分析，使用经典光流算法计算火灾候选区域的运动部分
结论：具有较好的检测效果
文献12：An integrated approach for early forest fire detection and verification using optical smoke, gas and microwave sensors（SCI）
使用光学烟雾、气体和微波传感器的早期森林火灾探测和验证的综合方法
目的：早期森林火灾检测
方法：利用一种商用高灵敏度吸气式烟雾探测器、两个气体传感器(H2和CXHX)和微波辐射计，并描述了检测算法。
结论：气体浓度、烟雾密度、辐射测量结果和热成像相机的照片能够很好地区分报警和误报。

文献13：Analysis of factors affecting the speed of probabilistic target search using
unmanned aerial vehicles（SCI）
无人机概率目标搜索速度影响因素分析
目的：分析了影响无人机目标搜索速度的主要因素
方法：通过仿真分析了搜索高度、传感器虚警率和传感器漏检率对搜索所需行进距离和搜索所需时间的影响，在固定虚警和漏检概率的情况下，通过改变搜索高度，分析了无人机的搜索性能。
结论：传感器的误报概率和漏报概率的变化对搜索性能有显著影响，且误报概率的影响大于误报概率的影响，无人机飞行高度是影响目标搜索速度的重要因素。

文献14：Computer Vision-Based Wildfire Smoke Detection Using UAVs（SCI）
基于计算机视觉的无人机火灾烟雾检测
目的：利用无人机检测和监测森林火灾烟雾
方法：通过训练特征提取器来检查所提出数据集的可行性，完成了分类任务，在特征提取器之上训练元架构，以检查数据集用于烟雾检测和跟踪的可行性，将所提出的方法应用于森林火灾烟雾图像、摄像机台架拍摄的烟雾视频和无人机实时录像中。
结论：通过不同的测试视频，f1的平均得分为0.865，在真实的野火烟雾无人机相机上，f1得分为0.870

文献15：Deep Learning and Transformer Approaches for UAV-Based
Wildfire Detection and Segmentation（SCI Q1）
基于无人机野火检测和分割的深度学习和迁移方法
目的：利用无人机和深度学习检测山火（克服火灾规模小，背景复杂和图像退化）
方法：提出了一种结合了EfficientNet-B5和DenseNet-201模型的深度集成学习方法，用于利用航空图像识别和分类野火，使用两个视觉迁移器(TransUNet和TransFire)和一个深度卷积模型(EfficientSeg)来分割野火区域并确定精确的火灾区域。
结论：森林火灾分类模型准确率为85.12%，优于许多先进的分类方法，TransUNet架构的最佳语义分割模型f1得分为99.9%，TransFire架构的f1得分为99.82%，优于最近发布的模型。
文献16：Deep Learning for Fire and Smoke Detection in Outdoor Spaces（SCI Q2）
户外空间火灾和烟雾探测的深度学习
目的：室外空间的火灾和烟雾检测
方法：分析适用于此任务的深度学习模型，并提出了一种编织的循环单次检测器（WRSSD），用于具有可接受误差率的早期烟雾检测。（基于火焰的特征：取决于燃烧物的颜色，频闪特征，运动特征。基于烟雾的特征：取决于燃烧不同阶段的颜色，动态且半明色，湍流，边缘闪烁，运动，识别与分割任务，识别是否为火焰，分割出火焰的面积确定边界）。
结论：提出的WRSSD架构是具有合并的LSTM单元的CNN架构。为了获得估计值并比较结果，平均TR、FRR和FAR估计值分别为94.5%、10.2%和3.7%。

文献17：DeepSmoke:Deep Learning Model for Smoke Detection and Segmentation in Outdoor Environments（SCI Q1）
DeepSmoke:户外环境中烟雾检测和分割的深度学习模型
目的：早期烟雾检测
方法：提出了一种基于卷积神经网络（CNN）的烟雾检测和分割框架，用于清晰和模糊环境，采用了一种高效的CNN架构EfficientNet，用于更准确的烟雾检测，使用DeepLabv3+对烟雾区域进行分割。
结论：在精度上有显著的提高，高达3%，假报警率(FAR)下降了0.46%，而分割报告的整体精度和平均交叉联合(IoU)分数分别显著提高了2%和1%。

文献18：Effect of flight velocity on droplet deposition and drift of combined pesticides sprayed using an unmanned aerial vehicle sprayer in a peach orchard（SCI Q2）
飞行速度对桃园无人机喷雾器喷洒复合农药液滴沉积和漂移的影响
目的：确定植物无人机喷雾剂的均匀性和漂移风险
方法：植保无人机以三种不同的飞行速度喷洒桃园，并评估了冠层、地面损失、顺风地面漂移和空中漂移的联合农药沉积性能
结论：在飞行速度为1-3m/s时，液滴尺寸存在显著差异，冠层下部的液滴尺寸略小于冠层中部和上部的液滴尺寸。提高飞行速度有助于农药液滴扩散并穿透冠层，但也会造成农药沉积不均匀，降低有效覆盖率和有效密度比。在实验中使用的三种农药中，吡虫啉的沉积效果最好。在飞行速度为2 m/s时，冠层内的沉降量和归一化沉降量最大，冠层下的地面损失较小，近场地面漂移速度最高为1 m/s，远场空中漂移速度最高为3m/s。

文献19：Efficient Forest Fire Detection Index for Application in Unmanned Aerial Systems (UASs) (SCI Q2)
高效森林火灾探测指标在无人机系统中的应用
目的：检测森林火焰和烟雾
方法：提出了一种检测森林火灾的新方法，通过使用一种新的颜色指数，称为森林火灾检测指数(FFDI)
结论：在0.0447秒的处理时间内，对960‑540像素的图像达到了96.82%的检测精度，检测速度22f/s，对于较小的图像，而高达54f/s可以通过保持相似的检测精度，在火灾的早期阶段实现了96.62%的准确率。

文献20：Evaluation of Fire Severity Indices Based on Pre- and Post-Fire Multispectral Imagery Sensed from UAV （SCI）
基于无人机火灾前后多光谱图像的火灾严重性指数评估
目的：量化火灾严重程度
方法：无人机携带高分辨率多光谱传感器，包括红色，绿色，红外波段等，通过这些传感器建立相关的指数，用于重新划分火灾严重等级，与现场的划分，人工神经网络的划分等进行比较，得出无人机检测的准确性。
结论：基于对火灾前和火灾后图像的分析，高分辨率多光谱无人机图像对火灾严重程度具有准确判断。

文献21：Experimental Fire Measurement with UAV Multimodal Stereovision (SCI Q1)
无人机多模态立体视觉火灾检测实验
目的：利用无人机检测野火火灾的蔓延
方法：提出了一种无人机多模态立体视觉框架，能够检测到远距离传播火灾的几何特征，该视觉系统由两个同时在可见光和红外光谱波段工作的摄像机组成。
结论：该系统能够获得与火灾几何特征估计方法相关的立体多模态图像。

文献22：Detection Using Infrared Images for UAV-based Forest Fire Surveillance（SCI Q2）
基于红外图像的无人机森林火灾监测
目的：森林火灾检测
方法：提出了一种应用于无人机的红外图像中森林火灾自动检测的图像处理方法，利用亮度和运动特征以及基于直方图的分割和光流方法的图像处理技术进行火灾像素检测，使用基于直方图的分割来提取热点对象作为火灾候选区域，采用光流法计算候选区域的运动矢量，分析了运动向量将火灾与其他火灾类似物区分开来，执行形态学操作和斑点计数器方法，可以在每个图像中检测到火焰。
结论：该方法能够有效地提取和跟踪红外视频序列中的火灾像素。

文献23：Learning-Based Smoke Detection for Unmanned Aerial Vehicles
Applied to Forest Fire Surveillance（SCI Q1）
基于学习的无人机烟雾探测在森林火灾监测中的应用
目的：森林火灾烟雾检测
方法：提出了一种基于学习的模糊烟雾检测方法，设计了一种基于模糊逻辑的烟雾检测规则，用于检测和分割无人机（UAV）上摄像机拍摄的视觉图像中的烟雾区域。红色、绿色和蓝色（RGB）模型的每两个分量的差异以及图像的色调、饱和度和强度（HSI）模型的强度被选择为模糊逻辑规则的输入，而烟雾可能性被选择为其输出，进一步采用扩展卡尔曼滤波器（EKF）在线重塑模糊烟雾检测规则的输入和输出，以适应环境条件的变化，采用形态学操作来去除由噪声和纹理扭曲的非凸/凹段引起的缺陷。
结论：对不同环境条件下包含烟雾图像检测具有较好的效果

文献24：Measuring fire severity using UAV imagery in semi-arid central Queensland, Australia（SCI Q2）
澳大利亚昆士兰州中部半干旱地区使用无人机图像测量火灾严重程度
目的：火灾严重程度检测
方法：提出了一种基于无人机的方法，使用高空间和时间分辨率航空图像评估火灾严重程度，并为使用改进的多光谱传感器进行进一步研究奠定了基础。其中，
火灾严重程度分类包括四个步骤：（1）计算火灾前后PIF归一化图像的植被指数，（2）使用火灾前后图像计算差异，（3）使用校准API点将连续值转换为火灾严重程度类别（4）使用API验证点验证严重程度图。
结论：使用RGB无人机图像对火灾严重程度的分类具有较好的效果，dEGI能够通过强调图像像素中绿色反射率峰值与红色和蓝色反射率之间的差异，最大化火灾前和火灾后图像之间的光谱对比度，该指数可以充分确定三个类别的差异：未燃烧、低严重程度和高严重程度。

文献25：Mixed reality and remote sensing application of unmanned aerial vehicle in fire and smoke detection （SCI Q2）
无人机在火灾和烟雾探测中的混合现实和遥感应用
目的：无人机的火灾和烟雾检测
方法：1.提出惯性测量单元+数码相机+火灾检测算法用于无人机进行目标检测。2.用单目相机进行视频收集，室内室外进行定位导航，数据传送到地面生成地图环境。3.根据火源颜色，动态特性，火源强度等部署火源检测算法。4.采用混合现实系统进行可视化和虚拟仿真
结论：在误差的允许范围内，无人机可以检测到火源并生成环境地图

文献26：MTL-FFDET: A Multi-Task Learning-Based Model for Forest
Fire Detection(SCI Q1)
MTL-FFDET:基于多任务学习的森林火灾探测模型
目的：森林火灾检测
方法：提出了一种基于多任务学习的森林火灾检测模型(MTL-FFDet)，该模型包含三个任务(检测任务、分割任务和分类任务)，并共享特征提取模块，为提高检测精度，减少漏检和误检，提出了充分利用各任务优势的联合多任务非最大抑制(NMS)处理算法，提出的随机原点对角交换数据增强策略很好地弥补了小火目标检测效果不佳的问题。
结论：模型在mAP(平均平均精度)方面优于YOLOv5s 3.2%，AP(小物体的平均精度)优于4.8%，ARS(小物体的平均召回率)优于4.0%，其他指标优于1%至2%。

文献27：PDAM–STPNNet: A Small Target Detection Approach for Wildland Fire Smoke through Remote Sensing Images (SCI Q1)
PDAM-STPNNet:一种基于遥感图像的野外火灾烟雾小目标检测方法
目的：利用无人机获取遥感影像进行烟雾目标检测
方法：以YOLOXL为基线，提出了一种基于并行空间域注意机制和小尺度变压器特征金字塔网络(PDAM-STPNNet)的森林烟雾检测网络，为了提高森林火灾烟雾小目标在数据集中的比例，使用组件拼接数据增强技术生成森林火灾烟雾小目标图像，为了充分提取烟雾的纹理特征，提出了一种平行空间域注意机制(PDAM)来考虑具有对称性的烟雾的局部和全局纹理，提出了一种小型特征金字塔网络(STPN)，该网络在YOLOX-LFPN的基础上，利用变压器编码器依次替换所有CSP_2块，有效地提高了模型提取小目标烟雾的能力。
结论：使用自制数据集、野火观察员和烟雾识别主页以及Bowfire数据集验证了模型的有效性，该方法具有较好的检测能力。

文献28：Prediction of Forest Fire Spread Rate Using UAV Images and an
LSTM Model Considering the Interaction between Fire and Wind (SCI Q1)
利用无人机图像和考虑火灾相互作用的LSTM模型预测森林火灾蔓延速率
和风力
目的：检测火灾的蔓延速度
方法：设计了三种基于长短期记忆(LSTM)的网络模型来预测火灾蔓延速度，探讨了火灾与风的相互作用，进行了一些室外燃烧实验，根据风与火之间的密切关系，建立了三个基于LSTM的渐进模型，分别为CSG-LSTM、MDG-LSTM和FNU-LSTM。利用交叉熵损失方程来衡量模型的训练质量，并与真实的火灾蔓延速率和风速进行比较，计算和分析预测精度。
结论：根据训练阶段和预测阶段的表现，确定FNU-LSTM模型具有较强的火灾预测能力

文献29：Saliency Detection and Deep Learning-Based Wildfire Identification in UAV Imagery （SCI Q1）
基于显著性检测和深度学习的无人机图像野火识别
目的：无人机图像野火识别
方法：提出了一种新的显著性检测算法，快速定位和分割航空图像中的核心火焰区域，所提出的方法可以有效地避免直接调整大小导致的特征丢失，用于数据扩充和标准火灾图像数据集“UAV_fire”的形成，提出了一个名为“Fire_Net”的15层自学习DCNN架构，作为自学习火灾特征提取器和分类器。
结论：评估了DCNN模型的不同架构和几个关键参数，所提出的体系结构优于先前的方法，总体准确率达到98%，“Fire_Net”保证了每幅图像的平均处理速度为41.5毫秒，用于实时野火检查，Fire_Net对40幅采样图像进行了测试，所有这些图像都得到了准确识别。

文献30：Thermal Infrared Sensing for Near Real-Time Data-Driven Fire Detection and Monitoring Systems（SCI Q2）
用于近实时数据驱动火灾探测和监控系统的热红外传感
目的：将热成像传感器用于野火检测和监测
方法：提出了一种数据驱动的热成像分析方法，该方法设计用于机器人感知中的火灾态势感知。测试热摄像机在受控火灾场景中的行为，随后对实验数据进行了深入分析，揭示了这些传感器的内部工作原理
结论：利于机器人感知算法的开发

文献31：UAV Image-based Forest Fire Detection Approach Using Convolutional
Neural Network(SCI Q1)
基于卷积神经网络的无人机图像森林火灾检测方法
目的：实现森林火灾的检测
方法：本文提出：（1）一种结合LBP特征提取和SVM分类器的烟雾检测方法，利用纹理特征进行烟雾检测；（2）基于卷积神经网络的森林火灾检测方法：烟雾和火焰检测由两个CNN模型执行
结论：与CNN-9模型相比，CNN-17模型降低了算法的复杂度，提高了检测精度。

文献32：Unmanned Aerial Vehicle (UAV) based Forest Fire Detection and Monitoring for Reducing False Alarms in Forest-Fires(SCI Q1)
基于无人机(UAV)的森林火灾探测与监测减少森林火灾虚警
目的：森林火灾的检测
方法：提出了一种在清晰距离图像中基于视觉的FFD技术，该技术同时利用颜色和运动检测，提出了（1）颜色代码识别，（2）烟雾运动识别，（3）火灾分类算法
结论：结构化FFD方法具有较高可靠性和准确性。

文献33：Unmanned Aerial Vehicle Assisted Forest Fire Detection Using Deep
Convolutional Neural Network(SCI Q2)
基于深度卷积神经网络的无人机辅助森林火灾探测
目的：森林火灾检测与监测
方法：提出了一种基于卷积神经网络（CNN）架构的森林火灾检测方法，该方法使用了一个新的火灾检测数据集且使用了可分离的卷积层（需要较少的计算资源）用于即时火灾检测和典型的卷积层
结论：该方法可以以97.63%的准确率、98.00%的F1分数和80%的Kappa识别图像中的森林火灾

文献34：Using high-resolution UAV-borne thermal infrared imagery to detect coal fires in Majiliang mine, Datong coalfield, Northern China（SCI Q2）
利用高分辨率无人机热红外图像探测大同煤田马亮矿煤火
目的：煤火检测
方法：提出一种利用无人机进行TIR和彩色图像识别煤矿火灾区域的方法（主要考虑了太阳辐射产生热量的影响）
结论：在消除太阳辐射影响的情况下，从夜间热图像中识别出的煤火区域的识别准确率达到92.78%，而由于太阳辐射引起的表面温度升高的干扰，其他两天时间煤火区域检测准确率明显低于78.33%和83.89%，TIR图像分辨率的提高有助于更精确地识别微弱和小煤火区域。

文献35：Using UAV Multispectral Images for Classification of Forest Burn Severity—A Case Study of the 2019 Gangneung Forest Fire（SCI Q1）
利用无人机多光谱图像对森林燃烧严重程度进行分类——以2019年江宁森林火灾为例
目的：对森林火灾燃烧程度分类
方法：分析了多光谱无人机图像的可用性，这些图像可用于分类烧伤严重程度，包括烧伤表面等级，使用最大似然（MLH）、光谱角度映射器（SAM）和归一化的di阈值植被指数（NDVI）作为分类器
结论：光谱相似的分类、未燃烧的松树和未燃烧的落叶之间存在一些混淆，分类器对燃烧表面的分类也显示出很高的准确性，多光谱无人机图像可用于分析森林火灾后的烧伤严重程度。

总 结
火焰或烟雾检测的两种方式
传统检测方法（图像处理）和机器学习方法（主要是深度学习）

考虑的火焰或烟雾的特征：
颜色特征：
（传统）考虑不同的燃料有不同的颜色，描述火焰像素点的颜色分布情况，建立火焰颜色模型用于判断是否是火焰，通常根据RGB空间或者HSV空间规则，特点是检测速度快，但是规则宽松，导致检测不准确。
（机器学习）使用一个机器学习分类器作为火焰颜色模型，如K-NN，朴素贝叶斯或神经网络，问题在于其他的类似的物体具有相似的颜色特征
运动特征：
由于空气的流动，火焰的轮廓会随时间而变化，燃烧内部的纹理也会变化，判断是否是火焰，把像素的变化可以考虑进去。
方法有帧差法，高通滤波器法等
几何特征：
考虑轮廓粗糙度，火焰的轮廓具有独特的特征，圆形度，面积变化率等
纹理特征：
包括统计学特征，一阶统计量表征各个像素自身的属性，二阶统计量表征相邻像素之间的属性，小波分析等
决策机制：
IF-THEN规则：每个条件都满足时，判断为火焰
投票机制：给每种特征不同的权重，加权和超过阈值判断为火焰
机器学习分类器：把特征值交给有监督学习分类器进行判断
深度学习方法：
基于无人机的火焰分类算法
CNN，VGG，ResNet，MobileNetv2等及其相关的改进
基于无人机的火焰检测算法
YOLO系列，SSD系列，Faster R-CNN等
基于无人机的分割算法：
DeepLabV3+，U-Net等
卷积神经网络：
在训练中学习到颜色、几何与纹理特征，可以直接输入整幅图片判断（是一个机器学习的过程）
无人机方向特点：视角更广，干扰更多，火焰目标小，对检测速度要求高（识别难点）

可以考虑的无人机研究方向
1.对早期火势进行预警，利用传统图像处理检测烟雾或火焰，针对石化环境提出类似于农业中植被检测的颜色指标；根据烟雾的颜色对火灾所处的阶段进行判断，不同阶段的烟雾颜色和透明度等有所区别；尝试根据燃烧物的颜色，频闪特性，运动特性等对燃烧物进行判断（主要是关注烟雾，早期阶段烟雾早于火焰出现）
2.对火势的大小和走向进行研判，计算火焰的面积，烟雾的面积，烟雾的颜色，划分几个不同的火灾等级（与地面巡检不同，这里体现出无人机高空巡检的优势，能从一个更为广阔的视角对火灾态势进行判断），提出一种基于迁移学习的火焰检测方法，方法内容：应用Otsu-K-means、RGB、HSV色彩空间阈值分割算法以及K-means-RGB、K-means-HSV、K-means-RGB-HSV融合算法和MobileNetV3深度学习算法进行识别，对识别到的火焰进行分割，对火焰或烟雾的面积进行计算；研究外部环境对火灾的走向和趋势变化的影响，在火灾与风力相互作用下的火灾蔓延速度。
3.研究飞行高度，飞行速度和巡检路径方案对检测结果的影响，检测结果包括漏检误检，检测所耗时间的影响；研究不同高度，飞行速度和巡检方案对火灾形式判断的影响，即三因素对火灾或烟雾面积大小，火焰或烟雾的扩散方向判断的影响，探讨显著性；提出最优的巡检策略（创新点在于：研究不同视角下对检测火焰或者烟雾的影响，更多体现无人机特点）
4.对火焰进行定位，主要考虑要检测到火焰或烟雾，利用GPS对无人机进行定位，单/双目相机测出测出无人机和火灾之间的距离，通过各种坐标变化得到火焰的坐标位置

用到的技术：
传统方法：图像处理的相关知识
机器学习框架：SSD，YOLO，CNN，FasterR-CNN等
计算机语言：Python，C，C++等