摘 要：為實現(xiàn)災難事件的無人機（Ｕｎｍａｎｎｅｄ Ａｅｒｉａｌ Ｖｅｈｉｃｌｅ，ＵＡＶ） 自主監(jiān)測和預警，提出了結合逐通道注意力機制和高效卷積神經網絡的新架構?？紤]到嵌入式平臺的資源限制條件，使用輕量級ＳｈｕｆｆｌｅＮｅｔ-Ｖ２ 作為骨干網絡，能夠對更多信息進行高效編碼并盡可能降低網絡復雜度。為進一步提高災難場景分類的準確度，在ＳｈｕｆｆｌｅＮｅｔ-Ｖ２ 網絡中結合了擠壓－激發(fā)（Ｓｑｕｅｅｚｅ-Ｅｘｃｉｔａｔｉｏｎ，ＳＥ） 模塊以實現(xiàn)逐通道注意力機制，顯著增強分類網絡對重要特征的關注度。通過數(shù)據(jù)采集和增強技術獲得包括１２ ８７６ 張圖像的ＵＡＶ 航拍災難事件數(shù)據(jù)集，對所提方法進行性能評估，并比較所提方法與其他先進模型的性能。結果表明，所提方法取得了９９． ０１％ 的平均準確度，模型大小僅為５． ６ ＭＢ，且在ＵＡＶ 機載平臺上的處理速度超過１０ ＦＰＳ，能夠滿足ＵＡＶ 平臺自主災情監(jiān)測任務的現(xiàn)實需求。

關鍵詞：無人機；圖像分類；卷積神經網絡；注意力機制；嵌入式平臺

中圖分類號：ＴＰ３９１ 文獻標志碼：Ａ 開放科學（資源服務）標識碼（ＯＳＩＤ）：

文章編號：１００３－３１０６（２０２４）０５－１２６１－０９

０ 引言

當前，無人機（Ｕｎｍａｎｎｅｄ Ａｅｒｉａｌ Ｖｅｈｉｃｌｅ，ＵＡＶ）已得到了廣泛應用，例如交通監(jiān)測、搜索救援、精準農業(yè)和衛(wèi)星圖像處理等［１］。ＵＡＶ 尺寸小，可快速部署，是及時分析情況并消減災難影響的有力工具，但受災區(qū)域常存在連接性和可見性限制［２］。此外，自主ＵＡＶ 依賴機載傳感器和微處理器執(zhí)行給定任務。需要考慮算力和存儲硬件限制，并實現(xiàn)高效視覺處理［３］。

在災難管理應用的航拍圖像分類中，深度學習具有分類準確度高、通用性強的優(yōu)點，發(fā)揮著重要作用［４］。深度學習算法，例如卷積神經網絡（Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ，ＣＮＮ），被普遍視為許多計算機視覺應用（圖像／ 視頻識別、檢測和分類）的發(fā)展方向，并已經在各種應用中表現(xiàn)出優(yōu)異性能［５］。文獻［６］提出了結合ＣＮＮ 和ＸＧＢｏｏｓｔ 的道路交通事故分類檢測算法，基于組合模型的分類結果進行重要程度排序和特征相關性分析。該方法取得了９１． ５１％ 的預測準確度。但該方法使用的ＣＮＮ 硬件資源需求較大，不適用于ＵＡＶ 嵌入式設備。文獻［７］提出了在雪崩場景中檢測感興趣目標的方法，使用預訓練Ｉｎｃｅｐｔｉｏｎ 網絡進行特征提取，并利用線性支持向量機進行分類，并基于隱藏馬爾科夫模型，應用后處理以改善分類器的決策。文獻［８］提出了基于ＣＮＮ 的建筑物倒塌預測模型，利用淺層局部特征改善高度和目標形狀估計，并使用漸進式情境融合方法改善性能，并取得了最高９８． ７８％ 的整體檢測準確度。文獻［９］提出了基于深度學習的ＵＡＶ 航拍圖像洪水檢測方案，利用Ｈａａｒ 級聯(lián)分類器捕捉場景特征以識別洪水區(qū)域。但該方法使用的訓練數(shù)據(jù)集規(guī)模較小，因此在對洪水區(qū)域和非洪水區(qū)域的分類中僅取得了９１％ 的準確度。文獻［１０］提出了ＵＡＶ 航拍圖像的火災檢測算法，其中結合了ＣＮＮ 和ＹＯＬＯｖ３。該方法僅實現(xiàn)了８３％ 的檢測準確度，且在ＵＡＶ 平臺上處理速度ＦＰＳ 僅為３． ２，不能滿足實時應用需求。從過去方法的分析中可發(fā)現(xiàn)，當前方法主要采用桌面式系統(tǒng)作為主計算平臺，在ＧＰＵ 上對ＵＡＶ 視頻片段進行遠程處理。然而，在特定場景中，通信延遲和連接性問題可能會影響到此類系統(tǒng)的性能，此外，過去方法大部分著眼于單一災難事件的檢測，限制了預警平臺的應用范圍。

本文提出了使用ＵＡＶ 機載平臺，對災難事件進行自動分類的解決方案，并針對應急救援應用采集了ＵＡＶ 航拍圖像數(shù)據(jù)集。以往方法僅針對單一災難事件，本文方案則訓練網絡對４ 種災難事件（火災、洪災、建筑物坍塌和交通事故）進行識別，極大擴展了ＵＡＶ 自主監(jiān)測的應用范圍。所提方法使用高效ＳｈｕｆｆｌｅＮｅｔ-Ｖ２ 架構，大幅降低了硬件資源要求，從而在ＵＡＶ 嵌入式平臺上實現(xiàn)實時處理。利用擠壓－激發(fā)（Ｓｑｕｅｅｚｅ-Ｅｘｃｉｔａｔｉｏｎ，ＳＥ）模塊，基于不同通道的重要程度調整注意力機制的關注度，顯著改善了分類準確度。由此，在復雜度和準確度之間實現(xiàn)平衡。

１ 提出的改進型ＳｈｕｆｆｌｅＮｅｔ-Ｖ２

本文開發(fā)了基于自主式ＵＡＶ 平臺的災難事件分類預警方法。在ＵＡＶ 嵌入式平臺上，利用深度學習模型實時分析通過ＵＡＶ 傳感器撲捉到的圖像，進行災難事件監(jiān)控，并在發(fā)生險情時及時發(fā)出警報。所提系統(tǒng)中，開發(fā)了基于逐通道注意力（Ｃｈａｎｎｅｌ-ｗｉｓｅ Ａｔｔｅｎｔｉｏｎ，ＣＡ）機制的輕量級卷積神經網絡。使用ＳｈｕｆｆｌｅＮｅｔ-Ｖ２ 作為骨干網絡，并利用ＳＥ 模塊作為改善ＳｈｕｆｆｌｅＮｅｔ-Ｖ２ 架構的注意力機制。

１． １ ＳｈｕｆｆｌｅＮｅｔ-Ｖ２ 和ＳＥ 模塊

近期，基于ＣＮＮ 的分類系統(tǒng)得到了大量研究，其中對一些性能領先的深度學習框架的簡單介紹如下：

ＡｌｅｘＮｅｔ［１１］：ＶＧＧ 網絡被廣泛用于從圖像中提?。茫危?特征。該網絡包含５ 個卷積和３ 個全連接層。該架構準確度較好，但評估成本高，參數(shù)量大，內存占用大，不適用于移動應用。

ＭｏｂｉｌｅＮｅｔ［１２］：利用可分離卷積的理念，ＭｏｂｉｌｅＮｅｔ 可以在稍微降低分類準確度的前提下減少計算成本。其在每個輸入通道處應用單個過濾器，其后進行線性合并。由此，對于移動應用，該網絡便于參數(shù)化，且易于優(yōu)化。

為提高深度神經網絡（Ｄｅｅｐ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋｓ，ＤＮＮ）在嵌入式設備中的效率并保持準確度，文獻［１３］提出了ＳｈｕｆｆｌｅＮｅｔ-Ｖ１ 模型，顯著降低了計算成本，并在圖像分類任務中取得較好成績。其中，將模型表示為逐點分組卷積和通道置亂，在特征映射通道中編碼更多信息。但由于僅利用小部分輸入通道推導出特定通道輸出，模型表征能力較差，為此一般采用通道置亂操作，通過將每個分組中的通道分割到不同分組，并將每個分組輸入到有著不同子分組的下一層，得到來自不同分組的數(shù)據(jù)。但瓶頸單元和逐點分組層增加了內存訪問成本，過多分組降低了并行度。文獻［１４］提出了ＳｈｕｆｆｌｅＮｅｔ-Ｖ２，考慮到過多分組降低了并行度，利用通道分割替換分組操作，將輸入特征分為２個分支，進一步降低了模型復雜度。

近期，注意力機制在各種自然語言處理、圖像描述和圖像理解領域得到了廣泛應用，其中將可用處理資源分配至有用特征表示，同時抑制無用特征表示。文獻［１５］提出了ＳＥ模塊，以提高當前模型的性能并降低計算成本，基于逐通道重要性對特征圖進行自主調整。與卷積塊注意力模塊（ＣｏｎｖｏｌｕｔｉｏｎａｌＢｌｏｃｋＡｔｔｅｎｔｉｏｎＭｏｄｕｌｅ，ＣＢＡＭ）［１６］、高效通道注意（ＥｆｆｉｆｉｃｉｅｎｔＣｈａｎｎｅｌＡｔｔｅｎｔｉｏｎ，ＥＣＡ）［１７］等其他注意力模塊相比，ＳＥ模塊在準確度和處理速度方面實現(xiàn)了較好的平衡，更適用于針對資源受限的嵌入式平臺設計的輕量級模型。

１．２ 改進的方法

所提基于深度學習模型的ＵＡＶ災難圖像分類框架的流程如圖１所示。首先將訓練數(shù)據(jù)集中的圖像輸入所提圖像分類模型，改進模型中結合了Ｓｈｕｆ-ｆｌｅＮｅｔ-Ｖ２架構和ＳＥ模塊，在Ｓｈｕｆｆｌｅ架構前３個階段的級聯(lián)（Ｃｏｎｃａｔ）操作后，ＳＥ模塊輸入特征圖作為輸入，通過對Ｓｈｕｆｆｌｅ模塊中不同層級特征圖進行加權，從而使網絡更加關注重要的特征，在降低計算成本的同時，增強模型的學習能力和分類性能。

所提網絡架構如圖２所示。ＳｈｕｆｆｌｅＮｅｔ-Ｖ２通過４個不同階段分層逐步提取特征。其中，階段１學習如邊緣和紋理等基礎特征，階段２學習如形狀等抽象復雜特征，階段３學習如語義信息等高級特征，階段４將高級特征轉換為分類預測。所提改進方法在原ＳｈｆｆｌｅＮｅｔ-Ｖ２的前３個階段的末尾分別添加了一個ＳＥ模塊，因此，改進架構同樣分為４個階段，第一個階段的每個模塊的步長設為２，以實現(xiàn)下采樣。將其余階段的步長設為１。在每個單元開始時，通過通道分割將特征通道輸入分割為２個分支。其中一個分支保持不變，另一個分支則包括有著相同輸入和輸出通道的３個卷積層，由此替換了分組卷積，降低了內存訪問成本。在卷積后，將２個分組串聯(lián)，使得通道數(shù)保持不變。最后，使用通道置亂，確保２個分支之間的信息交換。在ＳｈｕｆｆｌｅＮｅｔ-Ｖ２中添加ＳＥ模塊有３種可行方式。第一種方式是在ＳｈｕｆｆｌｅＮｅｔ單元內部嵌入ＳＥ模塊，在最后一個卷積層后直接連接ＳＥ模塊。第２種方式是將ＳＥ模塊放入與ＳｈｕｆｆｌｅＮｅｔ單元并行的直通分支。第３種方式是將ＳＥ模塊放置在ＳｈｕｆｆｌｅＮｅｔ架構直通分支的ｃｏｎｃａｔ操作后。所提方法是針對嵌入式平臺實時檢測而提出的輕量級模型，應在確保分類準確度的同時，盡量降低計算成本。ＳｈｕｆｆｌｅＮｅｔ-Ｖ２架構共包含１６個基本區(qū)塊，如果采取前２種方式，必須嵌入大量ＳＥ模塊，會使網絡變得冗余，大幅增加計算成本。為此，所提方法選擇了最后一種嵌入策略，在前３個階段的末端均放入ＳＥ模塊，即僅向ＳｈｕｆｆｌｅＮｅｔ-Ｖ２架構添加３個ＳＥ模塊。

在圖２框架的下半部分為ＳＥ模塊。在Ｓｈｕｆ-ｆｌｅＮｅｔ-Ｖ２模塊后，使用ＳＥＮｅｔ理念處理特征通道。首先，使用全局平均池化將通道空間特征轉換為全局特征；然后，利用全連接（ＦｕｌｌｙＣｏｎｎｅｃｔｅｄ，ＦＣ）層降低模型復雜度，提高通用性；使用ＲｅＬＵ作為激活層，使用ＦＣ層恢復尺寸；最后，將每個通道的加權系數(shù)與原始特征相乘。

在擠壓階段應用全局平均池化，通過生成逐通道統(tǒng)計信息嵌入全局空間信息。具體來說，將輸入特征圖Ｕ＝［ｕ１，ｕ２，…，ｕＣ］視為通道ｕｉ∈RＨ×Ｗ的組合，Ｃ為輸出通道數(shù)。采用簡單聚合技術，利用全局平均池化操作對整個圖像進行收縮，得到：

式中，Ｆｓｑ（．）為擠壓映射，Ｈ×Ｗ 為圖像尺寸，ｚｃ為向量ｚ∈R１×１×Ｃ的第ｃ個元素，ｕｃ∈Ｕ為第ｃ個特征圖，（ｉ，ｊ）對應空間位置，ｉ∈ ｛１，２，…，Ｈ｝，ｊ∈ ｛１，２，…，Ｗ｝。Ｕ 可視為整個圖像的局部描述子集合，包含整個圖像的大量統(tǒng)計信息，因此利用全局平均池化降低處理成本。該操作將全局空間信息嵌入向量ｚ。

激發(fā)階段，基于從擠壓信息中推導出的聚合信息，充分捕捉逐通道依賴性，學習通道之間的非線性交互以及非互斥信息，以確保允許將多條通道作為重點對象。將ｚ 轉換為：

ｚ＾＝ Ｆｅｘ（ｚ，Ｗ） ＝ σ（Ｗ２ δ（Ｗ１ ｚ））， （２）

式中：Ｆｅｘ（． ）為激發(fā)映射，δ（． ）為ＲｅＬＵ 函數(shù)，σ 為Ｓｉｇｍｏｉｄ 層。Ｗ１ ∈?。茫颉粒?和Ｗ２ ∈！Ｃ×Ｃｒ分別為２ 個全連接層的權重，其中，參數(shù)ｒ 表示壓縮比，對逐通道依賴性進行編碼。為限制模型復雜度，提高通用性，利用２ 個全連接層形成瓶頸，將門限機制參數(shù)化，該結構首先為基于參數(shù)Ｗ１ 的降維層，中間為ＲｅＬＵ，其后為基于參數(shù)Ｗ２ 的升維層。根據(jù)經驗，設ｒ ＝ ２。ｚ＾的激活動態(tài)區(qū)間為［０，１］，將其通過Ｓｉｇｍｏｉｄ 層，即σ（ｚ＾）。得到的向量用于對轉換輸出Ｕ 進行重新標定或激發(fā)：

U＾＝ ［σ（ｚ＾ １ ）ｕ１ ，σ（ｚ＾２ ）ｕ２ ，…，σ（ｚ＾ Ｃ ）ｕＣ ］， （３）

式中：σ（ｚ＾ｉ）表示第ｉ 個通道的重要程度，由此決定對該通道的擴展或收縮。σ（ｚ＾ｉ ）隨著網絡學習自適應調整，以忽視不重要的通道，并強調重要通道。圖３ 給出了修改后的ＳＥ 模塊在所提框架中的工作原理。

２ 實驗與分析

本文在Ｗｉｎｄｏｗｓ ７，ＣＰＵ Ｉｎｔｅｌ ｉ５ ９６００Ｋ ＠ ３． ７ ＧＨｚ和ＧＴＸ １０６０ 環(huán)境下進行，使用Ｍａｔｌａｂ ２０１６ｂ?，F(xiàn)實世界實驗中，考慮２ 種情況：① 在嵌入式設備上處理所有計算，以驗證在資源受限的ＵＡＶ 平臺上的性能；② 使用手機作為ＵＡＶ 地面基站，連接到ＵＡＶ控制器以處理輸入圖像?？紤]到實時流處理，即相機按順序輸出每幀圖像，重點分析單張圖像的處理速度。

２． １ 數(shù)據(jù)集采集與增強

為訓練ＣＮＮ 進行航拍圖像分類，首先需要針對該任務采集合適的數(shù)據(jù)集。為此，本文針對應急救援應用創(chuàng)建了專用數(shù)據(jù)集。從多個來源采集這些災難類別的航拍圖像，包括百度圖像、新聞網站、航拍圖像數(shù)據(jù)庫以及從本文的ＵＡＶ 平臺上采集的圖像。在數(shù)據(jù)采集過程中，以不同分辨率、不同的照明和視角條件，捕捉各種不同的災難事件。最后，為貼近現(xiàn)實世界場景，該數(shù)據(jù)中的場景占比是不平衡的，其中包含更多的無異常類圖像。表１ 列舉了數(shù)據(jù)集詳情。

ＵＡＶ 的操作條件會受到不同環(huán)境的影響，因此數(shù)據(jù)集內不應該僅包含清晰的圖像。此外，數(shù)據(jù)采集過程可能非常耗時，成本較高。為進一步擴充數(shù)據(jù)集，在將圖像添加到訓練批次之前，先對每個圖像應用概率性的隨機增廣。

① 圖像旋轉：為得到各種不同方向拍攝到的災難圖像，將數(shù)據(jù)集中的圖像以９０°、１８０°和２７０°旋轉并鏡像操作。旋轉增強技術能夠提高深度神經網絡在不同高度執(zhí)行檢測時的分類性能。

② 圖像顏色和亮度：為提高災難事件在不同照明條件下的可見性，以不同亮度水平對圖像進行增強，選擇合適的圖像亮度范圍，ｌｍｉｎ ＝ ０． ４，ｌｍａｘ ＝ １． ５。

③ 添加高斯和椒鹽噪聲：由于ＵＡＶ 相機可能會捕捉到模糊圖像，向圖像添加０． ００４ 的椒鹽噪聲，以提高模型對不同照明條件下災難時間的分類能力。

④ 隨機裁剪：最高隨機裁剪凸顯該區(qū)域的６０％ ，并執(zhí)行翻轉、寬度平移和高度平移，從而改善對事故僅僅存在于圖片邊緣等情況下的檢測性能。

⑤ 背景移除：移除背景，以提高模型學習災難事件的能力。

⑥ 圖像縮放：對圖像進行０． ８ ～ １． ０ 倍的縮放，用得出的數(shù)據(jù)集進行訓練，以提高模型在ＵＡＶ 設備上運行時神經網絡的分類性能。

以隨機概率應用每種變換，并確保不會對訓練批次中的所有圖像均進行變換，以避免網絡將增廣屬性捕捉為數(shù)據(jù)集特征。通過數(shù)據(jù)增強避免過擬合，提高訓練集可變性，實現(xiàn)更好的泛化性能。數(shù)據(jù)集中的一些樣本如圖４ 所示。通過數(shù)據(jù)集增強技術對初始數(shù)據(jù)集進行顯著擴展，增加了５ 倍以上的訓練圖像。

２． ２ 性能度量

本文的最終目標是在ＵＡＶ 上運行模型，并在線處理每個圖像。因此，每個模型取得的每秒幀數(shù)（Ｆｒａｍｅ Ｐｅｒ Ｓｅｃｏｎｄ，ＦＰＳ）是重要的性能度量。此外，考慮到數(shù)據(jù)集不均衡情況，在正確分類樣本數(shù)之外，還使用平均Ｆ１ 得分作為學習性能指標。

ＦＰＳ 指標分析分類器處理傳入相機幀的速率ｖ：

式中：ｔｉ 為單張圖像處理速度，Ｎｔ 為測試樣本數(shù)量。

平均Ｆ１ 得分［１８］：該指標測量通過每個類別的測試實例數(shù)加權后的所有類別上的平均準確度。該指標同時考慮了精度和召回率，數(shù)值較高意味著漏檢率和誤警率較低：

式中：Ｎｌ 為類別數(shù)量，ｐｉ ＝ ｔｐ/ｔｐ＋ｆｐ和ｓｎｉ ＝ ｔｐ/ｔｐ＋ｆｎ分別為精度和敏感度，ｔｐ 為真陽性檢測，ｆｐ 為假陽性檢測，ｆｎ 為假陰性檢測。

２． ３ 網絡訓練

通過相同框架對所有網絡（ＡｌｅｘＮｅｔ、ＭｏｂｉｌｅＮｅｔ、ＳｈｕｆｆｌｅＮｅｔ-Ｖ１、ＳｈｕｆｆｌｅＮｅｔ-Ｖ２ 和本文方法）進行訓練和測試，以確保相同條件下的公平比較。使用Ｋｅｒａｓ 深度學習框架，并將Ｔｅｎｓｏｒｆｌｏｗ 作為后端［１９］。除了指定較小尺寸輸入圖像的ＭｏｂｉｌｅＮｅｔ 外，盡可能為所有網絡使用相同的圖像大小（２４０ ｐｉｘｅｌ×２４０ ｐｉｘｅｌ）。將數(shù)據(jù)集以４ ∶ １ 的比例劃分為訓練集和測試集。如前文所述，無異常類為主要類，數(shù)量超過數(shù)據(jù)集中其他類別之和，這反映了現(xiàn)實情況，但也可能在網絡中產生過擬合問題。為避免數(shù)據(jù)集不平衡問題，在相同批次內同時對非異常類進行下采樣，對其他類別進行上采樣。為此，從每個類別中選擇相同數(shù)量的圖像以形成批次，由此實現(xiàn)對各種不同情況的平等表達。

將模型的最后一層替換為輸出層，其等于總類別數(shù)，本文實驗中共５ 類，包括４ 類災難場景和１ 類無異常場景。對所有網絡的超參數(shù)進行標準化。使用了Ａｄａｍ 優(yōu)化方法，初始學習率為０． ００１，每５ 代乘以０． ９５，以實現(xiàn)平滑的學習率衰減。對每個網絡進行１２ ０００ 代訓練，每代包含２００ 批的迭代，由于ＧＰＵ 存儲限制，將批大小設為１６。

２． ４ 仿真結果分析

圖５ 給出了在所提實驗數(shù)據(jù)集上訓練時，隨著迭代次數(shù)增加，ＡｌｅｘＮｅｔ、ＭｏｂｉｌｅＮｅｔ、ＳｈｕｆｆｌｅＮｅｔ-Ｖ１、ＳｈｕｆｆｌｅＮｅｔ-Ｖ２ 和本文方法的分類準確度。從中可發(fā)現(xiàn)，所提方法準確度與ＡｌｅｘＮｅｔ 大致相當，優(yōu)于其他方法。這表明所提架構在卷積神經網絡中結合了逐通道注意力機制，有效提高了對重要特征的學習能力，改善了網絡分類性能，且所提網絡在少量迭代次數(shù)后就收斂至較高準確度。ＭｏｂｉｌｅＮｅｔ 準確度最低，且曲線波動較大，不適用于對準確度要求較高的災難監(jiān)測任務。

表２ 給出了各模型的參數(shù)量、每秒浮點運算次數(shù)（Ｆｌｏａｔｉｎｇｐｏｉｎｔ Ｏｐｅｒａｔｉｏｎｓ Ｐｅｒ Ｓｅｃｏｎｄ，ＦＬＯＰＳ）和在測試數(shù)據(jù)集上的準確度結果。ＦＬＯＰＳ 是與平臺無關的復雜度指標。從中可發(fā)現(xiàn)，ＡｌｅｘＮｅｔ 的準確度稍優(yōu)于所提架構，但該架構的參數(shù)量非常大，對計算和存儲資源的要求很高，不適用于資源受限的嵌入式設備。ＳｈｕｆｆｌｅＮｅｔ-Ｖ２ 的準確度低于ＳｈｕｆｆｌｅＮｅｔ-Ｖ１，這表明在降低資源使用量的情況下，其分類準確度也受到了影響。所提方法準確度僅稍低于ＡｌｅｘＮｅｔ，證明所提架構通過結合注意力機制，有效增強了對重要特征的學習和處理能力，使得準確度能夠滿足ＵＡＶ 災難監(jiān)測任務的要求，且對算力的要求要小得多，能夠在低功耗設備上進行實時處理。

表３ 列舉了各模型的存儲空間和增強訓練集上的平均Ｆ１ 得分。其中，括號內的數(shù)值為各模型使用未擴充的訓練集進行模型訓練后，在同樣的測試集上的性能表現(xiàn)。從中可以看出，盡管ＡｌｅｘＮｅｔ 的平均Ｆ１ 得分稍優(yōu)于本文方法，但硬件資源要求過高，不適用于嵌入式平臺。ＭｏｂｉｌｅＮｅｔ 的準確度過低，不能滿足災難場景監(jiān)控任務的要求。所提網絡的硬件資源需求和ＳｈｕｆｆｌｅＮｅｔ-Ｖ２ 大致相當，能夠滿足實時控制需求，且在分類準確度上獲得了較大提升。此外，各方法使用擴充訓練集后均取得了顯著的性能提升，證明本文使用的訓練數(shù)據(jù)增強策略是有效且必要的。

為分析和比較在進一步降低計算復雜度和模型參數(shù)量的情況下所提模型的性能，遵循文獻［１３ －１４］的結構設定，將網絡寬度分別縮放至０． ２５ 倍和１ 倍，表示為ＳｈｕｆｆｌｅＮｅｔ（０． ２５ ×）和ＳｈｕｆｆｌｅＮｅｔ（１ ×），然后將ＳＥ 模塊分別應用到這２ 個模型中。圖６ 給出了本文方法分別應用到不同網絡寬度的ＳｈｕｆｆｌｅＮｅｔ-Ｖ１ 和ＳｈｕｆｆｌｅＮｅｔ-Ｖ２ 時，每個類別（火災、洪災、建筑物坍塌、交通事故和無異常）的分類結果，并與原始模型的結果相比較。從中可發(fā)現(xiàn)，所提方法在應用到ＳｈｕｆｆｌｅＮｅｔ-Ｖ２ 后，在５ 個類別的分類準確度分別為９９． ２％ 、９９． ６％ 、１００％ 、９５％ 和８８％ 。所提方法在應用到ＳｈｕｆｆｌｅＮｅｔ-Ｖ１ 后，性能得到了進一步提升，但由于網絡復雜度過高，如后文現(xiàn)實場景測試結果所示，ＳｈｕｆｆｌｅＮｅｔ-Ｖ１ 不能滿足機載平臺的實時性需求。此外，從實驗結果中可發(fā)現(xiàn)，各方法在無異常場景中的分類準確度都相對較低，這是因為在特別復雜的場景中，例如交通嚴重擁堵場景，或者拍攝目標被遮擋的情況下，模型可能會將正常場景誤分入某種災難事件類別。

２． ５ 現(xiàn)實場景測試結果

在現(xiàn)實場景中評估所提架構的性能。使用計算資源和能量受限的移動設備，測量所提網絡的處理速度和比較方法的幀率。測試中使用了２ 種不同場景。場景１ 針對機載處理平臺，場景２ 使用手機連接作為ＵＡＶ 移動地面基站，連接到ＵＡＶ 控制器以處理輸入圖像。這２ 種場景均易于部署，適合應急場景中的遠程監(jiān)測任務。圖７ 給出了實驗平臺，其中，圖７ （ａ）為配置了高清相機的大疆Ｍａｔｒｉｃｅ ２００無人機，圖７（ｂ）為ＵＡＶ 控制平臺，采用廣播式自動相關監(jiān)視系統(tǒng)（Ａｕｔｏｍａｔｉｃ Ｄｅｐｅｎｄｅｎｔ Ｓｕｒｖｅｉｌｌａｎｃｅ-Ｂｒｏａｄｃａｓｔ，ＡＤＳ-Ｂ），參數(shù)包括位置精度指標（ＰｏｓｉｔｉｏｎＰｒｅｃｉｓｉｏｎ Ｉｎｄｉｃａｔｏｒ，ＰＰＩ）和高度指標。ＡＤＳ-Ｂ ＰＰＩ 是基于水平和垂直位置精度指標計算得出的綜合指標，ＡＤＳ-Ｂ 高度為ＵＡＶ 相對于海平面的垂直高度。

① ＵＡＶ 機載處理：記載處理平臺采用四核ＡＲＭ Ｃｏｒｔｅｘｔ-Ａ５３ 處理器，性能和功耗方面能夠滿足ＵＡＶ 需求。對于圖像分類預警等實時應用場景，處理速度對于實時性至關重要。當模型的ＦＰＳ 較低時，處理速度變慢，可能導致處理延遲，從而無法滿足實時性的要求。表４ 給出了不同模型在機載平臺和移動基站上的處理速度ＦＰＳ 結果，從中可發(fā)現(xiàn)，所提網絡在該平臺上取得了１２． ５ ＦＰＳ 的結果，優(yōu)于其他方法，能夠滿足實時處理需求。

② ＵＡＶ 移動基站處理：將ＵＡＶ 控制器連接到作為移動控制基站的手機，接收ＵＡＶ 相機圖片并進行處理。其他方法的幀率均為８ ＦＰＳ 以下，本文方法取得了約１０ ＦＰＳ 的結果。要指出，在現(xiàn)實場景中，ＵＡＶ 和控制器之間存在干擾，會影響到災難事件監(jiān)測任務的可靠性［２０］。ＵＡＶ 機載平臺能夠很好地克服連接性和可見性方面的約束，更適用于應急救援任務。

３ 結束語

本文提出了應急救災應用的ＵＡＶ 機載實時檢測預警方案。利用高效深度學習系統(tǒng)，在ＵＡＶ 平臺上對傳感器拍攝到的圖像進行實時處理，自動對災難事件進行識別和分類。所提架構結合了輕量級ＳｈｕｆｆｌｅＮｅｔ-Ｖ２ 網絡和ＳＥ 單元，在提高分類準確度和降低硬件資源消耗之間實現(xiàn)了較好平衡。實驗結果證明所提方案適用于資源受限的嵌入式平臺，且分類準確度能夠滿足實時災情監(jiān)控應用的需求。

參考文獻

［１］ ＰＳ Ｒ，ＪＥＹＡＮ Ｍ Ｌ． Ｍｉｎｉ Ｕｎｍａｎｎｅｄ Ａｅｒｉａｌ Ｓｙｓｔｅｍｓ（ＵＡＶ）Ａ Ｒｅｖｉｅｗ ｏｆ ｔｈｅ Ｐａｒａｍｅｔｅｒｓ ｆｏｒ Ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｏｆ ａＭｉｎｉ ＵＡＶ ［Ｊ］． Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｊｏｕｒｎａｌ ｏｆ Ａｖｉａｔｉｏｎ，Ａｅｒｏｎａｕｔｉｃｓ，ａｎｄ Ａｅｒｏｓｐａｃｅ，２０２０，７（３）：１２６－１３４．

［２］ 周劍，賈金巖，張震，等． 面向應急保障的５Ｇ 網聯(lián)無人機關鍵技術［Ｊ］． 重慶郵電大學學報（自然科學版），２０２０，３２（４）：５１１－５１８．

［３］ ＤＯＢＲＥＡ Ｄ Ｍ，ＤＯＢＲＥＡ Ｍ Ｃ，ＯＢＲＥＪＡ Ｍ Ｅ． ＵＡＶ Ｅｍｂｅｄｄｅｄ ＳｙｓｔｅｍＡ Ｓｅｌｅｃｔｉｏｎ Ｐｒｏｃｅｓｓ［Ｃ］∥２０２１ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｓｙｍｐｏｓｉｕｍ ｏｎ Ｓｉｇｎａｌｓ，Ｃｉｒｃｕｉｔｓ ａｎｄ Ｓｙｓｔｅｍｓ（ＩＳＳＣＳ）． Ｉａｓｉ：ＩＥＥＥ，２０２１：１－４．

［４］ 程擎，范滿，李彥冬，等． 無人機航拍圖像語義分割研究綜述［Ｊ］． 計算機工程與應用，２０２１，５７（１９）：５７－６９．

［５］ ＫＡＴＴＥＮＢＯＲＮ Ｔ，ＬＥＩＴＬＯＦＦ Ｊ，ＳＣＨＩＥＦＥＲ Ｆ，ｅｔ ａｌ． Ｒｅｖｉｅｗ ｏｎ Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋｓ （ＣＮＮ）ｉｎ Ｖｅｇｅｔａｔｉｏｎ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ［Ｊ］． ＩＳＰＲＳ Ｊｏｕｒｎａｌ ｏｆ Ｐｈｏｔｏｇｒａｍｍｅｔｒｙ ａｎｄ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ，２０２１，１７３：２４－４９．

［６］ 石雪懷，戚盠，張偉斌，等． 基于組合模型的交通事故嚴重程度預測方法［Ｊ］． 計算機應用研究，２０１９，３６（８）：２３９５－２３９９．

［７］ ＢＥＪＩＧＡ Ｍ Ｂ，ＺＥＧＧＡＤＡ Ａ，ＮＯＵＦＦＩＤＪ Ａ，ｅｔ ａｌ． Ａ Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ Ａｐｐｒｏａｃｈ ｆｏｒ ＡｓｓｉｓｔｉｎｇＡｖａｌａｎｃｈｅ Ｓｅａｒｃｈ ａｎｄ Ｒｅｓｃｕｅ Ｏｐｅｒａｔｉｏｎｓ ｗｉｔｈ ＵＡＶ Ｉｍａｇｅｒｙ［Ｊ］． Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ，２０１７，９（２）：１００．

［８］ ＡＭＩＲＫＯＬＡＥＥ Ｈ Ａ，ＡＲＥＦＩ Ｈ． ＣＮＮｂａｓｅｄ Ｅｓｔｉｍａｔｉｏｎ ｏｆＰｒｅａｎｄ Ｐｏｓｔｅａｒｔｈｑｕａｋｅ Ｈｅｉｇｈｔ Ｍｏｄｅｌｓ ｆｒｏｍ ＳｉｎｇｌｅＯｐｔｉｃａｌ Ｉｍａｇｅｓ ｆｏｒ Ｉｄｅｎｔｉｆｉｃａｔｉｏｎ ｏｆ Ｃｏｌｌａｐｓｅｄ Ｂｕｉｌｄｉｎｇｓ［Ｊ］． Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ Ｌｅｔｔｅｒｓ，２０１９，１０（７）：６７９－６８８．

［９］ ＭＵＮＡＷＡＲ Ｈ Ｓ，ＵＬＬＡＨ Ｆ，ＱＡＹＹＵＭ Ｓ，ｅｔ ａｌ． Ａｐｐｌｉｃａｔｉｏｎｏｆ Ｄｅｅｐ Ｌｅａｒｎｉｎｇ ｏｎ ＵＡＶｂａｓｅｄ Ａｅｒｉａｌ Ｉｍａｇｅｓ ｆｏｒ Ｆｌｏｏｄ Ｄｅｔｅｃｔｉｏｎ［Ｊ］． Ｓｍａｒｔ Ｃｉｔｉｅｓ，２０２１，４（３）：１２２０－１２４２．

［１０］ ＪＩＡＯ Ｚ Ｔ，ＺＨＡＮＧ Ｙ Ｍ，ＸＩＮ Ｊ，ｅｔ ａｌ． Ａ Ｄｅｅｐ ＬｅａｒｎｉｎｇＢａｓｅｄ Ｆｏｒｅｓｔ Ｆｉｒｅ Ｄｅｔｅｃｔｉｏｎ Ａｐｐｒｏａｃｈ Ｕｓｉｎｇ ＵＡＶ ａｎｄＹＯＬＯｖ３［Ｃ］∥２０１９ １ｓｔ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｉｎｄｕｓｔｒｉａｌ Ａｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ （ＩＡＩ）． Ｓｈｅｎｙａｎｇ：ＩＥＥＥ，２０１９：１－５．

［１１］ 黨宇，張繼賢，鄧喀中，等． 基于深度學習ＡｌｅｘＮｅｔ 的遙感影像地表覆蓋分類評價研究［Ｊ］． 地球信息科學學報，２０１７，１９（１１）：１５３０－１５３７．

［１２］ 王威，鄒婷，王新． 基于局部感受野擴張ＤＭｏｂｉｌｅＮｅｔ模型的圖像分類方法［Ｊ］． 計算機應用研究，２０２０，３７（４）：１２６１－１２６４．

［１３］ ＺＨＡＮＧ Ｘ Ｙ，ＺＨＯＵ Ｘ Ｙ，ＬＩＮ Ｍ Ｘ，ｅｔ ａｌ． Ｓｈｕｆｆｌｅｎｅｔ：ＡｎＥｘｔｒｅｍｅｌｙ Ｅｆｆｉｃｉｅｎｔ Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ ｆｏｒ Ｍｏｂｉｌｅ Ｄｅｖｉｃｅｓ［Ｃ］∥ Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ＩＥＥＥ Ｃｏｎｆｅｒｅｎｃｅｏｎ Ｃｏｍｐｕｔｅｒ Ｖｉｓｉｏｎ ａｎｄ Ｐａｔｔｅｒｎ Ｒｅｃｏｇｎｉｔｉｏｎ． Ｓａｌｔ ＬａｋｅＣｉｔｙ：ＩＥＥＥ，２０１８：６８４８－６８５６．

［１４］ ＭＡ Ｎ Ｎ，ＺＨＡＮＧ Ｘ Ｙ，ＺＨＥＮＧ Ｈ Ｔ，ｅｔ ａｌ． ＳｈｕｆｆｌｅＮｅｔ Ｖ２：Ｐｒａｃｔｉｃａｌ Ｇｕｉｄｅｌｉｎｅｓ ｆｏｒ Ｅｆｆｉｃｉｅｎｔ ＣＮＮ Ａｒｃｈｉｔｅｃｔｕｒｅ Ｄｅｓｉｇｎ［Ｃ］∥Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ Ｅｕｒｏｐｅａｎ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ ＣｏｍｐｕｔｅｒＶｉｓｉｏｎ （ＥＣＣＶ）． Ｍｕｎｉｃｈ：Ｓｐｒｉｎｇｅｒ，２０１８：１２２－１３８．

［１５］ ＨＵ Ｊ，ＳＨＥＮ Ｌ，ＳＵＮ Ｇ． ＳｑｕｅｅｚｅａｎｄＥｘｃｉｔａｔｉｏｎ Ｎｅｔｗｏｒｋｓ［Ｃ］∥Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ＩＥＥＥ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ ＣｏｍｐｕｔｅｒＶｉｓｉｏｎ ａｎｄ Ｐａｔｔｅｒｎ Ｒｅｃｏｇｎｉｔｉｏｎ． Ｓａｌｔ Ｌａｋｅ Ｃｉｔｙ：ＩＥＥＥ，２０１８：７１３２－７１４１．

［１６］ ＷＯＯ Ｓ，ＰＡＲＫ Ｊ，ＬＥＥ Ｊ Ｙ，ｅｔ ａｌ． ＣＢＡＭ：ＣｏｎｖｏｌｕｔｉｏｎａｌＢｌｏｃｋ Ａｔｔｅｎｔｉｏｎ Ｍｏｄｕｌｅ ［Ｃ ］∥ Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅＥｕｒｏｐｅａｎ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｃｏｍｐｕｔｅｒ Ｖｉｓｉｏｎ （ＥＣＣＶ）． Ｍｕｎｉｃｈ：Ｓｐｒｉｎｇｅｒ，２０１８：３－１９．

［１７］ ＷＡＮＧ Ｑ Ｌ，ＷＵ Ｂ Ｇ，ＺＨＵ Ｐ Ｆ，ｅｔ ａｌ． ＥＣＡＮｅｔ：ＥｆｆｉｃｉｅｎｔＣｈａｎｎｅｌ Ａｔｔｅｎｔｉｏｎ ｆｏｒ Ｄｅｅｐ Ｃｏｎｖｏｌｕｔｉｏｎａｌ ＮｅｕｒａｌＮｅｔｗｏｒｋｓ［Ｃ］∥Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ＩＥＥＥ ／ ＣＶＦ Ｃｏｎｆｅｒｅｎｃｅｏｎ Ｃｏｍｐｕｔｅｒ Ｖｉｓｉｏｎ ａｎｄ Ｐａｔｔｅｒｎ Ｒｅｃｏｇｎｉｔｉｏｎ． Ｓｅａｔｔｌｅ：ＩＥＥＥ，２０２０：１１５３４－１１５４２．

［１８］ ＨＯＳＳＩＮ Ｍ，ＳＵＬＡＩＭＡＮ Ｍ Ｎ． Ａ Ｒｅｖｉｅｗ ｏｎ ＥｖａｌｕａｔｉｏｎＭｅｔｒｉｃｓ ｆｏｒ Ｄａｔａ Ｃｌａｓｓｉｆｉｃａｔｉｏｎ Ｅｖａｌｕａｔｉｏｎｓ ［Ｊ ］．Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｊｏｕｒｎａｌ ｏｆ Ｄａｔａ Ｍｉｎｉｎｇ ＆ Ｋｎｏｗｌｅｄｇｅ Ｍａｎａｇｅｍｅｎｔ Ｐｒｏｃｅｓｓ，２０１５，５（２）：１－１１．

［１９］ ＧＲＡＴＴＡＲＯＬＡ Ｄ，ＡＬＩＰＰＩ Ｃ． Ｇｒａｐｈ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋｓ ｉｎＴｅｎｓｏｒＦｌｏｗ ａｎｄ Ｋｅｒａｓ ｗｉｔｈ Ｓｐｅｋｔｒａｌ ［Ａｐｐｌｉｃａｔｉｏｎ Ｎｏｔｅｓ］［Ｊ］． ＩＥＥＥ Ｃｏｍｐｕｔａｔｉｏｎａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ Ｍａｇａｚｉｎｅ，２０２１，１６（１）：９９－１０６．

［２０］ 張廣馳，陳嬌，崔苗，等． 無人機交替中繼通信及其軌跡優(yōu)化和功率分配研究［Ｊ］． 電子與信息學報，２０２２，４３（１２）：３５５４－３５６２．

作者簡介

楊 珍 女，（１９８２—），碩士，副教授。主要研究方向：計算機圖形圖像等。

（*通信作者）吳珊丹 女，（１９８１—），碩士，副教授。主要研究方向：計算機圖形圖像等。

賈 如 女，（１９８２—），博士，講師。主要研究方向：大數(shù)據(jù)、社交網絡和智能推薦。

基金項目：國家自然科學基金（３２１６０５０６）；內蒙古自治區(qū)自然科學基金（２０１４ＭＳ０６１６）