一种基于边缘计算的森林火警监测系统
技术领域
本发明涉及监测领域，尤其涉及森林火警监测领域。
背景技术
在大数据时代下，将云计算模型应用到火警监测中，采集各种传感数 据到云端计算分析，极大地提升了探测模型的计算效力和存储能力。如今， 已有部分基于分布式云计算平台的火灾探测平台量产使用。但随着物联 网、5G技术的飞速发展，万物互联时代已经到来，由数据量暴增带来的 网络传输拥堵和计算复杂度加强问题，使得数据在传输过程及计算过程中 时延不断增大，给火灾探测器带来新的挑战。
发明内容
本发明所要解决的技术问题是克服现有技术中存在的不足，为了减轻 网络传输压力，降低云计算中心计算负荷，防止因系统延时过长而造成的 火情发现不及时问题出现，提供一种基于边缘计算的森林火警监测系统。
本发明是通过以下技术方案予以实现：
系统分感知末梢、边缘节点、云端和应用侧四层，感知末梢由各种探 测器组成，负责收集环境参数，并通过ZigBee协议和现场总线将数据上 传；边缘计算网关实时对数据进行去噪、打标、归一化等预处理操作，并 将预处理后的数据由SDN平台汇聚到敏捷控制器；敏捷控制器运用其中 集成的机器学习算法推理运算，同时还将一份数据传至云端分析应用，若 有火情发生，则发送控制信号致使能节点，完成灭火工作。
本发明的有益效果是：能有效减轻云计算中心的计算压力，提升探测 实时性。用ZigBee技术和SDN技术搭建网络拓扑，使得节点更灵活、网 络更均衡；采用ViBe算法抽取背景模型，随机决策森林算法融合各环境 因子，确保了判决精准度，也提高了ECN的轻便性；按照数据时序用途分 级存储，达到计算速度和物质成本的最佳搭配。对环境湿度以及森林密度 数据测量，使感测更全面。
附图说明
图1示出了根据本发明的实施例的边缘计算的森林火警监测系统模 型。
图2示出了本发明的ZigBee协议体系结构。
图3示出了本发明的火灾探测算法流程。
具体实施方式
为了使本技术领域的技术人员更好地理解本发明的技术方案，下面 结合附图和最佳实施例对本发明作进一步的详细说明。
如图所示，本发明为实现火灾探测的实时性和准确性，发明了基于边 缘计算的森林火警监测系统。系统分感知末梢、边缘节点、云端和应用侧 四层，感知末梢由各种探测器组成，负责收集环境参数，并通过ZigBee 协议和现场总线将数据上传；边缘计算网关实时对数据进行去噪、打标、 归一化等预处理操作，并将预处理后的数据由SDN平台汇聚到敏捷控制 器；敏捷控制器运用其中集成的机器学习算法推理运算，同时还将一份数 据传至云端分析应用，若有火情发生，则发送控制信号致使能节点，完成 灭火工作。
网络拓扑设计：
将感知末梢探测器按照产生数据量大小分为图像数据和普通数据，对 于产生数据量大的探测器搭建现场总线传输数据，对于产生数据量较小的 探测器搭建无线传感网络WSN传输数据。有差别地设计网络传输方案，既 保证了数据传输高效性，又使网络变得更加灵活，节约了布线成本，减少 了系统故障点。考虑分布式探测系统节点具有流量大且负载不均衡的特 点，边缘节点处的选取采用基于软件定义网络的SDN平台。
WSN选取基于IEEE 802.15.4标准的ZigBee技术作为主要通信手段， 协议体系结构如图3所示。
火灾探测算法：
由于边缘计算节点性能有限，在保证计算速度和精度的前提下，尽量 设计复杂度较低，耗费资源较小的算法。以计算机视觉技术为主设计算法， 流程图如图3所示。首先利用ViBe搭建背景模型，定时获取当前帧与背 景模型做对比，判断是否存在运动目标块，若存在，则进一步判断是否存 在疑似火焰区域，其次结合其他检测因子采用随机决策森林算法进行分类 判决，若有火情发生，则启动异常处理机制，及时开展灭火工作。但由于 敏捷控制器无法承受推理阶段的计算负载，遂在控制器设计前期即将训练 完成了的算法压缩到控制器中。
从视频流中提取前景对象，需要一个相对静态的背景模型，并进行连 续不断的更新。ViBe算法是以背景像素点的邻域像素为样本集的像素级背 景建模算法，具有耗费低、鲁棒性高的特点。
(1)随机选取部分像素点的邻域像素作为初始的背景，计算见式(1)。
式中：f0(xi，yi)为随机选取的像素点；NG(xi，yi)为该像素点的邻域像 素；N为初始化次数。
若t＝k，则(x,y)点的背景模型见式(2)。
(2)采用距离判断提取前景物体。设距离阈值为R,近似点个数阈值为 min，若(x,y)点到
n＝{SR(x，y)I{(x1，y1)，(x2，y2)，......，(xN，yN)}}≤min(3)
(3)更新策略采用无记忆更新、时间取样更新和空间邻域更新三方 面随机更新。按照更新策略，某个样本经过一段时间Δt被保留概率，见 式(4)。
随机决策森林(Random Forest)是一种机器学习分类算法，主要用 于多元参数输入、大数据处理、资料视觉化的使用场景，具有学习快速的 特点。其使用多棵决策树不断分裂来训练和预测结果。任意一棵决策树都 是一个基础的二分类器，每次分裂代表着对某个属性进行划分。信息熵是 常用表示决策树纯度的方法，并且纯度与E值成反比，其计算见式(5)。
信息增益见式(6)，其中纯度与G值成正比。
式中：D为样本数；y为特征数，pk为第k类数目与总数目的商。
式中：Dv为某一样本；V为分支个数；v＝1,2,3,…,V。
由于每次分裂均随机选取特征，并且有放回地抽取部分样本形成子数 据集，所以随机决策森林中任意一棵树都是随机生成的，做出的判决也不 尽相同。最终认为数量较多的预测为判决结果。
存储模式：
火灾探测模型设计难点在于如何解决大数据下的高速计算问题，故选 取适合的数据库作为存储介质是至关重要的。时序数据库(TSDB)将数据 按时序分为冷数据和热数据两种，分级存储在不同成本的介质上，在保证 计算速度的前提下，进一步降低了建设成本，是物联网数据存储首选。
实时数据是探测模型采集分析的主要数据，对存储介质的读写速度有 很高要求，所以将一天以内的数据存储于内存缓存cache上，但为防止 异常宕机造成数据丢失，还需把数据复制一份存到本地磁盘；过时数据主 要用作云计算中心的分析和提取，对数据访问性能要求稍低，按时间序列 优先程度分别存于SSD和HDD。
本发明的有益效果是：减轻云计算中心的计算压力，提升探测实时性。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的 普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进 和润饰，这些改进和润饰也应视为本发明的保护范围。
