林区防火巡逻小车，识别烟雾明火巡山，输出火警预警。

🔥 林区防火巡逻小车项目

📖 项目概述

实际应用场景描述

在我国广袤的森林资源中，森林防火工作一直是重中之重。传统的森林防火主要依赖人工巡逻和固定监控塔，存在诸多局限性：

场景一： 偏远山区地形复杂，护林员徒步巡逻覆盖范围有限，且体力消耗巨大。春季干燥季节，火灾隐患随时可能出现，人工巡逻难以做到全天候监控。

场景二： 森林火灾初期往往伴随浓烟升起，但烟雾可能被树木遮挡或在复杂地形中扩散方向难以判断。传统监控系统视野受限，容易遗漏早期火情。

场景三： 节假日游客违规用火、农事用火等行为时有发生，这些行为往往在偏远地带进行，监管部门难以及时发现和制止。

场景四： 一旦发生火情，需要第一时间确定火源位置、火势蔓延方向和速度，为扑救决策提供关键情报。现有手段响应滞后，错失最佳扑救时机。

痛点分析

痛点 具体表现 影响程度

巡逻覆盖不足 人工巡逻范围有限，盲区多 ⭐⭐⭐⭐⭐

响应延迟高 发现火情到上报耗时过长 ⭐⭐⭐⭐⭐

夜间监控薄弱 可见光摄像头夜间失效 ⭐⭐⭐⭐

恶劣天气受限 雨雪雾天能见度低 ⭐⭐⭐

人力成本高 24小时值守难度大 ⭐⭐⭐⭐

定位精度差 火场位置难以精确定位 ⭐⭐⭐⭐

🔧 核心技术架构

系统架构图

┌─────────────────────────────────────────────────────────────────────────────┐

│ 林区防火巡逻小车系统 │

├─────────────────────────────────────────────────────────────────────────────┤

│ │

│ ┌─────────────────────────────────────────────────────────────────────┐ │

│ │ 感知层 (Perception Layer) │ │

│ │ ┌─────────────┐ ┌─────────────┐ ┌─────────────┐ ┌─────────────┐ │ │

│ │ │ 可见光摄像头 │ │ 红外热成像 │ │ 烟雾传感器 │ │ GPS定位模块 │ │ │

│ │ │ (1080P) │ │ (FLIR Lepton)│ │ (MQ-2/MQ-135)│ │ (北斗/GPS) │ │ │

│ │ └──────┬──────┘ └──────┬──────┘ └──────┬──────┘ └──────┬──────┘ │ │

│ └─────────┼──────────────┼──────────────┼──────────────┼──────────────┘ │

│ │ │ │ │ │

│ └──────────────┼──────────────┼──────────────┘ │

│ ▼ ▼ │

│ ┌─────────────────────────────────────────────────────────────────────┐ │

│ │ 边缘计算层 (Edge Computing) │ │

│ │ ┌─────────────────────────────────────────────────────────────────┐│ │

│ │ │ 多模态融合检测引擎 ││ │

│ │ │ ┌──────────────┐ ┌──────────────┐ ┌──────────────┐ ││ │

│ │ │ │ 烟火检测 │ │ 烟雾识别 │ │ 热源分析 │ ││ │

│ │ │ │ (YOLOv8-Fire)│ │ (CNN-LSTM) │ │ (Thermal AI) │ ││ │

│ │ │ └──────┬───────┘ └──────┬───────┘ └──────┬───────┘ ││ │

│ │ │ │ │ │ ││ │

│ │ │ └───────────────┼───────────────┘ ││ │

│ │ │ ▼ ││ │

│ │ │ ┌──────────────────────┐ ││ │

│ │ │ │ 威胁等级评估器 │ ││ │

│ │ │ │ (贝叶斯网络) │ ││ │

│ │ │ └──────────────────────┘ ││ │

│ │ └─────────────────────────────────────────────────────────────────┘│ │

│ └─────────────────────────────────────────────────────────────────────┘ │

│ │ │

│ ▼ │

│ ┌─────────────────────────────────────────────────────────────────────┐ │

│ │ 决策控制层 (Decision Layer) │ │

│ │ ┌─────────────┐ ┌─────────────┐ ┌─────────────┐ ┌─────────────┐ │ │

│ │ │ 路径规划 │ │ 避障导航 │ │ 通信管理 │ │ 应急响应 │ │ │

│ │ │ (A*+DWA) │ │ (激光雷达) │ │ (4G/5G/卫星) │ │ (预案执行) │ │ │

│ │ └──────┬──────┘ └──────┬──────┘ └──────┬──────┘ └──────┬──────┘ │ │

│ └─────────┼──────────────┼──────────────┼──────────────┼──────────────┘ │

│ │ │ │ │ │

│ └──────────────┴──────────────┴──────────────┘ │

│ │ │

│ ▼ │

│ ┌─────────────────────────────────────────────────────────────────────┐ │

│ │ 执行层 (Actuation Layer) │ │

│ │ ┌─────────────┐ ┌─────────────┐ ┌─────────────┐ ┌─────────────┐ │ │

│ │ │ 全向移动底盘 │ │ 云台控制系统 │ │ 声光报警 │ │ 数据记录 │ │ │

│ │ │ (麦克纳姆轮) │ │ (双轴云台) │ │ (LED+蜂鸣器) │ │ (SD卡+云端) │ │ │

│ │ └─────────────┘ └─────────────┘ └─────────────┘ └─────────────┘ │ │

│ └─────────────────────────────────────────────────────────────────────┘ │

│ │

└─────────────────────────────────────────────────────────────────────────────┘

核心逻辑讲解

1. 多模态融合检测引擎

技术原理：

- 可见光烟火检测： 采用改进的YOLOv8模型，针对火焰和烟雾进行优化训练

- 热成像分析： 通过红外热像仪检测异常高温区域，可穿透部分烟雾

- 气体传感融合： MQ-2（可燃气体）+ MQ-135（空气质量）双重检测

- 时序分析： 使用LSTM网络分析连续帧变化，减少误报

融合策略：

威胁评分 = α×视觉置信度 + β×热成像异常度 + γ×气体浓度指数 + δ×时序一致性

其中：α + β + γ + δ = 1，默认权重：[0.4, 0.3, 0.2, 0.1]

2. 自适应路径规划

巡逻策略：

- 全覆盖模式： 基于栅格地图的A*算法，确保无死角巡逻

- 热点追踪模式： 发现疑似火源后，动态调整路径靠近观察

- 返航模式： 检测到高风险时，沿最优路径返回基站充电并上报

动态窗口法(DWA)避障：

def dynamic_window_control(current_vel, goal, obstacles):

# 生成候选速度空间

Vr = calc_dynamic_window(current_vel)

# 评估每条轨迹

best_trajectory = None

best_score = -float('inf')

for v in Vr:

trajectory = predict_trajectory(v)

obstacle_cost = calc_obstacle_cost(trajectory, obstacles)

goal_cost = calc_goal_cost(trajectory, goal)

velocity_cost = calc_velocity_cost(v)

total_score = goal_cost + obstacle_cost + velocity_cost

if total_score > best_score:

best_score = total_score

best_trajectory = trajectory

return best_trajectory

3. 智能预警机制

四级预警体系：

等级 名称 触发条件 响应措施

一级 观察 疑似烟雾/热源，置信度<0.6 持续跟踪，增加采样频率

二级 关注 中度疑似，置信度0.6-0.8 调整云台对准，准备报警

三级 警告 高度疑似，置信度>0.8 声光报警，通知监控中心

四级 紧急 确认火情，置信度>0.95 启动应急协议，联系消防部门

📁 项目结构

forest-fire-patrol-robot/

│

├── README.md # 项目说明文档

├── requirements.txt # Python依赖包

├── .gitignore # Git忽略文件

├── LICENSE # 开源许可证

│

├── config/

│ ├── settings.yaml # 主配置文件

│ ├── fire_classes.yaml # 火情类别定义

│ └── patrol_routes.yaml # 巡逻路线配置

│

├── src/

│ ├── __init__.py

│ │

│ ├── perception/ # 感知模块

│ │ ├── __init__.py

│ │ ├── camera_manager.py # 摄像头管理

│ │ ├── thermal_camera.py # 热成像处理

│ │ ├── gas_sensor.py # 气体传感器

│ │ ├── gps_module.py # GPS定位

│ │ ├── fire_detector.py # 烟火检测器

│ │ └── smoke_analyzer.py # 烟雾分析器

│ │

│ ├── fusion/ # 多模态融合

│ │ ├── __init__.py

│ │ ├── sensor_fusion.py # 传感器融合

│ │ └── threat_assessor.py # 威胁评估

│ │

│ ├── navigation/ # 导航模块

│ │ ├── __init__.py

│ │ ├── path_planner.py # 路径规划

│ │ ├── obstacle_avoidance.py # 避障

│ │ ├── slam_localization.py # SLAM定位

│ │ └── patrol_scheduler.py # 巡逻调度

│ │

│ ├── control/ # 控制模块

│ │ ├── __init__.py

│ │ ├── motion_controller.py # 运动控制

│ │ ├── gimbal_controller.py # 云台控制

│ │ └── emergency_response.py # 应急响应

│ │

│ ├── communication/ # 通信模块

│ │ ├── __init__.py

│ │ ├── lte_communicator.py # 4G/5G通信

│ │ ├── satellite_comm.py # 卫星通信

│ │ └── data_transmitter.py # 数据传输

│ │

│ ├── storage/ # 存储模块

│ │ ├── __init__.py

│ │ ├── local_storage.py # 本地存储

│ │ └── cloud_sync.py # 云端同步

│ │

│ ├── utils/ # 工具模块

│ │ ├── __init__.py

│ │ ├── logger.py # 日志工具

│ │ ├── image_utils.py # 图像处理

│ │ ├── math_utils.py # 数学工具

│ │ └── alert_system.py # 报警系统

│ │

│ └── main.py # 主程序入口

│

├── models/ # 模型文件

│ ├── fire_detection/ # 烟火检测模型

│ │ ├── yolov8_fire.pt

│ │ └── fire_classifier.h5

│ ├── smoke_analysis/ # 烟雾分析模型

│ │ └── cnn_lstm_smoke.pth

│ └── thermal_analysis/ # 热成像分析

│ └── thermal_cnn.pt

│

├── scripts/ # 实用脚本

│ ├── calibrate_sensors.py # 传感器标定

│ ├── train_models.py # 模型训练

│ ├── simulate_fire.py # 火灾模拟测试

│ ├── deploy_edge.py # 边缘部署

│ └── system_diagnostics.py # 系统诊断

│

├── tests/ # 单元测试

│ ├── test_detectors.py

│ ├── test_navigation.py

│ └── test_fusion.py

│

├── docs/ # 文档

│ ├── api_reference.md

│ ├── deployment_guide.md

│ ├── troubleshooting.md

│ └── hardware_setup.md

│

└── data/ # 数据目录

├── training_data/ # 训练数据

├── logs/ # 运行日志

└── captures/ # 采集的图像

💻 核心代码实现

1. 主配置文件

"config/settings.yaml"

# 林区防火巡逻小车配置文件

# Forest Fire Patrol Robot Configuration

# ==================== 系统基础配置 ====================

system:

name: "ForestFirePatrolBot-v1.0"

version: "1.0.0"

debug_mode: false

log_level: "INFO"

timezone: "Asia/Shanghai"

# ==================== 巡逻参数配置 ====================

patrol:

mode: "auto" # auto/manual/preset

coverage_area: 500 # 巡逻覆盖面积（公顷）

patrol_speed: 1.5 # 正常巡逻速度 (m/s)

hotspot_speed: 2.0 # 热点追踪速度 (m/s)

patrol_interval: 3600 # 巡逻间隔（秒）

battery_threshold: 20 # 电量警戒阈值 (%)

# 巡逻时间段配置

schedule:

morning: "06:00-09:00"

noon: "11:00-14:00" # 火灾高发时段

afternoon: "15:00-18:00"

night: "20:00-23:00" # 夜班巡逻

# ==================== 视觉检测配置 ====================

vision:

# 可见光摄像头

visible_light:

device_id: 0

resolution: [1920, 1080]

fps: 30

exposure_mode: "auto"

white_balance: "auto"

# 热成像摄像头

thermal:

device_id: 1

resolution: [160, 120]

fps: 9

temperature_range: [-20, 500] # 温度范围 (°C)

emissivity: 0.95

# 烟火检测模型

fire_detection:

model_path: "models/fire_detection/yolov8_fire.pt"

conf_threshold: 0.5

iou_threshold: 0.45

classes: ["fire", "smoke", "flame", "spark"]

input_size: [640, 640]

# 烟雾分析

smoke_analysis:

model_path: "models/smoke_analysis/cnn_lstm_smoke.pth"

sequence_length: 16 # 时序分析帧数

smoke_types: ["light_smoke", "heavy_smoke", "black_smoke"]

# ==================== 气体传感器配置 ====================

gas_sensors:

mq2: # 可燃气体传感器

pin: 17

warmup_time: 60 # 预热时间（秒）

ro_clean_air: 9.83 # 清洁空气中阻值

a: 116.6020682

b: -2.769034857

lpg_threshold: 2000 # LPG报警阈值

co_threshold: 100 # CO报警阈值

smoke_threshold: 3000 # 烟雾报警阈值

mq135: # 空气质量传感器

pin: 27

warmup_time: 60

ro_clean_air: 10.0

a: 110.47

b: -2.862

nh3_threshold: 100

nox_threshold: 100

benzene_threshold: 100

# ==================== 定位导航配置 ====================

navigation:

# GPS配置

gps:

port: "/dev/ttyUSB0"

baudrate: 9600

update_rate: 1 # Hz

coordinate_system: "WGS84"

# SLAM配置

slam:

algorithm: "cartographer" # cartographer/gmapping

map_resolution: 0.05 # 地图分辨率 (m)

map_update_interval: 1.0 # 地图更新间隔 (s)

use_lidar: true

lidar_port: "/dev/ttyUSB1"

# 路径规划

path_planning:

algorithm: "hybrid_astar" # astar/hybrid_astar/rrt*

safety_distance: 1.0 # 安全距离 (m)

max_curvature: 0.5 # 最大曲率

look_ahead_distance: 2.0 # 前瞻距离 (m)

# 避障配置

obstacle_avoidance:

enabled: true

max_obstacle_distance: 5.0 # 最大障碍物检测距离 (m)

min_obstacle_distance: 0.3 # 最小安全距离 (m)

dynamic_obstacle_prediction: true

# ==================== 通信配置 ====================

communication:

# 4G/5G通信

lte:

enabled: true

apn: "cmnet"

server_url: "https://api.fire-monitor.com"

upload_interval: 30 # 数据上传间隔 (s)

heartbeat_interval: 60 # 心跳间隔 (s)

# 卫星通信（备用）

satellite:

enabled: true

provider: "iridium" # iridium/inmarsat

upload_priority: "emergency" # emergency/normal

# 数据传输

data_transmission:

compression: true

image_quality: 85 # JPEG质量 (0-100)

video_bitrate: "2Mbps"

max_retry: 3

# ==================== 应急响应配置 ====================

emergency:

# 报警阈值

alert_thresholds:

level_1: 0.6 # 观察级

level_2: 0.8 # 关注级

level_3: 0.9 # 警告级

level_4: 0.95 # 紧急级

# 通知配置

notifications:

sms_enabled: true

call_enabled: true

email_enabled: true

recipients:

- phone: "+86138xxxx1234"

role: "forest_ranger"

- phone: "+86139xxxx5678"

role: "fire_station"

# 应急协议

protocols:

level_4_actions:

- "stop_patrol"

- "approach_fire_source"

- "capture_high_res_images"

- "activate_siren"

- "send_emergency_alert"

- "record_gps_track"

# ==================== 硬件配置 ====================

hardware:

# 底盘电机

motors:

left_front:

pwm_pin: 12

dir_pin: 13

encoder_pin_a: 14

encoder_pin_b: 15

right_front:

pwm_pin: 16

dir_pin: 17

encoder_pin_a: 18

encoder_pin_b: 19

left_rear:

pwm_pin: 20

dir_pin: 21

encoder_pin_a: 22

encoder_pin_b: 23

right_rear:

pwm_pin: 24

dir_pin: 25

encoder_pin_a: 26

encoder_pin_b: 27

pwm_frequency: 20000 # PWM频率 (Hz)

max_speed: 3.0 # 最大速度 (m/s)

# 云台控制

gimbal:

pan_servo_pin: 5

tilt_servo_pin: 6

pan_range: [-90, 90] # 水平转动范围 (度)

tilt_range: [-30, 60] # 俯仰转动范围 (度)

tracking_speed: 60 # 跟踪速度 (度/秒)

# LED指示灯

led_indicators:

status_led: 2

warning_led: 3

error_led: 4

# 蜂鸣器

buzzer:

pin: 8

frequency_normal: 1000 # 正常频率 (Hz)

frequency_warning: 2000 # 警告频率 (Hz)

frequency_emergency: 4000 # 紧急频率 (Hz)

# ==================== 数据存储配置 ====================

storage:

local:

base_path: "/data/forest_patrol"

image_format: "jpg"

video_format: "mp4"

max_storage_days: 30 # 本地存储天数

image_quality: 90

cloud:

enabled: true

provider: "aliyun" # aliyun/aws/azure

bucket: "forest-fire-data"

sync_interval: 300 # 云端同步间隔 (s)

retention_days: 365 # 云端保留天数

# ==================== 调试配置 ====================

debug:

enabled: true

visualize_detections: true

save_test_images: true

performance_monitoring: true

mock_hardware: false # 模拟硬件模式

2. 烟火检测器模块

"src/perception/fire_detector.py"

"""

烟火检测器模块

Fire and Smoke Detection Module

基于YOLOv8的改进模型，专门检测森林火灾中的火焰、烟雾等目标。

支持多尺度检测、时序分析和热成像融合。

"""

import cv2

import numpy as np

import torch

from typing import List, Dict, Tuple, Optional, Generator

from dataclasses import dataclass, field

from enum import Enum

from collections import deque

import time

import logging

from pathlib import Path

logger = logging.getLogger(__name__)

class FireClass(Enum):

"""火情类别枚举"""

FIRE = "fire" # 明火

SMOKE = "smoke" # 烟雾

FLAME = "flame" # 火焰

SPARK = "spark" # 火星/火花

HEAT_SOURCE = "heat_source" # 热源

UNKNOWN = "unknown"

@dataclass

class FireDetection:

"""火情检测结果数据类"""

bbox: Tuple[int, int, int, int] # (x1, y1, x2, y2)

confidence: float # 检测置信度

fire_class: FireClass # 火情类别

class_id: int # 类别ID

center: Tuple[int, int] # 中心点坐标

area_ratio: float # 占画面面积比

thermal_value: Optional[float] = None # 热成像温度值

gas_concentration: Optional[Dict[str, float]] = None # 气体浓度

trajectory: List[Tuple[int, int]] = field(default_factory=list) # 运动轨迹

first_seen: float = field(default_factory=time.time) # 首次出现时间

last_updated: float = field(default_factory=time.time) # 最后更新时间

def to_dict(self) -> Dict:

"""转换为字典格式"""

return {

"bbox": self.bbox,

"confidence": self.confidence,

"class": self.fire_class.value,

"class_id": self.class_id,

"center": self.center,

"area_ratio": self.area_ratio,

"thermal_value": self.thermal_value,

"gas_concentration": self.gas_concentration,

"trajectory": self.trajectory,

"first_seen": self.first_seen,

"last_updated": self.last_updated

}

@dataclass

class DetectionConfig:

"""检测配置数据类"""

model_path: str

conf_threshold: float = 0.5

iou_threshold: float = 0.45

classes: List[str] = None

input_size: Tuple[int, int] = (640, 640)

device: str = "auto"

temporal_window: int = 16 # 时序分析窗口大小

motion_threshold: float = 5.0 # 运动检测阈值

class FireDetector:

"""

基于YOLOv8的烟火检测器

专门针对森林火灾场景优化的目标检测器，具有以下特性：

1. 多尺度检测：针对不同距离的火源优化检测

2. 时序分析：使用LSTM分析连续帧变化，减少误报

3. 热成像融合：结合红外温度数据进行交叉验证

4. 运动追踪：追踪火源移动轨迹和扩散趋势

5. 误报过滤：基于规则和学习的双重过滤机制

Attributes:

model: YOLOv8模型实例

config: 检测配置

temporal_buffer: 时序数据缓冲区

tracked_objects: 跟踪的目标列表

performance_stats: 性能统计信息

"""

# 火情类别映射（扩展COCO数据集）

FIRE_CLASSES = {

0: FireClass.FIRE,

1: FireClass.SMOKE,

2: FireClass.FLAME,

3: FireClass.SPARK,

4: FireClass.HEAT_SOURCE

}

# 误报过滤规则

FALSE_POSITIVE_PATTERNS = {

"sunlight": lambda det, frame: det.area_ratio < 0.01 and det.center[0] > frame.shape[1] * 0.8,

"reflection": lambda det, frame: det.confidence < 0.6 and det.area_ratio < 0.005,

"dust": lambda det, frame: det.fire_class == FireClass.SMOKE and det.thermal_value < 35.0,

"steam": lambda det, frame: det.fire_class == FireClass.SMOKE and det.center[1] < frame.shape[0] * 0.3

}

def __init__(self, config: DetectionConfig):

"""

初始化烟火检测器

Args:

config: 检测配置对象

Raises:

RuntimeError: 模型加载失败时抛出

"""

self.config = config

self.model: Optional[torch.nn.Module] = None

self.device = self._get_optimal_device()

self.temporal_buffer: deque = deque(maxlen=config.temporal_window)

self.tracked_objects: Dict[int, FireDetection] = {}

self.object_counter = 0

self._performance_stats = {

"inference_times": [],

"detection_counts": [],

"false_positives": 0,

"true_positives": 0

}

# 加载模型

self._load_model()

# 初始化时序分析模型

self._init_temporal_model()

logger.info(f"烟火检测器初始化完成，运行设备: {self.device}")

def _get_optimal_device(self) -> str:

"""

获取最优计算设备

Returns:

str: 设备标识符

"""

if self.config.device != "auto":

return self.config.device

# 优先级：CUDA > MPS > CPU

if torch.cuda.is_available():

device = "cuda"

gpu_name = torch.cuda.get_device_name(0)

gpu_memory = torch.cuda.get_device_properties(0).total_memory / 1024**3

logger.info(f"使用CUDA加速: {gpu_name} ({gpu_memory:.1f}GB)")

elif hasattr(torch.backends, 'mps') and torch.backends.mps.is_available():

device = "mps"

logger.info("使用Apple MPS加速")

else:

device = "cpu"

logger.info("使用CPU运行（建议配置GPU以获得更好性能）")

return device

def _load_model(self):

"""加载YOLOv8烟火检测模型"""

try:

from ultralytics import YOLO

logger.info(f"正在加载烟火检测模型: {self.config.model_path}")

# 加载模型

self.model = YOLO(self.config.model_path)

# 移动到指定设备

if self.device != "cpu":

self.model.to(self.device)

# 设置模型参数

self.model.conf = self.config.conf_threshold

self.model.iou = self.config.iou_thres

利用AI解决实际问题，如果你觉得这个工具好用，欢迎关注长安牧笛！