草原火灾是一种破坏性极强的自然灾害,不仅严重危害草原的生态平衡,而且会给人们的生命安全及财产带来威胁。如果能及时发现火灾并尽早进行灭火,则可以最大程度上减少生命财产和自然生态损失。目前国内草原火灾监测手段主要是人工监测,这种监测手段的监测成本大,效率低,实时性差,而且很难做到完全检测,因此信息化草原火灾检测手段是目前的研究热点。由于草原火灾监测任务量大、工作内容复杂,因此本文采用多无人机搭载双目摄像头协同对草原火情监测进行研究,主要工作如下:(1)在多无人机协同监测草原火灾时,对多无人机区域划分和网络精分路径规划进行研究,改进多无人机基于性能的区域划分算法,减少了多无人机飞行路径。对待检测草原面积、无人机数量和完成时间三者进行相关性研究,根据实际需求,给出合理的无人机监测方案。选取面积为285.45km~2的多边形草原区域进行仿真实验,改进的算法比原算法的无人机飞行路径减少11.02%,当采用5架无人机监测多边形草原火灾时,在任务完成时间上,改进的算法比原算法缩短了13.2分钟。(2)由于目前对草原火灾的研究没有公开统一的数据集,通过前期对数据集的收集和处理,建立了一套草原火灾烟雾和火焰的数据集。并使用电子稳像技术和图像直方图均衡化方法对数据集进行增强处理,提高数据集的清晰度和背景对比度。(3)草原火灾早期通常表现出烟雾的特征,因此首先对烟雾进行识别研究。由于火灾的检测不仅需要较高的准确性,同时也需要检测实时性,本文选用比较先进的FasterR-CNN、SSD和YOLOv5网络进行研究。通过在自建数据集上训练,三种模型的mAP(平均精度均值)分别为75.33%、72.89%、86.74%,FPS(帧速率)分别为8、15、75,可以看出YOLOv5的性能相对更好。但对草原火灾烟雾检测而言,YOLOv5的mAP依旧偏低,因此对YOLOv5网络进一步优化,选用DIoU损失函数改进YOLOv5网络模型,并对新模型进行训练,改进的YOLOv5在mAP上提升了2.53%,检测精度得到了提高。(4)对草原火灾中后期普通图像和红外热成像图像的火焰识别进行了研究。草原一旦起火,火焰将受风度、植被干湿度和地势等因素影响,迅速向四周蔓延,形成一个动态向外扩张的圈,因此根据草原火焰发展特征,提出了一种火焰静态与动态特征结合的方法来识别检测火灾。首先通过火焰静态特征判断是否有疑似火点,普通图像通过研究RGB、HSV、Lab颜色模型的阈值分割法,对比发现Lab颜色模型对草原火焰的分割效果更好;红外热成像图像采用温度阈值法识别分割红外热成像火焰。其次通过草原火焰动态变化特征进一步识别,判断是否为火点。对于面积变化特征,普通图像首先采用暗通道先验算法对图像进行去烟处理,然后利用阈值分割法得到燃烧区域的二值图;红外热成像图像通过设定温度阈值范围得到燃烧区域二值图,对二值图采用形态学开运算消除噪声,判断连续图像序列上过火面积是否增大。若过火面积增大,再使用轮廓变化特征进行判断,采用Canny算法对连续帧的二值图进行轮廓提取,通过Hu1矩值判断草原火灾动态的轮廓是否变化,若轮廓发生变化,则判断有火灾。并且采用坐标系转换法实现了火点定位。