摘要
森林的生态功能对人类非常重要，它的安全关乎每一个人。森林防护主要有两个任务，分别是火灾监测和病害的监测。由于森林面积广阔，不管的人工监测还是传统的视频监测都存在着监控盲区，不仅实时性差，而且资源消耗大。因此论文根据无人机的机动灵活性和便捷性设计并研发一种基于无人机的森林火灾和病害的监测系统。 监测无人机穿越森林采集图像时，由于森林环境复杂，存在大量阻挡物，影响无人机的导航。针对上述问题提出一种基于捷联惯导和北斗导航的组合导航，利用北斗卫星的输出信息去修正捷联惯导的偏差，组合导航系统有足够的量测冗余度，当量测信息的某一部分出现故障，系统可以自动切换到另一种组合模式继续工作。 在环境信息不全的情况下，无人机快速地规划一条到达目标监测区域并规划出无碰撞最优路径，是实现森林监测的关键一步。针对上述问题无人机快速地规划一条无碰撞最优路径问题，提出一种基于特权信息的蒙特卡洛算法，结合传统的离散规划方法来计算出一组无碰撞参考轨迹，将所得结果和无人机的速度姿态信息输入到特权信息中，然后采用蒙特卡洛采样算法选择最低碰撞代价的轨迹P(τ|τref)，最后无人机将按照最佳轨迹进行避障飞行。比传统算法更加高效，能更加精确的在森林中实现避障飞行。 由于森林图像信息复杂，无人机在复杂环境中快速准确的识别火灾烟雾和病害并报警。针对森林火情监测情况，提出基于梯度向量流模型的一种改进型的火灾烟雾图像分割模型。改进的模型在弱边缘保护，目标分离以及在保留某些优势（如捕捉范围扩大和初始化不敏感性）的同时收敛到分割目标更深的凹面，因此改进的模型在一些分割问题上优于传统的基于图像的火灾烟雾检测方法。 针对森林病害监测问题上，论文提出了一种基于多尺度融合和深度学习的非局部金字塔注意力树叶病理图分类模型。有效避免检测目标单一，只能针对某种单个病理表现做出分类，在单一尺度上进行操作丢失了部分多尺度的信息。此外树叶的抖动，导致拍摄图片模糊，为了消除模糊，提出了基于端对端的生成对抗网络的运动模糊图像复原方法。实验结果表明，在端对端的生成对抗网络消除图片模糊的基础上基于深度学习的树状病理图分类方法可以有效提高分类的准确性和稳定性。
NETL