基于改進YOLOv5s的無人機火災圖像檢測算法

蘇小東，胡建興，2，陳霖周廷，高宏建

(1.貴州理工學院 航空航天工程學院，貴陽 550003；2.中航貴州飛機有限責任公司，貴州 安順 561000)

0 引言

火災是世界性的自然災害之一，也是日常生活中主要災害，其發生發展不僅對自然環境有著嚴重影響，還威脅著人們的生命與財產安全，因此及時準確地發現火災并預警具有十分重要的研究和現實意義。近年來由于自然和人為原因引發的火災已造成極大的人員傷亡和生態破壞。2020年四川涼山發生森林火災，過火面積超過30 m2，火災造成19人死亡[1]。在2014年，擁有300多年歷史的貴州報京侗寨失火，燒毀房屋100余棟[2]。

傳統的火災檢測算法通過溫度、煙霧傳感器采集相關數據進行火災預測，但是檢測準確性和實時性得不到保證。隨著計算機技術和人工智能技術的不斷發展，深度學習技術已經在圖像識別和檢測方面展示了良好性能，被廣泛應用到火災檢測和預警。基于深度學習的目標檢測算法，如：R-CNN[3]、Fast R-CNN[4]、Faster R-CNN[5]、YOLO[6-9]、SSD[10]、RetinaNet[11]、EfficientDet[12]等。這些算法根據原理不同被分為：單階段目標檢測算法和雙階段目標檢測算法。YOLO從2016年被提出就受到廣泛關注，作為基于回歸的單階段目標檢測算法，其在COCO數據集上均表現出良好性能，但對于無人機航拍圖像，其在檢測速度上仍然達不到實時要求，模型比較大，對設備硬件要求比較高，不能夠很好的部署在無人機平臺[13-15]。

在火災檢測領域，晉耀[16]采用 Anchor-Free 網絡結構，在MobileNetV2 網絡后引入特征金字塔結構，模型AP50達到90%，單張火災圖片檢測時間為40.1 ms。……