基于改進YOLOv5的特征抑制多尺度林火檢測算法

高源,楊堃,曹磊,業巧林

(南京林業大學信息科學與技術學院,南京 210037)

近年來,隨著溫室氣體的加劇排放,森林火災頻發,已成為一種世界性的自然災害,越來越受到人們的關注。目前已有的林火檢測技術有遙感、地理信息系統(GIS)、網絡等現代高新技術,給人類研究林火檢測提供了保障。隨著圖像處理技術和計算機算力的發展,基于圖像處理的林火識別方法得到了空前的發展。針對林火檢測問題,業界把機器學習中的模式識別和深度學習中的圖像處理相結合,捕捉實時的數字圖像,然后把圖像傳入計算機中分析和處理,進行特征的提取[1],為林火檢測領域提出了許多解決方案。傳統機器視覺在稍微復雜的場景下具有相對較差的魯棒性,對于工作中的實際需求往往起不到很好的效果。目前,卷積神經網絡已經被廣泛應用于森林火災的預防和農業檢測中。經典的算法如RCNN、Faster-RCNN、SSD、YOLO等。但這些方法模型較大,檢測速度較慢。除了檢測算法的不足,無人機作為一種在高危地區進行探測任務的常用方式,由于飛行高度較高,導致拍出的圖片小目標多,特征提取難度大;另外無人機飛行速度快,拍攝時抖動大,使得照片模糊;最后,在高空拍攝的場景較為復雜,小目標可能被其他物體所遮擋掩蓋[2]。

在森林火災監測中,傳統的識別方法都是基于火焰的顯著特征進行識別。以卷積神經網絡為代表的深度學習由于其對圖像優異的表征性能和目標特征的精確刻畫,被廣泛應用于以處理圖像為核心的計算機視覺任務中,如圖像分類、語義分割、目標檢測。……