面向復雜場景的森林防火監測技術研究

摘 要：為解決森林防火工作中監測預警不及時、不準確的問題，基于ＹＯＬＯｖ８ 模型提出了一種面向復雜場景的監測技術，實現了森林火情的快速準確監測。在Ｂａｃｋｂｏｎｅ 部分引入動態蛇形卷積（Ｄｙｎａｍｉｃ Ｓｎａｋｅ Ｃｏｎｖｏｌｕｔｉｏｎ，ＤｙＳＣｏｎｖ）模塊和全局注意力機制（Ｇｌｏｂａｌ Ａｔｔｅｎｔｉｏｎ Ｍｅｃｈａｎｉｓｍ，ＧＡＭ）模塊，顯著增強了模型的特征提取能力，提升了煙火特征的表現力。采用ＷＩｏＵ（Ｗｉｓｅ Ｉｎｔｅｒｓｅｃｔｉｏｎ ｏｖｅｒ Ｕｎｉｏｎ）損失函數，增強網絡對普通質量錨框的關注度，從而提供更準確的目標檢測評估。通過將ＤｙＨｅａｄ 模塊集成到檢測頭中，增強了檢測頭的尺寸、空間和任務感知能力，優化了整體性能。為了對模型性能進行嚴格評估，設計了消融實驗和主流模型對比實驗，結果表明，提出的方法是有效的，該方法的權重大小為１４． ４ ＭＢ，平均精度均值（ｍｅａｎ Ａｖｅｒａｇｅ Ｐｒｅｃｉｓｉｏｎ，ｍＡＰ）＠ ． ５：． ９５ 達到８０． ３％ 。相較于ＹＯＬＯｖ８，ｍＡＰ＠ ５：． ９５ 提高了８． ７％ 。該模型可為遠程火情監控與預警提供技術支持，在森林防火工作中具備實用價值和現實意義。

關鍵詞：森林火情；深度學習；目標檢測；ＹＯＬＯｖ８

中圖分類號：ＴＰ３９９ 文獻標志碼：Ａ 開放科學（資源服務）標識碼（ＯＳＩＤ）：

文章編號：１００３－３１１４（２０２４）０４－０７７９－１０

０ 引言

火災事故的發生對人類生命和財產造成不可估量的損害，也對社會生態環境構成巨大威脅。然而，森林火災作為災難性事件，可能導致森林破壞和空氣污染，從而加劇全球氣候變化［１－２］。因此，及早預警和快速抑制森林火情是必不可少的［３］。

目前，計算機視覺、機器學習快速發展，圖像檢測技術為識別火災場景提供了巨大的機會［４］。現有的火情檢測研究可以分為兩大類：傳統方法和基于深度學習的方法［５］。傳統方法大多數手動提取顏色、運動、形狀和紋理等特征［６］來識別目標區域，在火災檢測領域做出了一定貢獻，但仍存在計算時間長、主觀性較強等問題。……