


















摘 要:為解決森林防火工作中監(jiān)測(cè)預(yù)警不及時(shí)、不準(zhǔn)確的問題,基于YOLOv8 模型提出了一種面向復(fù)雜場(chǎng)景的監(jiān)測(cè)技術(shù),實(shí)現(xiàn)了森林火情的快速準(zhǔn)確監(jiān)測(cè)。在Backbone 部分引入動(dòng)態(tài)蛇形卷積(Dynamic Snake Convolution,DySConv)模塊和全局注意力機(jī)制(Global Attention Mechanism,GAM)模塊,顯著增強(qiáng)了模型的特征提取能力,提升了煙火特征的表現(xiàn)力。采用WIoU(Wise Intersection over Union)損失函數(shù),增強(qiáng)網(wǎng)絡(luò)對(duì)普通質(zhì)量錨框的關(guān)注度,從而提供更準(zhǔn)確的目標(biāo)檢測(cè)評(píng)估。通過將DyHead 模塊集成到檢測(cè)頭中,增強(qiáng)了檢測(cè)頭的尺寸、空間和任務(wù)感知能力,優(yōu)化了整體性能。為了對(duì)模型性能進(jìn)行嚴(yán)格評(píng)估,設(shè)計(jì)了消融實(shí)驗(yàn)和主流模型對(duì)比實(shí)驗(yàn),結(jié)果表明,提出的方法是有效的,該方法的權(quán)重大小為14. 4 MB,平均精度均值(mean Average Precision,mAP)@ . 5:. 95 達(dá)到80. 3% 。相較于YOLOv8,mAP@ 5:. 95 提高了8. 7% 。該模型可為遠(yuǎn)程火情監(jiān)控與預(yù)警提供技術(shù)支持,在森林防火工作中具備實(shí)用價(jià)值和現(xiàn)實(shí)意義。
關(guān)鍵詞:森林火情;深度學(xué)習(xí);目標(biāo)檢測(cè);YOLOv8
中圖分類號(hào):TP399 文獻(xiàn)標(biāo)志碼:A 開放科學(xué)(資源服務(wù))標(biāo)識(shí)碼(OSID):
文章編號(hào):1003-3114(2024)04-0779-10
0 引言
火災(zāi)事故的發(fā)生對(duì)人類生命和財(cái)產(chǎn)造成不可估量的損害,也對(duì)社會(huì)生態(tài)環(huán)境構(gòu)成巨大威脅。然而,森林火災(zāi)作為災(zāi)難性事件,可能導(dǎo)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(yù)警和快速抑制森林火情是必不可少的[3]。
目前,計(jì)算機(jī)視覺、機(jī)器學(xué)習(xí)快速發(fā)展,圖像檢測(cè)技術(shù)為識(shí)別火災(zāi)場(chǎng)景提供了巨大的機(jī)會(huì)[4]。現(xiàn)有的火情檢測(cè)研究可以分為兩大類:傳統(tǒng)方法和基于深度學(xué)習(xí)的方法[5]。傳統(tǒng)方法大多數(shù)手動(dòng)提取顏色、運(yùn)動(dòng)、形狀和紋理等特征[6]來識(shí)別目標(biāo)區(qū)域,在火災(zāi)檢測(cè)領(lǐng)域做出了一定貢獻(xiàn),但仍存在計(jì)算時(shí)間長、主觀性較強(qiáng)等問題。……