面向復(fù)雜場(chǎng)景的森林防火監(jiān)測(cè)技術(shù)研究

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。……