基于YOLOv5的森林火災檢測方法研究

摘 要：針對人工監測森林火災困難等問題，提出一種基于YOLOv5的森林火災檢測方法，旨在提高火災監測的效率和準確率。首先，對所使用的公開火災圖像數據集進行預處理；然后，通過模型訓練提高森林火災檢測的準確率和實時性；最后，將YOLOv5s、YOLOv5m和YOLOv5l等3種網絡模型進行評估對比。試驗結果表明，YOLOv5l模型構建的森林火災檢測方法在火災圖像識別中體現出了較高的準確率，其準確率達到90%，檢測速率提高了2.4%。

關鍵詞：森林火災檢測；YOLOv5；深度學習；目標檢測

中圖分類號：S762.3 文獻標志碼：A 文章編號：1674-7909（2024）11-148-4

DOI：10.19345/j.cnki.1674-7909.2024.11.034

0 引言

森林火災是一種具有毀滅性的自然災害。傳統的火災檢測手段依賴人工監視，容易出現盲區和漏報，且傳統設備成本高，運行維護復雜。隨著深度學習技術的不斷進步，YOLO系列的目標檢測模型取得了顯著成就［1-2］。YOLOv5是一種高效的目標檢測模型，具有快速、準確的特點，可在實時場景中快速識別目標。

傳統的火災檢測主要依賴煙霧、溫度和火焰傳感器等，花費時間長且易受到環境影響，存在誤報率高、盲區大的缺陷［3-4］。國外學者還利用深度學習算法［5］，對火災相關數據進行分析建模，提高準確率和智能化水平。國內研究機構和企業也在嘗試結合傳感技術、深度學習等，積極探索智能化的火災監測方法［6］。目前，在火災傳感器領域研發了一系列智能傳感器產品［7］。文獻［8］開發了一種先進的火災預警裝置，極大增強了火災監測的準確性與信賴度。文獻［9］提出了一種能夠滿足在建筑、地鐵、地下車庫等場所應用的火災監測技術。

森林火災的破壞性影響是全方位的，加強其防治對保衛民眾的生命和資產、保持社會穩定具有重大意義。因此，筆者提出一個基于YOLOv5模型的森林火災檢測方法，對YOLOv5系列權重模型進行試驗對比，選取綜合性能好的模型，以提升火災偵測的效率。

1 相關理論介紹

1.1 YOLOv5模型介紹

YOLOv5模型標志著YOLO系列在目標檢測技術上的進一步發展，通過引入新的改進措施，優化了算法的效率和準確率。YOLOv5的系統框架包括輸入端、核心處理單元Backbone、過渡層Neck及輸出預測模塊Prediction等4個主要部分。

1.1.1 輸入端

輸入端的主要目的是接收、預處理和準備圖像數據，為算法的檢測和識別任務提供必要的輸入。

1.1.2 核心處理單元Backbone

Backbone網絡利用卷積神經網絡在多種空間分辨率上捕捉并融合圖像特征，生成用于目標檢測的深層次特征圖。

1.1.3 過渡層Neck

在YOLOv5的框架中，Neck區域由多層級構成，這些層級位于主網絡之后，負責在不同尺度上對特征進行深入的提取和綜合，以優化目標檢測的性能。

1.1.4 輸出預測模塊Prediction

該模塊是網絡的核心組成部分，其功能是產生目標檢測的預測邊界框及類別置信度。該檢測頭部由多級卷積層和全連接層構成，以輸出目標的具體位置、所屬類別和檢測置信度。

1.2 YOLOv5的3個權重模型

YOLOv5通過單次前向傳播來實現快速而準確的目標檢測，最新版本提供了3種模型：小型s、中型m和大型l，其多樣性使得YOLOv5能夠靈活適應從簡單到復雜的各種目標檢測任務，進一步擴展了在目標識別領域的應用范圍。

1.2.1 YOLOv5s模型

該模型體積小、參數簡，在移動或嵌入式平臺等資源受限時也能實現卓越的性能，準確率高且速率快，適合對即時性要求較高的應用場景。

1.2.2 YOLOv5m模型

YOLOv5m具有更精細的網絡構架和更多的超參數，適用于檢測準確率要求較高的應用場景。相比于YOLOv5s，其速度可能會略微降低，但在準確率和速度之間取得了平衡。

1.2.3 YOLOv5l模型

該模型有最多的網絡層和參數，適于復雜場景和小目標檢測，常用于對準確率要求極高的領域。但由于其較大的模型規模，YOLOv5l的速度可能會較慢，且對計算資源的要求也更高。

2 模型部署

2.1 整體設計

此研究提出的森林火災檢測方法包含從數據采集到模型部署的各個關鍵步驟，包括數據集收集、數據集標注、調整模型訓練參數和模型訓練。將YOLOv5系列權重模型進行試驗對比，綜合選取性能最優的模型，提高火災偵測的效率和準確率。

2.2 數據集介紹

采用百度飛槳AI Studio的公開火災圖像數據集。該數據集共2 676張圖像，將其按照訓練集、驗證集、測試集約3∶1∶1的比例進行劃分，得到1 442張訓練集，617張驗證集，617張測試集。

使用labelimg對所有圖像標注，框選標記圖片中的火焰部分，分為fire和nofire兩類。再從導出的.xml文件中提取出類別和坐標信息，轉換成.txt格式的標簽數據。每一行數據包括5個部分，第1個數據代表類別，后面4個表示坐標，火的類別用0表示。標注文件中包含目標類別、中心點坐標和寬高信息。

2.3 評估指標

2.3.1 準確率P

準確率是衡量預測準確性的指標，其值為系統準確檢測到的火災目標樣本計數TP/（TP+系統將非火災目標判定為火災目標樣本計數FP）。

2.3.2 召回率R

召回率衡量模型在辨識真實正樣本上的成效，表示正確識別的實際正類別目標的比例，其值為TP/（TP+沒有正確識別出火災目標的樣本數量FN）。

2.3.3 平均準確率AP

平均準確率是指P—R曲線下方的面積，用于評估目標檢測算法的總體表現。通常使用積分進行求值，其值越大，表明模型的準確率越高。然而，平均準確率高并不代表算法在準確率和覆蓋率之間取得了最佳平衡。因此，還需要用P—R曲線來評估算法。

2.3.4 平均準確率均值mAP

平均準確率均值綜合反映了模型在各個類別中對目標的識別準確率，取值范圍為0到1，越接近1表示性能越好，其計算公式見式（1）。

[mAP=1nk=1k=nAPk]" " " " " " " " " " " " " " "（1）

式（1）中：n為類別的總數，AP為類別k的平均準確率。

3 試驗與分析

3.1 試驗環境

輸入的圖像尺寸大小為640*640，批量設置大小設為16，總迭代次數為100次，其他環境配置如表1所示。

3.2 結果分析

3.2.1 Weights文件（權重值）

Weights文件通常用于存儲深度學習模型的參數和權重，包含best.pt和last.pt兩個文件。

best.pt用于存儲訓練過程中在驗證集上效果最佳的模型權重，而last.pt用于存儲模型在最終訓練迭代完成后的狀態。

3.2.2 F1_curve圖表（F1曲線）

F1_curve圖（見圖1）揭示了F1-score與置信度之間的相關性。在置信度0.1到0.6區間內，F1-score較高且穩定，YOLOv5s、YOLOv5m和YOLOv5l的最高點分別為0.64、0.65和0.65。

3.2.3 P_curve圖表（準確率與置信度的關聯圖）

置信度的增加通常意味著更高的檢測準確率，如圖2所示，YOLOv5s、YOLOv5m和YOLOv5l的準確率分別為0.917、0.876和0.900。

3.2.4 R_curve圖表（召回率與置信度的關聯圖）

召回率與置信度的關聯圖反映了模型在不同召回率下的準確率表現，隨著置信度降低，模型能更全面地檢測到各個類別，此時YOLOv5s、YOLOv5m和YOLOv5l的檢測準確率分別為0.85、0.91和0.87，如圖3所示。

3.2.5 PR_curve圖表（精確率與召回率的關聯圖）

準確率的提高往往導致召回率的下降，如圖4所示，YOLOv5s、YOLOv5m和YOLOv5l模型的平均準確率均值分別為0.634、0.636和0.642。曲線下方的面積即為mAP，其衡量了模型的整體性能。

3.2.6 results文檔（訓練成果的可視化結果圖）

圖5是圖像檢測的可視化結果，橫軸代表模型訓練的周期（epoch）。圖5以YOLOv5s模型為例。雖然局部不斷上下波動，但整體波動呈穩步上升，檢測準確率為0.900，召回率為0.87。

3.3 模型對比分析

對YOLOv5的3個權重模型在火災數據集上的訓練結果如表2所示。由于YOLOv5l在網絡結構的深度和寬度上具有優勢，其平均準確率均值高于另外2種模型，在準確率上的表現優于YOLOv5m，雖然略低于YOLOv5s，但綜合權衡速度、準確率等指標，YOLOv5l模型整體上優于另外2種模型。

4 結束語

此研究提出一種基于YOLOv5的森林火災檢測方法，旨在利用深度學習幫助應對火災安全管理的挑戰。試驗表明，該方法能夠迅速精確地辨識出森林火災場景中的火災跡象，極大加強了緊急救援和火災防治的效率。

參考文獻：

［1］王晶磊.基于改進YOLOv5的火災檢測模型研究［D］.太原：中北大學，2023.

［2］王龍興，劉為國，朱洪波.基于改進YOLOv5算法的火災圖像檢測研究［J］.湖北民族大學學報（自然科學版），2022，40（2）：196-201.

［3］張培鴻.基于深度學習的火災報警系統研究［D］.成都：電子科技大學，2023.

［4］章曙光，唐銳，邵政瑞，等.一種基于小波變換的YOLOv5火災檢測改進算法［J］.無線電工程，2023，53（10）：2303-2310.

［5］何盼霞，張梅，齊至家.基于改進YOLO v5的森林火災檢測算法研究［J］.蘭州工業學院學報，2023，30（4）：73-78.

［6］LU B，WEI Y，DU H.Flame Detection based on Lightweight YOLOv5［J］.Journal of Research in Science and Engineering，2023，5（12）.

［7］XIE X，CHEN K，GUO Y，et al.A Flame-Detection Algorithm Using the Improved YOLOv5［J］.Fire，2023，6（8）：313.

［8］武慧，楊玉竹，卜顯峰，等.基于改進YOLOv5的城市火災檢測算法研究［J］.無線電工程，2024，54（6）：1454-1461.

［9］GENG X，SU Y，CAO X，et al.YOLOFM：an improved fire and smoke object detection algorithm based on YOLOv5n.［J］.Scientific reports，2024，14（1）：4543-4543.