面向復(fù)雜場景的森林防火監(jiān)測技術(shù)研究

摘 要：為解決森林防火工作中監(jiān)測預(yù)警不及時、不準確的問題，基于ＹＯＬＯｖ８ 模型提出了一種面向復(fù)雜場景的監(jiān)測技術(shù)，實現(xiàn)了森林火情的快速準確監(jiān)測。在Ｂａｃｋｂｏｎｅ 部分引入動態(tài)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(xiàn)力。采用ＷＩｏＵ（Ｗｉｓｅ Ｉｎｔｅｒｓｅｃｔｉｏｎ ｏｖｅｒ Ｕｎｉｏｎ）損失函數(shù)，增強網(wǎng)絡(luò)對普通質(zhì)量錨框的關(guān)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(wù)感知能力，優(yōu)化了整體性能。為了對模型性能進行嚴格評估，設(shè)計了消融實驗和主流模型對比實驗，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(jiān)控與預(yù)警提供技術(shù)支持，在森林防火工作中具備實用價值和現(xiàn)實意義。

關(guān)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(wù)）標識碼（ＯＳＩＤ）：

文章編號：１００３－３１１４（２０２４）０４－０７７９－１０

０ 引言

火災(zāi)事故的發(fā)生對人類生命和財產(chǎn)造成不可估量的損害，也對社會生態(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，計算機視覺、機器學習快速發(fā)展，圖像檢測技術(shù)為識別火災(zāi)場景提供了巨大的機會［４］。現(xiàn)有的火情檢測研究可以分為兩大類：傳統(tǒng)方法和基于深度學習的方法［５］。傳統(tǒng)方法大多數(shù)手動提取顏色、運動、形狀和紋理等特征［６］來識別目標區(qū)域，在火災(zāi)檢測領(lǐng)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。

與上述傳統(tǒng)方法相比，基于深度學習的方法檢測火焰和煙霧對象是一種更優(yōu)的方案［５］。采用神經(jīng)網(wǎng)絡(luò)來自動學習火災(zāi)圖像特征，具有高效的檢測性能，在火災(zāi)檢測相關(guān)研究中已取得了顯著成果。Ｚｈａｎｇ 等［７］通過卷積神經(jīng)網(wǎng)絡(luò)（Ｃｏｎｖｏｌｕｔｉｏｎ ＮｅｕｒａｌＮｅｔｗｏｒｋ，ＣＮＮ）模型對小波分析生成的煙霧候選區(qū)域進行濾波，定位圖片中火焰和煙霧的位置，在變電站場景下的火災(zāi)檢測中取得了較好的效果。Ｚｈａｎ等［８］采用改進ＳＳＤ（Ｓｉｎｇａｌ Ｓｈｏｔ ｍｕｌｔｉｂｏｘ Ｄｅｔｅｃｔｏｒ）算法提高了火災(zāi)檢測中對低分辨率圖像和小物體的檢測性能。在一些研究中通過Ｆａｓｔｅｒ ＲＣＮＮ 算法檢測出圖像中的火災(zāi)、非火災(zāi)區(qū)域，然后通過格拉斯曼流形分析或長短期記憶對邊界框內(nèi)的特征進行匯總分類［９－１０］，最終做出的火災(zāi)決策也較為準確。ＹＯＬＯ作為經(jīng)典目標檢測算法之一，以快速檢測著稱，在火災(zāi)檢測應(yīng)用中，更是表現(xiàn)出了優(yōu)異的性能。在識別船舶火災(zāi)應(yīng)用中，改進ＹＯＬＯｖ４-ｔｉｎｙ 算法在精度和召回率等評價指標上都勝于ＳＳＤ 算法［１１］；在森林火災(zāi)探測應(yīng)用中，基于改進ＹＯＬＯｖ５ 模型，大幅度提高了小目標的森林火災(zāi)檢測的平均精度均值（ｍｅａｎＡｖｅｒａｇｅ Ｐｒｅｃｉｓｉｏｎ，ｍＡＰ），使整個模型對森林火災(zāi)場景極具魯棒性［１２］。綜上所述ＹＯＬＯ 算法在目標檢測問題中是行之有效的方法。

從近期森林火災(zāi)領(lǐng)域的研究來看，實現(xiàn)森林火情準確探測，并真正具備實際應(yīng)用價值仍然是一個艱巨的挑戰(zhàn)。Ｑｉａｎ 等［２］提出了一種集成方法，實現(xiàn)了既能識別大目標又能識別小目標的火焰檢測。但未對森林火災(zāi)場景中的煙霧進行識別。Ｘｉａｏ 等［１３］提出一種基于ＹＯＬＯｖ７ 的輕量級小目標檢測模型，該模型在參數(shù)數(shù)量上達到了２７． ５ Ｍ，但對于實際應(yīng)用的便攜式監(jiān)控部署，仍有改進的空間。因此，在森林火情檢測領(lǐng)域仍然迫切需要一個既能全面的考慮森林火情場景，又具有較為準確的監(jiān)測精度的方法，來滿足實際森林防火應(yīng)用需求。

本文選用ＹＯＬＯ 系列的ＹＯＬＯｖ８ 作為基準模型，并進行了改進，有效改善森林火災(zāi)場景下煙霧和火焰目標識別精度低，漏檢高的問題，最終模型權(quán)重大小僅有１４． ４ ＭＢ，可滿足實際應(yīng)用部署。

１ 數(shù)據(jù)準備

１． １ 數(shù)據(jù)獲取

目前，適用本研究的公開數(shù)據(jù)集并不廣泛。大多數(shù)火災(zāi)公開數(shù)據(jù)集場景較單一，且質(zhì)量不高。因此，本文手動搜集了一系列森林火災(zāi)圖像樣本，形成本研究的數(shù)據(jù)集。數(shù)據(jù)集共有６ ３８８ 張圖像，這些圖像來自不同的現(xiàn)實環(huán)境，如白天、黑夜、大霧、近端拍攝、監(jiān)控和航拍等。這些豐富的場景給本文火情檢測任務(wù)帶來了重大挑戰(zhàn)。例如黑夜的燈光、層積的烏云和大霧天氣等在鏡頭下會對目標產(chǎn)生極強的干擾，但這也將有助于本文建立強大的模型。圖１展示了數(shù)據(jù)集的部分圖像。

本文將森林火情監(jiān)測目標分為兩類：火焰（ｆｉｒｅ）和煙霧（ｓｍｏｋｅ），并將數(shù)據(jù)集分成訓(xùn)練集、驗證集和測試集，比例為８ ∶１ ∶１。采用ＬａｂｅｌＩｍｇ 標記工具對６ ３８８ 張圖像中的火焰和煙霧進行標注，具體數(shù)據(jù)信息如表１ 所示。

１． ２ 數(shù)據(jù)增強

在模型訓(xùn)練過程中，對訓(xùn)練樣本進行數(shù)據(jù)增強，會使模型具有更好的泛化性能。Ｍｏｓａｉｃ 數(shù)據(jù)增強最早是在ＹＯＬＯｖ４ 的文章中提出的，其思路就是將４ 張圖片進行隨機裁剪，再拼接到一張圖上作為訓(xùn)練數(shù)據(jù)。這樣做的好處是，豐富了一張圖上的煙火目標信息，且４ 張圖片拼接在一起變相地提高了單次訓(xùn)練樣本數(shù)（ｂａｔｃｈ＿ｓｉｚｅ），減少了對大ｂａｔｃｈ＿ｓｉｚｅ的依賴。圖２ 展示了在使用本文模型對森林火災(zāi)數(shù)據(jù)集進行訓(xùn)練時候的Ｍｏｓａｉｃ 數(shù)據(jù)增強圖像。

在本研究中，通過Ｍｏｓａｉｃ 數(shù)據(jù)增強相當于變相擴充了數(shù)據(jù)集內(nèi)小目標的火焰和煙霧數(shù)量。除此之外，也使得模型能夠?qū)W習到不同場景下火焰和煙霧目標的各種姿態(tài)。

２ 改進ＹＯＬＯｖ８ｎ 網(wǎng)絡(luò)架構(gòu)設(shè)計

ＹＯＬＯｖ８ｎ 是ＹＯＬＯｖ８ 算法中的輕量級參數(shù)結(jié)構(gòu)。它的網(wǎng)絡(luò)結(jié)構(gòu)包括骨干（Ｂａｃｋｂｏｎｅ）、頸部（Ｎｅｃｋ）和預(yù)測輸出頭（Ｈｅａｄ）三部分。骨干網(wǎng)絡(luò)從輸入圖像中提取不同尺度的特征。頸部網(wǎng)絡(luò)的作用是融合不同層次的特征圖，這里采用路徑聚合網(wǎng)絡(luò)－ 特征金字塔網(wǎng)絡(luò)（Ｐａｔｈ Ａｇｇｒｅｇａｔｉｏｎ Ｎｅｔｗｏｒｋ-Ｆｅａｔｕｒｅ Ｐｙｒａｍｉｄ Ｎｅｔｗｏｒｋ，ＰＡＮ-ＦＰＮ）方法形成高效傳播，通過特征金字塔結(jié)構(gòu)生成新的特征表示。頭部負責預(yù)測輸出，利用３ 組不同尺度的預(yù)測特征來檢測圖像內(nèi)容。

依據(jù)火災(zāi)檢測任務(wù)需求，本研究以ＹＯＬＯｖ８ｎ 為基準模型，在骨干網(wǎng)絡(luò)中引入了動態(tài)蛇形卷積模塊（Ｄｙｎａｍｉｃ Ｓｎａｋｅ Ｃｏｎｖｏｌｕｔｉｏｎ，ＤｙＳＣｏｎｖ），并添加了全局注意力機制（Ｇｌｏｂａｌ Ａｔｔｅｎｔｉｏｎ Ｍｅｃｈａｎｉｓｍ，ＧＡＭ）。將損失函數(shù)修改為ＷＩｏＵ，檢測頭更換為ＤｙＨｅａｄ。圖３ 為改進后的ＹＯＬＯｖ８ｎ 架構(gòu)示意。

２． １ 骨干的改進

由于火焰和煙霧在圖像中的形態(tài)、顏色和大小不同，原始ＹＯＬＯｖ８ｎ 使用普通卷積操作，在特征提取時沒有適應(yīng)圖形幾何變形時對不同位置區(qū)域的感受野尺寸的變化［１４］，有一定的局限性。為緩解這一問題，在Ｂａｃｋｂｏｎｅ 的Ｃ２ｆ 模塊中引入了ＤｙＳＣｏｎｖ。ＤｙＳＣｏｎｖ［１５］是一種新穎的卷積方法，于２０２３ 年被提出用于管狀結(jié)構(gòu)特征。它的靈感來源于蛇的運動方式，具體地說，ＤｙＳＣｏｎｖ 將連續(xù)性約束加入到了卷積核中，每一個卷積位置都由其前一個位置作為基準，自由選擇擺動方向，保證了感受野的連續(xù)性，也對位置變化具有良好的適應(yīng)能力。在采樣時可更貼近火焰和煙霧的形狀和尺寸。將其應(yīng)用在本研究任務(wù)中，有利于從圖像獲取煙火占比細小的結(jié)構(gòu)特征，加強模型的提取能力，從而提高模型檢測性能，圖４ 為ＤｙＳＣｏｎｖ 示意。

引入ＧＡＭ［１４］來學習煙火類別無關(guān)的全局通道水平和空間水平的注意特征圖，以保留更詳細的微小信息，抑制無關(guān)的噪聲信息。其中包含了通道注意力（Ｃｈａｎｎｅｌ Ａｔｔｅｎｔｉｏｎ）模塊和空間注意力（ＳｐａｔｉａｌＡｔｔｅｎｔｉｏｎ）模塊兩個子模塊，這兩個模塊分別沿通道和空間兩個獨立的維度依次進行注意力，在減少信息彌散的同時放大跨維度特征的交互作用。ＧＡＭ注意力結(jié)構(gòu)如圖５ 所示。其中，Ｍｃ 和Ｍｓ 分別為通道注意力特征圖和空間注意力特征圖；C為矩陣乘法。

２． ２ 頭部的改進

ＤｙＨｅａｄ［１６］是一種新穎的動態(tài)頭部框架，將目標檢測頭與注意力機制相結(jié)合，旨在提高目標檢測任務(wù)中的定位和分類性能。本文使用的火災(zāi)數(shù)據(jù)集背景復(fù)雜且環(huán)境多變，包括多種形態(tài)的火焰與煙霧，ＤｙＨｅａｄ 這種具備多維感知能力的檢測頭，更加貼合本文火災(zāi)檢測任務(wù)。其通過有效結(jié)合跨特征層的多種自注意力機制，實現(xiàn)集成尺度感知、空間感知和任務(wù)感知的目標檢測頭［１７］，顯著提高了目標檢測頭的表達能力。ＤｙＨｅａｄ 的架構(gòu)設(shè)計如圖６ 所示。

πＬ 是尺度感知注意力，πＳ 是空間位置感知注意力，πＣ 是任務(wù)感知注意力。在圖６ 的ＤｙＨｅａｄ 架構(gòu)設(shè)計中，特征圖被轉(zhuǎn)換為三維張量，其中Ｌ 表示層數(shù)，Ｃ 表示通道數(shù)，Ｓ 表示特征圖的高度和寬度，并依次采用３ 種注意力機制來增強檢測性能。３ 種注意力的疊加形成了一個ＤｙＨｅａｄ Ｂｌｏｃｋ，本文使用的真正檢測頭是由４ 個ＤｙＨｅａｄ Ｂｌｏｃｋ 串行堆疊而成的。

２． ３ 損失函數(shù)的改進

在ＹＯＬＯｖ８ｎ 網(wǎng)絡(luò)模型中，采用分布焦點損耗（Ｄｉｓｔｒｉｂｕｔｉｏｎ Ｆｏｃａｌ Ｌｏｓｓ，ＤＦＬ）和ＣＩｏＵ（Ｃｏｍｐｌｅｔｅ Ｉｎ-ｔｅｒｓｅｃｔｉｏｎ ｏｖｅｒ Ｕｎｉｏｎ）計算邊界框的回歸損失。ＣＩｏＵ將邊界框的縱橫比作為懲罰項加入到邊界框損失函數(shù)中［１８］，雖可以加快收斂過程，但對于長寬比例差異較大的物體，判定能力較弱。除此之外，ＣＩｏＵ 還未考慮難易樣本的平衡問題。因此，將ＣＩｏＵ 損失函數(shù)優(yōu)化為ＷＩｏＵ 損失函數(shù)［１９］，該函數(shù)有３ 個版本。

ＷＩｏＵ ｖ１ 是基于注意力的邊界框回歸損失，減少了幾何度量的懲罰，ＷＩｏＵ ｖ１ 的表達式為：

式中：ｘ、ｙ 分別為預(yù)測框中心點的橫縱坐標值，ｘｇｔ、ｙｇｔ 分別為實際目標框的中心點橫縱坐標值，Ｗｇ、Ｈｇ 分別為最小邊界框的寬度和高度。

ＷＩｏＵ ｖ２ 設(shè)計了一種針對交叉熵的單調(diào)聚焦機制，能有效降低簡單示例對損失值的貢獻。

ＷＩｏＵ ｖ３ 引入了動態(tài)非單調(diào)聚焦機制，ＷＩｏＵ ｖ３的表達式為：

式中：δ、α 為超參數(shù)，β 為預(yù)測框的異常度，ｒ 為非單調(diào)聚焦系數(shù)，C*ＩｏＵ 為單調(diào)聚焦系數(shù)。

由于ＷＩｏＵ ｖ３ 具有動態(tài)非單調(diào)調(diào)頻的明智梯度增益分配策略，為較小異常值的錨框分配小的梯度增益，使模型更關(guān)注普通質(zhì)量的錨框，能有效屏蔽低質(zhì)量樣本的影響。在本文的檢測任務(wù)中，ＷＩｏＵ ｖ３可以更好的衡量煙火類目標邊框的準確性，提高模型的檢測性能。

２． ４ 訓(xùn)練設(shè)備和評價指標

２． ４． １ 實驗環(huán)境

本文所使用的實驗配置環(huán)境為：ＣＰＵ 配置１３ｔｈＧｅｎ Ｉｎｔｅｌ （Ｒ） Ｃｏｒｅ （ＴＭ）ｉ９-１３９００ＫＦ；ＧＰＵ 配置ＮＶＩＤＩＡ ＧｅＦｏｒｃｅ ＲＴＸ ４０９０ ２４ ＧＢ 顯存；操作系統(tǒng)Ｗｉｎｄｏｗｓ １１；深度學習框架Ｐｙｔｏｒｃｈ２． ０． １，Ｐｙｔｈｏｎ ３． ９；調(diào)用ＧＰＵ 進行訓(xùn)練，訓(xùn)練３００ 輪（Ｅｐｏｃｈ）。采用余弦退火衰減策略使學習率產(chǎn)生周期性變化，使得模型能夠穩(wěn)定地收斂，減少訓(xùn)練過程中的震蕩現(xiàn)象。

２． ４． ２ 模型評估指標

本文使用精確度（Ｐｒｅｃｉｓｉｏｎ）、召回率（Ｒｅｃａｌｌ）和ｍＡＰ 作為檢測模型性能的評價指標，表達式為：

式中：ＴＰ 為像中正確檢測煙火目標的數(shù)量，ＦＰ 為圖像中檢測錯誤與目標分類錯誤的數(shù)量，ＦＮ 為圖像中漏檢的數(shù)量；Ｎ 為煙火目標類別的總數(shù)，Ｐｒｅｃｉｓｉｏｎ用來評估煙火類目標的預(yù)測是否正確，即在所有預(yù)測樣本中，準確預(yù)測的概率；Ｒｅｃａｌｌ 對所有煙火類目標的評估和預(yù)測，反映了正確預(yù)測在所有實際正樣本中的比例；ＡＰｉ 為第ｉ 個類別的平均精度，具體為第ｉ 類目標的ＰＲ 曲線與坐標軸圍成的面積，反應(yīng)了目標檢測精度的性能；ｍＡＰ 可衡量目標檢測中的整體檢測精度。

此外，本研究使用模型尺寸作為參考指標，模型越小，表示模型消耗的內(nèi)存越低。

３ 實驗結(jié)果分析

為了對比分析本研究改進后的模型性能，在模型訓(xùn)練參數(shù)一致的情況下設(shè)計了兩組試驗：消融試驗、主流模型性能對比試驗。選取不同環(huán)境下的森林火情圖像數(shù)據(jù)進行測試，從不同維度對模型的檢測效果進行分析。

３． １ 消融實驗對比

本文設(shè)計了５ 組消融實驗，以評估不同改進點對提高模型性能的有效性。這５ 個實驗包括基準模型Ａ、使用ＤｙＳＣｏｎｖ 的ＹＯＬＯｖ８ｎ 模型Ｂ、在Ｂ 基礎(chǔ)上加入ＧＡＭ 的模型Ｃ、將模型Ｃ 中損失函數(shù)修改為ＷＩｏＵｖ３ 的模型Ｄ、結(jié)合了上述所有改進的模型Ｅ。表２ 列出了各消融模型的評價指標，最佳指標用粗體顯示。

從表２ 可以看出，本文提出的改進策略是有效的，使模型性能評價指標有所提升。基準模型Ａ 在本任務(wù)中表現(xiàn)不理想，它各項評價指標值最低。與模型Ａ 相比，模型Ｂ 的檢測精度和ｍＡＰ＠ ． ５ 略高，召回率和ｍＡＰ＠ ． ５：． ９５ 提升較明顯。模型Ｂ 在整體消融實驗中的召回率最高，意味著ＤｙＨｅａｄ 的加入有效提升了模型對煙火目標的提取能力，降低了森林火災(zāi)檢測中的漏檢問題。模型Ｂ 相比，模型Ｃ 犧牲了一些召回率，但它的檢測精度達到了９２． ３％ 。損失函數(shù)的修改使模型Ｄ 脫穎而出，各項指標進一步提高。在模型Ｅ 中，ＤｙＨｅａｄ 模塊的加入導(dǎo)致模型尺寸增加了３． ９ ＭＢ，但它使ｍＡＰ＠ ． ５：． ９５ 的值大幅提升，測試集的ｍＡＰ＠ ． ５：． ９５ 從７６． ２％ 增加到８０． ３％，檢測精度達到了９３． ３％。相較于基準模型召回率、ｍＡＰ＠ ． ５ 和ｍＡＰ＠ ． ５：． ９５ 分別提高了３． ４％、２． ２％和８． ７％，表現(xiàn)出了最佳的檢測性能。盡管一些改進點的增加導(dǎo)致模型尺寸變大，但變大的幅度在可接受的范圍內(nèi)，能滿足實際應(yīng)用。因此，選用模型Ｅ作為本研究任務(wù)的檢測模型。圖７（ａ）～ 圖７（ｂ）展示了５ 個模型的Ｐｒｅｃｉｓｉｏｎ、Ｒｅｃａｌｌ 曲線。可以看出，模型Ｅ 的曲線在呈現(xiàn)上升趨勢的過程中，曲線波動幅度較小，并且持續(xù)維持在最上方。在表２ 中模型Ｃ 的各項評價指標較模型Ｂ 的提升并不大，但圖７（ａ）中模型Ｃ 的曲線較模型Ｂ 平穩(wěn)許多，這也驗證了ＧＡＭ 的加入對模型性能的提升是有意義的。圖７（ｃ）展示了５ 個模型的ｍＡＰ＠ ． ５：． ９５ 曲線，模型Ｅ的ｍＡＰ＠ ． ５：． ９５ 值穩(wěn)穩(wěn)高于其他模型，這也表示模型Ｅ 在本文任務(wù)中具有最佳的準確性和穩(wěn)定性。

ＹＯＬＯｖ８ 損失包括分類損失、回歸損失。回歸損失分兩部分，第一部分采用ＣＩｏＵ Ｌｏｓｓ 來評價預(yù)測框和目標框之間的差異，對于模型Ｄ 和模型Ｅ 來說，這部分采用ＷＩｏＵ 損失；第二部分就是分布焦點損失。圖８ 中曲線的一致性突出了本文模型的穩(wěn)定性能，由圖可知，本文模型的ＷＩｏＵ 損失收斂較快，意味著相較于未加入ＷＩｏＵ 損失函數(shù)的模型Ａ、模型Ｂ 和模型Ｃ，該模型在檢測過程中能夠更快、更好的找到最優(yōu)解。

使用梯度加權(quán)類激活映射（Ｇｒａｄ-ＣＡＭ）這種視覺解釋方法，來突出顯示火災(zāi)圖像上感興趣的區(qū)域，更加直觀地解釋了５ 個消融模型的檢測［２０］。如圖９所示，紅色部分是圖像中實際影響模型決策的主要區(qū)域，這也為選用本文模型建立了合理的解釋。觀察發(fā)現(xiàn)，本文模型的可視化分析影響決策區(qū)域較大，且更細致。

３． ２ 不同模型檢測性能的比較

將本文模型與火災(zāi)檢測中常用的目標檢測算法進行對比，從表３ 可以推斷，本文模型具有最高召回率和ｍＡＰ 值，ｍＡＰ＠ ． ５ 達到了８８． ３％，ｍＡＰ＠ ． ５：． ９５達到了８０． ３％ 。然而，在相同的實驗環(huán)境下，ＦａｓｔｅｒＲ-ＣＮＮ（７０． １％ ）、ＳＳＤ（６５． ４％ ）、ＹＯＬＯｖ３（７４． ３％ ）、ＹＯＬＯｖ４-ｔｉｎｙ （６９． ９％）、ＹＯＬＯｖ５ｓ （７４． ２％）、ＹＯＬＯｖ６（７４． ５％）、ＹＯＬＯｖ７（７１． １％）和ＹＯＬＯｖ７-ｔｉｎｙ（６７． ５％）在ｍＡＰ＠ ．５：．９５ 方面表現(xiàn)出顯著差異。本文模型大小為１４． ４ ＭＢ，雖然不及ＹＯＬＯｖ４-ｔｉｎｙ、ＹＯＬＯｖ６ 和ＹＯＬＯｖ７-ｔｉｎｙ 但相差不大，且在其他評價指標上具備極大優(yōu)勢。Ｆａｓｔｅｒ Ｒ-ＣＮＮ、ＹＯＬＯｖ３ 和ＹＯＬＯｖ７ 都不符合輕量部署需求。由此可見，本文模型在模型大小和檢測精度之間取得了較好的平衡。既提高了森林火情檢測效果，又可以滿足遠程監(jiān)控防火系統(tǒng)的便攜部署。

在相關(guān)研究中，除了直接使用上述檢測算法外，也對一些模型進行了改進。本文選用邱思遠等［２１］提出的改進ＹＯＬＯＸ 模型，何盼霞等［２２］提出的ＹＯＬＯｖ５-ＣＢＡＭＢｉＦＰＮ-ＣＡＲＡＦＥ 模型進行比較。基于本文構(gòu)建的火災(zāi)數(shù)據(jù)集進行模型訓(xùn)練，實驗結(jié)果如表４ 所示，綜合比較所有評價指標，本文模型均優(yōu)于二者，且模型大小更勝一籌。因此，本文模型在森林火災(zāi)場景下檢測效果優(yōu)異，具有實際參考價值。

３． ３ 改進算法性能展示

為展示本文算法的檢測結(jié)果，從測試子集中隨機選擇了不同情況下的森林火災(zāi)圖像進行比較，檢測結(jié)果如圖１０ 所示。

由圖１０ 可以看出，很明顯原始ＹＯＬＯｖ８ 模型出現(xiàn)了火焰、煙霧漏檢等現(xiàn)象。之所以出現(xiàn)這種現(xiàn)象可能是因為檢測背景過于復(fù)雜，且目標特征不明顯，給模型檢測造成了極大困難。相比而言，本文模型可以較準確地檢測復(fù)雜場景中的煙霧和火焰，例如遠處的微小火焰、難以判斷的煙霧，并且返回定位框架更為準確。這些檢測圖片清楚地展示了本文模型在森林火情環(huán)境中具有優(yōu)越的檢測能力。但通過觀察發(fā)現(xiàn)，它仍然會出現(xiàn)一些漏檢問題，需要進一步優(yōu)化來滿足實際森林火情檢測需求。

４ 結(jié)束語

本文手動收集了不同現(xiàn)實場景下的森林火情圖像，建立了豐富的森林火情數(shù)據(jù)集，可為防火檢測領(lǐng)域的研究提供數(shù)據(jù)支持。為了增強ＹＯＬＯｖ８ 檢測微小煙火目標的能力，將ＤｙＳＣｏｎｖ 模塊和ＧＡＭ 注意力融入模型的Ｂａｃｋｂｏｎｅ 中，提高了算法的特征提取和表示能力。此外，ＷＩｏＵ ｖ３ 損失函數(shù)和ＤｙＨｅａｄ 的加入提供了更精準的損失評估和檢測效果。實驗結(jié)果表明，本文方法的檢測精度為９３． ３％ 、召回率值為８５． ８％ ，與原來的ＹＯＬＯｖ８ 算法相比ｍＡＰ＠ ． ５：．９５ 提高了８． ７％ ，在火災(zāi)檢測中表現(xiàn)出更可靠的性能。與常用目標檢測算法相比，本文模型在所有評價指標上取得了平衡，且模型尺寸為１４． ４ ＭＢ，可滿足實際火情檢測的需求。綜上所述，該模型在森林火情探測中具有較大的應(yīng)用潛力，可以考慮與遠程防火監(jiān)控設(shè)備結(jié)合使用。

但本文模型仍存在缺陷：檢測過程中面對監(jiān)控畫面下強光照射的物體反光時，會出現(xiàn)火情檢測失敗的現(xiàn)象，導(dǎo)致模型的檢測效果不穩(wěn)定，應(yīng)用到實際中還存在弊端。因此，在未來工作中嘗試將圖像濾波及其他處理方法整合到檢測技術(shù)中，提高檢測問題中的圖像質(zhì)量，解決強光反射下火災(zāi)識別失敗問題。細致考慮實際應(yīng)用場景，全面提高模型的魯棒性能，助力實現(xiàn)森林防火的準確監(jiān)測。

參考文獻

［１］ ＫＨＡＲＵＫ Ｖ Ｉ，ＰＯＮＯＭＡＲＥＶ Ｅ Ｉ，ＩＶＡＮＯＶＡ Ｇ Ａ，ｅｔ ａｌ．Ｗｉｌｄｆｉｒｅｓ ｉｎ ｔｈｅ Ｓｉｂｅｒｉａｎ Ｔａｉｇａ ［Ｊ］． Ａｍｂｉｏ，２０２１，５０：１９５３－１９７４．

［２］ ＱＩＡＮ Ｊ Ｃ，ＢＡＩ Ｄ，ＪＩＡＯ Ｗ Ｇ，ｅｔ ａｌ． Ａ Ｈｉｇｈｐｒｅｃｉｓｉｏｎ Ｅｎｓｅｍｂｌｅ Ｍｏｄｅｌ ｆｏｒ Ｆｏｒｅｓｔ Ｆｉｒｅ Ｄｅｔｅｃｔｉｏｎ ｉｎ Ｌａｒｇｅ ａｎｄ ＳｍａｌｌＴａｒｇｅｔｓ［Ｊ］． Ｆｏｒｅｓｔｓ，２０２３，１４（１０）：２０８９．

［３］ ＳＩＥＲＲＡ Ｄ，ＭＯＮＴＡＮＡＲＯ Ｗ，ＫＵＯ Ｌ，ｅｔ ａｌ． ＥｎｈａｎｃｉｎｇＦｉｒｅ Ｄｅｔｅｃｔｉｏｎ Ｔｈｒｏｕｇｈ ＣＮＮ ａｎｄ Ｔｒａｎｓｆｅｒ Ｌｅａｒｎｉｎｇ：ＡＣｏｍｐｒｅｈｅｎｓｉｖｅ Ｒｅｓｅａｒｃｈ Ｓｔｕｄｙ Ｃｏｒｒｅｓｐｏｎｄｉｎｇ Ａｕｔｈｏｒ［Ｊ］． Ｊｏｕｒｎａｌ ｏｆ Ｅｎｇｉｎｅｅｒｉｎｇ ａｎｄ Ａｐｐｌｉｅｄ Ｓｃｉｅｎｃｅｓ Ｔｅｃｈｎｏｌｏｇｙ，２０２３，５（５）：１－６．

［４］ ＧＥＥＴＨＡ Ｓ，ＡＢＨＩＳＨＥＫ Ｃ Ｓ，ＡＫＳＨＡＹＡＮＡＴ Ｃ Ｓ． Ｍａｃｈｉｎｅ Ｖｉｓｉｏｎ Ｂａｓｅｄ Ｆｉｒｅ Ｄｅｔｅｃｔｉｏｎ Ｔｅｃｈｎｉｑｕｅｓ：Ａ Ｓｕｒｖｅｙ［Ｊ］． Ｆｉｒｅ Ｔｅｃｈｎｏｌｏｇｙ，２０２１，５７：５９１－６２３．

［５］ ＨＯＵ Ｆ，ＲＵＩ Ｘ，ＣＨＥＮ Ｙ，ｅｔ ａｌ． Ｆｌａｍｅ ａｎｄ ＳｍｏｋｅＳｅｍａｎｔｉｃ Ｄａｔａｓｅｔ：Ｉｎｄｏｏｒ Ｆｉｒｅ Ｄｅｔｅｃｔｉｏｎ ｗｉｔｈ ＤｅｅｐＳｅｍａｎｔｉｃ Ｓｅｇｍｅｎｔａｔｉｏｎ Ｍｏｄｅｌ ［Ｊ］． Ｅｌｅｃｔｒｏｎｉｃｓ，２０２３，１２（１８）：３７７８．

［６］ ＤＡＲＡＪＡＴ Ａ Ｎ，ＳＴＨＥＶＡＮＩＥ Ｆ，ＲＡＭＡＤＨＡＮＩ Ｋ Ｎ． ＦｉｒｅＤｅｔｅｃｔｉｏｎ ｏｎ Ｖｉｄｅｏ Ｕｓｉｎｇ Ｍｕｌｔｉｆｅａｔｕｒｅ Ｆｕｓｉｏｎ ａｎｄＳｕｐｐｏｒｔ Ｖｅｃｔｏｒ Ｍａｃｈｉｎｅ ［Ｃ］∥２０２３ １１ｔｈ ＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅ ｏｎ Ｉｎｆｏｒｍａｔｉｏｎ ａｎｄ Ｃｏｍｍｕｎｉｃａｔｉｏｎ Ｔｅｃｈｎｏｌｏｇｙ（ＩＣｏＩＣＴ）． Ｍｅｌａｋａ：ＩＥＥＥ，２０２３：６００－６０５．

［７］ ＺＨＡＮＧ Ｘ，ＷＡＮＧ Ｗ Ｇ，ＬＩ Ｘ Ｒ，ｅｔ ａｌ． Ｆｌａｍｅ ａｎｄ ＳｍｏｋｅＤｅｔｅｃｔｉｏｎ ｉｎ Ｓｕｂｓｔａｔｉｏｎ Ｂａｓｅｄ ｏｎ Ｗａｖｅｌｅｔ Ａｎａｌｙｓｉｓ ａｎｄＣｏｎｖｏｌｕｔｉｏｎ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ ［Ｃ］∥ＩＣＩＡＩ’１９：Ｐｒｏｃｅｅｄｉｎｇｓｏｆ ｔｈｅ ２０１９ ３ｒｄ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｉｎｎｏｖａｔｉｏｎ ｉｎＡｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ． Ｓｕｚｈｏｕ：ＡＣＭ，２０１９：２４８－２５２．

［８］ ＺＨＡＮ Ｈ Ｗ，ＰＥＩ Ｘ Ｙ，ＺＨＡＮＧ Ｔ Ｈ，ｅｔ ａｌ． Ｒｅｓｅａｒｃｈ ｏｎＦｌａｍｅ Ｄｅｔｅｃｔｉｏｎ Ｍｅｔｈｏｄ Ｂａｓｅｄ ｏｎ Ｉｍｐｒｏｖｅｄ ＳＳＤＡｌｇｏｒｉｔｈｍ［Ｊ］． Ｊｏｕｒｎａｌ ｏｆ Ｉｎｔｅｌｌｉｇｅｎｔ ＆ Ｆｕｚｚｙ Ｓｙｓｔｅｍｓ：Ａｐｐｌｉｃａｔｉｏｎｓ ｉｎ Ｅｎｇｉｎｅｅｒｉｎｇ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ，２０２３，４５（４）：６５０１－６５１２．

［９］ ＢＡＲＭＰＯＵＴＩＳ Ｐ，ＤＩＭＩＴＲＯＰＯＵＬＯＳ Ｋ，ＫＡＺＡ Ｋ，ｅｔ ａｌ．Ｆｉｒｅ Ｄｅｔｅｃｔｉｏｎ ｆｒｏｍ Ｉｍａｇｅｓ Ｕｓｉｎｇ Ｆａｓｔｅｒ ＲＣＮＮ ａｎｄ Ｍｕｌｔｉｄｉｍｅｎｓｉｏｎａｌ Ｔｅｘｔｕｒｅ Ａｎａｌｙｓｉｓ［Ｃ］∥２０１９ ＩＥＥＥ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ａｃｏｕｓｔｉｃｓ，Ｓｐｅｅｃｈ ａｎｄ Ｓｉｇｎａｌ Ｐｒｏｃｅｓｓｉｎｇ （ＩＣＡＳＳＰ）． Ｂｒｉｇｈｔｏｎ：ＩＥＥＥ，２０１９：８３０１－８３０５．

［１０］ＫＩＭ Ｂ，ＬＥＥ Ｊ． Ａ Ｖｉｄｅｏｂａｓｅｄ Ｆｉｒｅ Ｄｅｔｅｃｔｉｏｎ Ｕｓｉｎｇ ＤｅｅｐＬｅａｒｎｉｎｇ Ｍｏｄｅｌｓ［Ｊ］． Ａｐｐｌｉｅｄ Ｓｃｉｅｎｃｅｓ，２０１９，９（１４）：２８６２．

［１１］ＷＵ Ｈ Ｆ，ＨＵ Ｙ Ｌ，ＷＡＮＧ Ｗ Ｊ，ｅｔ ａｌ． Ｓｈｉｐ Ｆｉｒｅ ＤｅｔｅｃｔｉｏｎＢａｓｅｄ ｏｎ ａｎ Ｉｍｐｒｏｖｅｄ ＹＯＬＯ Ａｌｇｏｒｉｔｈｍ ｗｉｔｈ ａＬｉｇｈｔｗｅｉｇｈｔ Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ Ｍｏｄｅｌ ［Ｊ］．Ｓｅｎｓｏｒｓ，２０２２，２２（１９）：７４２０．

［１２］ＸＵＥ Ｚ Ｙ，ＬＩＮ Ｈ Ｆ，ＷＡＮＧ Ｆ． Ａ Ｓｍａｌｌ Ｔａｒｇｅｔ Ｆｏｒｅｓｔ ＦｉｒｅＤｅｔｅｃｔｉｏｎ Ｍｏｄｅｌ Ｂａｓｅｄ ｏｎ ＹＯＬＯｖ５ Ｉｍｐｒｏｖｅｍｅｎｔ ［Ｊ］．Ｆｏｒｅｓｔｓ，２０２２，１３（８）：１３３２．

［１３］ＸＩＡＯ Ｚ，ＷＡＮ Ｆ，ＬＥＩ Ｇ Ｂ，ｅｔ ａｌ． ＦＬＹＯＬＯｖ７：Ａ Ｌｉｇｈｔｗｅｉｇｈｔ Ｓｍａｌｌ Ｏｂｊｅｃｔ Ｄｅｔｅｃｔｉｏｎ Ａｌｇｏｒｉｔｈｍ ｉｎ Ｆｏｒｅｓｔ ＦｉｒｅＤｅｔｅｃｔｉｏｎ［Ｊ］． Ｆｏｒｅｓｔｓ，２０２３，１４（９）：１８１２．

［１４］ＬＩＵ Ｙ Ｃ，ＳＨＡＯ Ｚ Ｒ，ＨＯＦＦＭＡＮＮ Ｎ． Ｇｌｏｂａｌ ＡｔｔｅｎｔｉｏｎＭｅｃｈａｎｉｓｍ：Ｒｅｔａｉｎ Ｉｎｆｏｒｍａｔｉｏｎ ｔｏ Ｅｎｈａｎｃｅ Ｃｈａｎｎｅｌｓｐａｔｉａｌ Ｉｎｔｅｒａｃｔｉｏｎｓ［ＥＢ／ ＯＬ］． （２０２１ －１２ － １０）［２０２４ －０１－２２］． ｈｔｔｐｓ：∥ａｒｘｉｖ． ｏｒｇ／ ａｂｓ／２１１２． ０５５６１．

［１５］ＱＩ Ｙ Ｌ，ＨＥ Ｙ Ｔ，ＱＩ Ｘ Ｍ，ｅｔ ａｌ． Ｄｙｎａｍｉｃ Ｓｎａｋｅ Ｃｏｎｖｏｌｕｔｉｏｎ Ｂａｓｅｄ ｏｎ Ｔｏｐｏｌｏｇｉｃａｌ Ｇｅｏｍｅｔｒｉｃ Ｃｏｎｓｔｒａｉｎｔｓ ｆｏｒＴｕｂｕｌａｒ Ｓｔｒｕｃｔｕｒｅ Ｓｅｇｍｅｎｔａｔｉｏｎ ［Ｃ］∥２０２３ ＩＥＥＥ／ ＣＶＦＩｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｃｏｍｐｕｔｅｒ Ｖｉｓｉｏｎ （ＩＣＣＶ）．Ｐａｒｉｓ：ＩＥＥＥ，２０２３：６０４７－６０５６．

［１６］ＤＡＩ Ｘ Ｙ，ＣＨＥＮ Ｙ Ｐ，ＸＩＡＯ Ｂ，ｅｔ ａｌ． Ｄｙｎａｍｉｃ Ｈｅａｄ：Ｕｎｉｆｙｉｎｇ Ｏｂｊｅｃｔ Ｄｅｔｅｃｔｉｏｎ Ｈｅａｄｓ ｗｉｔｈ Ａｔｔｅｎｔｉｏｎｓ［Ｃ］∥２０２１ＩＥＥＥ／ ＣＶＦ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｃｏｍｐｕｔｅｒ Ｖｉｓｉｏｎ ａｎｄ ＰａｔｔｅｒｎＲｅｃｏｇｎｉｔｉｏｎ （ＣＶＰＲ）． Ｎａｓｈｖｉｌｌｅ：ＩＥＥＥ，２０２１：７３６９－７３７８．

［１７］梁興碧． 駕駛環(huán)境感知算法研究［Ｊ］． 科學技術(shù)創(chuàng)新，２０２２（２５）：４５－４８．

［１８］周順勇，劉學，朱豪，等． 基于改進ＹＯＬＯｖ５ｓ 的脆桃缺陷檢測［Ｊ］． 國外電子測量技術(shù)，２０２３，４２（１０）：１３９－１４６．

［１９］ＴＯＮＧ Ｚ Ｊ，ＣＨＥＮ Ｙ Ｈ，ＸＵ Ｚ Ｗ，ｅｔ ａｌ． ＷｉｓｅＩｏＵ：Ｂｏｕｎｄｉｎｇ Ｂｏｘ Ｒｅｇｒｅｓｓｉｏｎ Ｌｏｓｓ ｗｉｔｈ Ｄｙｎａｍｉｃ ＦｏｃｕｓｉｎｇＭｅｃｈａｎｉｓｍ［ＥＢ／ ＯＬ］． （２０２３－０４－０８）［２０２４－０１－２２］．ｈｔｔｐｓ：∥ａｒｘｉｖ． ｏｒｇ／ ａｂｓ／２３０１． １００５１．

［２０］ＳＥＬＶＡＲＡＪＵ Ｒ Ｒ，ＣＯＧＳＷＥＬＬ Ｍ，ＤＡＳ Ａ，ｅｔ ａｌ． Ｇｒａｄｃａｍ：Ｖｉｓｕａｌ Ｅｘｐｌａｎａｔｉｏｎｓ ｆｒｏｍ Ｄｅｅｐ Ｎｅｔｗｏｒｋｓ ｖｉａＧｒａｄｉｅｎｔｂａｓｅｄ Ｌｏｃａｌｉｚａｔｉｏｎ［Ｃ］∥２０１７ ＩＥＥＥ ＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅ ｏｎ Ｃｏｍｐｕｔｅｒ Ｖｉｓｉｏｎ （ＩＣＣＶ）． Ｖｅｎｉｃｅ：ＩＥＥＥ，２０１７：６１８－６２６．

［２１］邱思遠，王孝蘭，張偉偉，等． 基于ＹＯＬＯＸ 的森林火災(zāi)早期預(yù)警研究［Ｊ］． 農(nóng)業(yè)裝備與車輛工程，２０２３，６１（１１）：１０６－１１０．

［２２］何盼霞，張梅，齊至家． 基于改進ＹＯＬＯｖ５ 的森林火災(zāi)檢測算法研究［Ｊ］． 蘭州工業(yè)學院學報，２０２３，３０（４）：７３－７８．

作者簡介：

曹麗英 女，（１９７８—），博士，教授，碩士生導(dǎo)師。主要研究方向：計算機視覺、圖像處理與深度學習、智慧農(nóng)業(yè)與遙感圖像處理。

楊玉竹 女，（２０００—），碩士研究生。主要研究方向：計算機視覺、圖像處理與深度學習。

李樹龍 男，（２０００—），碩士研究生。主要研究方向：計算機視覺、圖像處理與深度學習。

孫 淼 男，（２０００—），碩士研究生。主要研究方向：計算機視覺、圖像處理與深度學習。

（*通信作者）陳桂芬 女，（１９５６—），博士，二級教授，博士生導(dǎo)師。主要研究方向：智能系統(tǒng)、數(shù)據(jù)挖掘、智慧農(nóng)業(yè)等計算機應(yīng)用理論與技術(shù)。

基金項目：國家自然科學基金（Ｕ１９Ａ２０６１）；吉林省科技廳中青年科技創(chuàng)新創(chuàng)業(yè)卓越人才（團隊）項目（創(chuàng)新類）（２０２２０５０８１３３ＲＣ）；吉林省科技發(fā)展計劃項目（２０２１０４０４０２０ＮＣ）