基于深度学习方法和无人机图像的森林火灾烟雾检测
Soon-Young Kim1, Azamjon Muminov2
1Department of Physical Education, Gachon University, Seongnam 13120, Republic of Korea.
Sensors (Basel, Switzerland)
|July 8, 2023
概括
这项研究引入了一种改进的YOLOv7模型,用于使用无人机图像进行早期野火烟雾检测. 这种精细的模型提高了检测准确性,这对于快速应对野火和减轻火灾的努力至关重要.
科学领域:
- 环境科学 环境科学
- 计算机视觉 计算机视觉
- 人工智能的人工智能
背景情况:
- 由于气候变化和人类活动,野火是日益严重的威胁.
- 早期发现野火烟雾对于有效应对和最小化损害至关重要.
- 现有的检测方法需要改进,以提高准确性和速度.
研究的目的:
- 使用无人机 (UAV) 图像开发一个更准确,更有效的模型来检测野火烟雾.
- 改进YOLOv7对象检测架构,以增强烟雾识别.
主要方法:
- 一个数据集由6500个无人机图像的野火烟雾被策划.
- 通过CBAM注意力机制增强了YOLOv7模型,用于特征提取.
- 整合了SPPF+层和脱头,以更好地关注较小的烟雾区域和数据分析.
- 使用具有学习权重的BiFPN进行了加速的多尺度特征融合和优先级特征映射.
主要成果:
- 提议的增强型YOLOv7模型在森林火灾烟雾数据集上实现了86.4%的平均精度 (AP50).
- 这比现有的单级和多级物体检测模型有3.9%的改进.
- 该模型成功检测了森林火灾烟雾,这表明其有效性很高.
结论:
- 精致的YOLOv7模型在早期野火烟雾检测方面取得了重大进展.
- 注意力机制和架构改进的整合增强了检测能力.
- 这项技术可以帮助消防员快速响应,减轻野火对生态系统和社区的影响.
