具有值卷积和注意力机制的残留囊网络,用于使用无人机图像检测森林火灾

科学领域:

• 环境科学与工程环境科学与工程
• 计算机科学和人工智能 人工智能
• 遥感和地理空间技术 遥感和地理空间技术

背景情况:

• 野火构成了严重的全球威胁,气候变化加剧了这种威胁,导致生态破坏和经济损失.
• 现有的野火检测方法在实时准确性和预警能力方面存在困难.
• 无人驾驶飞行器 (UAV) 与人工智能 (AI) 结合,为加强野火监测提供了一个有希望的途径.

研究的目的:

• 引入ResCaps-TC-Attn-Fire,这是一个新的深度学习框架,用于使用无人机实时检测森林火灾.
• 为了提高野火检测系统的准确性,速度和可靠性.
• 为早期野火检测和监测提供强大的解决方案,有助于缓解工作.

主要方法:

• 开发ResCaps-TC-Attn-Fire,集成剩余囊网络,门卷积和注意力机制.
• 利用一个包含14140张无人机图像的综合数据集,用于模型培训和评估.
• 与YOLOv3,ABi-LSTM和增强的YOLOv8n.n.等现有方法进行比较分析.

主要成果:

• ResCaps-TC-Attn-Fire以99.78%的准确性,99.7%的精度和99.8%的回忆率实现了卓越的性能.
• 该模型显示了显著更快的早期检测 (比YOLOv3快3.2秒) 和低的错误报警率 (0.1%).
• 估计火灾强度的平均绝对误差 (MAE) 为0.15.

结论:

• ResCaps-TC-Attn-Fire代表了一种高度有效和可靠的AI驱动解决方案,用于基于无人机的实时野火检测.
• 该框架显示了野火减缓的巨大潜力,其性能优于当前最先进的方法.
• 未来的工作应该集中在优化计算成本和电力消耗,以实现更广泛的部署.