基于深度学习的森林火灾检测使用改进的SSD算法与CBAM
Diansheng Zhang1, Yueyuan Zhang1, Leilei Dong2
1School of Information and Software Engineering, East China Jiaotong University, Nanchang, China.
PloS one
|November 18, 2025
概括
一个新的CBAM-SSD模型通过增强火焰和烟雾识别来改善森林火灾检测. 这种物体检测系统为实时野火监测提供了更高的准确性和更少的错误报警.
科学领域:
- 计算机科学 计算机科学
- 环境科学 环境科学
- 人工智能的人工智能
背景情况:
- 森林火灾由于迅速蔓延和具有破坏性潜力,造成了重大生态威胁.
- 现有的森林火灾检测系统与可变的火焰/烟雾特征和环境干扰作斗争,导致错误阳性和错误检测.
研究的目的:
- 开发一种新的物体检测模型,CBAM-SSD,以改进森林火灾检测.
- 在复杂的环境条件下提高检测火焰和烟雾的准确性和可靠性.
主要方法:
- 采用数据增强 (几何,颜色转换) 来解决数据限制.
- 将CBAM模块集成到SSD骨干中,以进行自适应性特征提取,专注于关键火灾区域.
- 重建了特征提取结构,以改善可变火焰和烟雾特征的感知.
主要成果:
- 对于火焰和烟雾,CBAM-SSD实现了97.55%的mAP@0.5,比基线SSD有1.53%的改善.
- 火焰检测AP50达到96.61% (3.01%的增长),其中96.40%的回忆.
- 烟雾检测AP50达到98.49%,回忆率为98.80%,显示出更高的精度和更少的检测错误.
结论:
- 该CBAM-SSD模型轻量级,适合实时森林火灾检测.
- 该模型显著提高了检测准确性,并减少了错误和错过的检测.
- 为实时森林火灾监测提供了一种高效,方便和准确的解决方案.
