BDM-YOLOv8n:一种高性能模型,用于在空中图像中准确检测火灾

科学领域:

• 计算机视觉 计算机视觉
• 人工智能的人工智能
• 遥感 遥感 遥感 遥感

背景情况:

• 无人驾驶飞行器 (UAV) 的空中图像对于火灾检测至关重要.
• 远距离成像面临着诸如有限的角度,复杂的背景和环境干扰等挑战,降低了精度.
• 现有的方法在多样化和具有挑战性的火灾检测场景中难以可靠.

研究的目的:

• 提出BMD-YOLOv8n模型,以克服无人机火灾检测方面的局限性.
• 为了提高从航空图像的火灾检测的准确性和可靠性.
• 为了提高对象检测模型的性能,用于早期野火识别.

主要方法:

• 创建了一个新的数据集,AeroFlame,用于无人机火灾检测.
• 开发了一种带有P2层的双向特征金字塔网络 (P2-BiFPN),用于多尺度的特征融合和小目标保留.
• 集成了一个多元分支区块,跨阶段部分和高效层聚合网络 (DBBCSPELAN) 模块,用于优越的特征提取.
• 整合了一个简单的注意模块 (SimAM),以提高计算效率和减少背景噪声.
• 用多视角距离-IoU (MPDIoU) 损失取代标准的CIoU损失,以实现精确的界限框回归.

主要成果:

• BMD-YOLOv8n表现出优于基线YOLOv8n的性能,精度提高了3.5%,回忆能力提高了3.7%,mAP50.5%提高了3.5%.
• 在FLAM数据集上达到92.4%的高检测准确度,在FASDD数据集上达到91.8%.
• 该模型有效地应对远距离成像和复杂的环境因素带来的挑战.

结论:

• 拟议的BMD-YOLOv8n模型显著提高了使用无人机图像的火灾检测能力.
• 新型模块和损失函数的集成可以提高准确性和可靠性.
• 这项研究为早期野火检测提供了强大的解决方案,这对环境保护至关重要.