重参数化YOLOv5s的森林火灾检测算法

目前森林火灾多发,建立日常监测尤为重要,但是边缘智能检测设备算力和内存较低,限制了检测模型的推理和部署。针对以上问题,提出一种改进的重参数化YOLOv5s的森林火灾检测算法,结合重参数化、通道重排和深度可分离卷积(Depthwise Separable Convolution,DSC)等轻量化思想分别设计新的骨干和颈部网络,增强特征提取能力,提高模型检测精度,使参数量和推理权重较大幅度减少。为避免颈部网络的信息丢失,根据空洞卷积提出特征增强模块,增强多尺度特征融合能力。为进一步提高模型性能,加入轻量化的CA注意力机制,更准确定位目标。当前公开的火焰烟雾数据集存在针对性不强的问题,为了更好地提高模型的检测效率,制作了一个新的森林火灾数据集,在数据集上利用结构相似性算法剔除了相似度过高的图片,保证了模型的泛化能力。实验结果表明,改进后的重参数化YOLOv5s以原网络约76%的参数量提高了4.0%的精确度,推理权重下降至10.5 MB,更适合于设备性能差、容量小的边缘设备,提高了森林火灾巡检的效率。

基于YOLOv5的森林火灾人员救援识别算法

针对森林火灾救援场景存在小目标实例多、人像重叠、类内个体差异小等特点,造成了救援目标识别漏检误检率高等问题。因此,提出一种基于YOLOv5的森林火灾人员救援识别算法,以提高目标检测精确度。通过将标准卷积模块改进为全维度动态卷积模块,增强目标区域的信息提取能力。同时,增加微小目标尺度预测结构,提高微小目标的识别准确性。林火人员救援数据集的实验结果表明,该方法可使模型平均精确度达到77.7%,较原YOLOv5s提高了2.4%,可有效检测森林火灾场景的人员目标,稳定提升模型的泛化性能。

基于YOLOv5的森林火灾检测方法研究

针对人工监测森林火灾困难等问题,提出一种基于YOLOv5的森林火灾检测方法,旨在提高火灾监测的效率和准确率。首先,对所使用的公开火灾图像数据集进行预处理;然后,通过模型训练提高森林火灾检测的准确率和实时性;最后,将YOLOv5s、YOLOv5m和YOLOv5l等3种网络模型进行评估对比。试验结果表明,YOLOv5l模型构建的森林火灾检测方法在火灾图像识别中体现出了较高的准确率,其准确率达到90%,检测速率提高了2.4%。

基于YOLOv5s的城镇森林交界域火灾探测模型

为精准监控城镇森林交界域火灾及定位其空间分布,提出基于改进YOLOv5s网络的城镇森林交界域火灾目标探测模型。首先收集城镇森林交界域火灾图像,利用图像注释工具标注出目标探测数据集;然后将坐标注意力(CA)机制引入YOLOv5s的主干网络,增强模型的方向及位置信息感知,以精准定位出城镇森林交界域火灾起火点;最后以准确度、召回率、平均准确度为评价指标,在自建数据集上进行训练、测试。模拟结果表明:改进的YOLOv5s模型整体性能提升,在城镇森林交界域火灾目标探测中,建筑物火灾平均精确度增加了0.8%,森林火灾则增加了1.3%。

基于YOLOv5s的轻量化森林火灾检测算法研究

针对过去无人机搭载嵌入式设备巡检森林火灾精确率低、适应性差和软硬件限制高等问题,提出一种基于YOLOv5s的轻量化森林火灾目标检测算法。通过将YOLOv5s的骨干网络替换为轻量化网络Shufflenetv2,并以通道重组的思想,让骨干网络对图片信息的提取效率变得更快,在保持网络精度的同时保证检测速度;接着在Backbone与Neck的连接处加入为轻量化网络设计的CA位置注意力模块,可将图片不同的位置信息聚合到通道中,使被检对象关注度得以提高;最后在预测部分使用CIOU损失函数,能够更好的优化矩形框的长宽比和更快加速模型收敛。算法部署在嵌入式系统Jetson Xavier NX上的结果显示,改进后的网络模型大小与对比实验方法相比,最多减少了98%,准确率(Precision)达到92.6%,精确率(AP)达到95.3%,帧率(FPS)提升到132帧每秒,能满足在白天、黑夜或视野良好等情况下对森林火灾的实时性预防与检测,并具有良好的准确率和鲁棒性。

基于改进YOLO v5的森林火灾检测算法研究

为提高森林火灾检测识别率,同时降低漏检、误检率,缩减后续救援时间,提出一种基于改进YOLO v5的森林火灾目标检测算法。针对火灾目标漏检问题,在YOLO v5骨干网络加入卷积注意力机制(CBAM),对森林火灾的小目标在通道和空间进行特征提取;针对火灾目标重合问题,把路径聚合网络(PANet)替换为加权双向特征金字塔网络(BiFPN),增强模型识别能力;针对YOLO v5中原始采样方式无法将特征信息完全捕获的问题,所以将CARAFE上采样作为最新的上采样方式,提高采样效率。实验结果表明,与其它主流算法相比较,该算法拥有更好的检测效果,其检测性能相比于原始算法提升了2.6%,更适用于森林火灾检测。

基于YOLOv5s的遥感卫星图像森林火灾检测算法

森林火灾是一种毁灭性的自然灾害,其爆发性和易失控性使得火灾的预防和控制变得尤为重要。近年来,基于遥感卫星图像中自动烟火识别的森林火灾检测算法受到国内外研究者广泛关注。然而,在火灾萌芽阶段,森林烟火目标在遥感卫星图像中占比极为微小,传统的目标检测方法难以实现有效检测。针对传统森林火灾检测方法不能有效地及时检测出早期森林火灾着火点的问题,本研究提出一种遥感图像自动超分辨率处理的森林火灾检测算法。首先在遥感图像的处理阶段应用SRGAN模型处理遥感图像,通过该超分辨率模型提高图像检测准确率;其次在YOLOv5s模型的基础上对遥感图像进行提取处理,得到相对于原来更完整准确的结果。本研究在公开的“哨兵”卫星遥感图像数据集进行了大量的验证性和对比性实验,结果表明所提方法的整体检测准确率为74.9%,并且对于模糊的遥感图像其误检率和漏检率在一定程度上有所降低。

融合YOLOv5s与Swin Transformer的森林火灾检测

针对传统的森林火灾检测方法检测精度不佳、可靠性低等不足,提出一种基于YOLOv5s融合Swin Transformer的火灾检测方法.为实现森林火灾的实时性检测,提出了YOLOv5s-SwinT的改进识别方法.基于Transformer模型的应用,解决了卷积神经网络的运算局部性以及全局特征提取等不足.融合Swin Transformer与YOLOv5s卷积神经网络模型,并将其应用于森林火灾检测的机器视觉任务中.引入α-IoU损失函数替换GIOU损失函数,并在骨干网络中融入CA注意力机制轻量模块,提升了整体网络的特征提取能力以及获取高质量和高精准度的定位图像区域,进行边界框生成及预测,改善小目标检测漏检及检测精度差等问题.实验结果表明,融合YOLOv5s-Swin T的改进识别方法在森林火灾检测任务中,可实现mAP值达到74.2%,相比YOLOv5s提高了4.5%,并设计了GUI界面直接部署到PC端实现实时火灾检测需求,为森林火灾检测视觉任务提供了一种有效的检测方法.

基于石门“5·18”火灾的南方夏季林火扑救方法探析

介绍了湖南石门"5·18"森林火灾的基本情况及扑救经过,火灾发生地的自然环境。阐述了扑救该火灾所用的多兵种参与、多战术综合运用、多机具参与的战术以及其中的经验和教训。根据南方夏季森林火灾发生的特点,论述了该火灾扑救对扑救南方夏季森林火灾3大方面的启示。此外,还指出了处置"5·18"火灾案件存在的法律问题。

基于树莓派的森林火灾检测系统设计

森林作为陆地上最大的生态系统,面对森林火灾却显得脆弱不堪。为了能够及时的发现火情,减轻森林值守人员的工作压力,设计一款远程图像传输与检测系统,对林区环境进行实时监测。使用树莓派进行图像采集终端硬件平台的设计,并以此为核心,设计硬件电路;以目前大量的森林火灾视频图像为训练样本,自定义森林火灾数据集,在原始YOLOv5模型的基础上进行改进;设计结果为上位机能够以1 s左右延时实时显示远程图像画面,检测模型可对视频流画面进行烟雾和火焰二分类实时检测,该系统基本满足设计任务。

长白山国家级自然保护区“5·29”森林火灾的扑救经验

介绍了长白山国家级自然保护区"5·29"森林火灾的概况、特点和扑救过程,指出了存在的问题,重点分析了扑救火灾的成功经验,为今后应对类似火灾提供借鉴。

基于YOLOv5的多传感器可迁移林火检测模型

快速准确地检测森林火灾中的火点对于减轻火灾损失和开展有效的灭火救援工作至关重要。深度学习技术可以自动学习并提取不同传感器获取的林火特征。无人机搭载不同类型的传感器可以快速获取森林实时图像,但不同传感器获取的图像特征不同,导致深度学习模型在不同图像中的迁移性较差。本研究基于YOLOv5预训练模型,使用286张可见光和红外图像进行迁移学习,以增强模型对不同图像类型的适用性。迁移学习后,模型对可见光图像测试集的检测精度提升了6%,对红外图像测试集的检测精度达到0.952,证明模型对两种传感器图像数据均具有较强的检测能力。相比可见光模型,多模态模型在包含可见光和红外图像的测试集上的mAP50达到0.914,表明模型成功地提高了对红外图像的检测能力,并保留了对可见光图像的良好检测性能。综上,本研究采用少量图像进行迁移学习,取得了较好结果。迁移学习可以使YOLOv5火灾检测模型适配红外图像,在保留可见光图像检测能力的同时,增强其对火情的检测准确性与环境适应性。这为实现基于多源数据的森林火灾检测奠定了基础,为提高森林火灾检测系统的智能化与自适应提供了思路。

从三场森林火灾的扑救经验看森林防火能力建设

剖析了山东省在扑救莱芜"4·16"、济南"4·18"、临沂"4·29"三起森林火灾中取得的10条宝贵经验,并在此基础上,阐述了山东省在加强森林防火工作上,要重点落实健全护林防火宣传教育网络、全面落实森林防火责任等10项能力的建设,以应对严峻的森林防火形势,全面提高森林火灾的防控与扑救能力。

PM_(2.5)主要来源有哪些?

PM2.5来源可分为自然源和人为源,自然源包括风扬尘土、火山灰、森林火灾、海盐等;人为源包括一次颗粒物和二次颗粒物。一次颗粒物由燃煤烟尘、工业粉尘、

PM2.5来自哪里？

PM2．5又称为可入肺颗粒物，或细颗粒物，是表征环境空气质量的主要污染物指标。PM2．5的来源可分为自然源和人为源。自然源包括：风扬尘土、火山灰、森林火灾、海盐等；人为源包括：燃煤烟尘、工业粉尘、机动车排气、建筑及道路扬尘等污染源直接排放到大气中硫氧化物、氮氧化物、氨、挥发性有机物等通过复杂的化学反应而产生，是大气中PM2．5的主要来源。

大兴安岭地区做好春季森林防火工作的举措

针对大兴安岭地区2007年春季严峻的防火形势,阐述了周密部署,建立长效机制,提高防控水平,切实改进防扑火队伍的战斗能力,提升应急处置能力,强化宣传效果等几项有效森林防火措施。

十八勇士斗火魔

2000年5月2日中午1时许,四川宜宾县蕨溪镇正华村一组山林中发生了一场森林火灾。该县真溪乡的徐培方、徐培招等18名民兵发现火警后立即奔赴火灾山头,带领闻讯赶来的50多名农民群众一起奋战数小时。