南京林业大学学报(自然科学版)

作者：张晓雯,张福全

单位：南京林业大学信息科学技术学院,江苏 南京 210037

关键词：深度学习,林火检测,森林场景,YOLOv7,注意力机制

基金：江苏省重点研发计划(BE2021716)

【目的】森林火灾的频发严重破坏了自然环境并威胁到人身安全,因此及时检测出火灾源头是灭火的关键。森林中树木密度大、底层枯落物堆积和树冠层繁茂等自然环境对森林火灾的检测造成巨大的干扰。为了更准确地检测森林火灾,提出一种基于SBP-YOLOv7的森林火灾检测方法。【方法】首先,通过引入注意力机制增强的下采样模块 (BRA-MP),在下采样过程中增强特征选择能力,有效增强特征表示能力和语义关联性,从而提升模型对小目标的检测能力。其次,在模型的主干部分提出一种扩展部分卷积的高效层聚合模块(EP-ELAN),通过减少冗余计算以降低模型参数量。最后,采用Slim-neck颈部模块进行特征融合,在保证精度的同时降低模型的计算成本。【结果】在林火目标数据集上进行的对比验证结果显示,SBP-YOLOv7模型的平均精度(AP)达到87.0%,比原YOLOv7模型的AP增加2.3%。另外,SBP-YOLOv7模型参数量较YOLOv7降低22.77%,计算量降低17.13%。【结论】相比于传统YOLOv7算法,提出的SBP-YOLOv7模型拥有更高的精度和更少的参数,能够准确快速地检测出森林火灾。

来源：2025年第3期

《南京林业大学学报(自然科学版)》期刊编辑部

查看南京林业大学学报(自然科学版)杂志2025年第3期