南京林业大学学报(自然科学版)

作者：薛震洋,林海峰,焦万果

单位：南京林业大学信息科学技术学院,江苏 南京 210037

关键词：林火识别,烟雾识别,目标检测,卷积神经网络

基金：江苏省重点研发计划(BE2021716)

【目的】由于火焰和烟雾都是动态目标,使得航拍视角下的森林火焰小目标和烟雾检测变得富有挑战性。基于卷积神经网络的林火小目标和烟雾检测模型构建对于平衡森林火灾小目标和烟雾目标的参数量和检测精度具有重要意义。【方法】根据林火检测实时性要求,对基于高实时性的FasterNet进行改进,并构建了FRSCnet的主干网络层。利用分组洗牌卷积(group shuffle convolution,GSConv)构建了FRSCnet的颈部网络层。在头部网络中,引入了卷积块注意力模块(CBAM)注意力机制。最后,在颈部网络的第1层添加了感受野阻滞(receptive field block,RFB)特征提取模块。【结果】FasterNet采用独特的部分卷积(partial convolution,PConv)技术,有效减少了冗余计算和内存访问,从而保证了模型在处理航拍图像时的高速检测性能。GSConv能够平衡模型的参数量和特征融合性能,从而在保证检测精度的同时减少了模型的复杂度。通过CBAM注意力机制,在尽可能少地增加参数量的情况下,模型能够更好地关注森林火灾小目标和烟雾目标,提高检测性能。RFB特征提取模块,可增大模型的感受野,更好地提取航拍视角下的森林火灾小目标和烟雾目标。实验结果表明,提出的FRSCnet模型的平均精度(mAP@0.5)达到了89.2%,比YOLOv7-tiny和YOLOv5-s模型分别提高了2.9%和5.3%,但是参数量比YOLOv7-tiny和YOLOv5-s模型低。【结论】提出的FRSCnet林火小目标和烟雾目标检测模型,在参数量和检测精度之间取得了较好的平衡。

来源：2025年第1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1期