面向復(fù)雜場(chǎng)景的森林防火監(jiān)測(cè)技術(shù)研究

摘 要：為解決森林防火工作中監(jiān)測(cè)預(yù)警不及時(shí)、不準(zhǔn)確的問(wèn)題，基于ＹＯＬＯｖ８ 模型提出了一種面向復(fù)雜場(chǎng)景的監(jiān)測(cè)技術(shù)，實(shí)現(xiàn)了森林火情的快速準(zhǔn)確監(jiān)測(cè)。在Ｂａｃｋｂｏｎｅ 部分引入動(dòng)態(tài)蛇形卷積（Ｄｙｎａｍｉｃ Ｓｎａｋｅ Ｃｏｎｖｏｌｕｔｉｏｎ，ＤｙＳＣｏｎｖ）模塊和全局注意力機(jī)制（Ｇｌｏｂａｌ Ａｔｔｅｎｔｉｏｎ Ｍｅｃｈａｎｉｓｍ，ＧＡＭ）模塊，顯著增強(qiáng)了模型的特征提取能力，提升了煙火特征的表現(xiàn)力。采用ＷＩｏＵ（Ｗｉｓｅ Ｉｎｔｅｒｓｅｃｔｉｏｎ ｏｖｅｒ Ｕｎｉｏｎ）損失函數(shù)，增強(qiáng)網(wǎng)絡(luò)對(duì)普通質(zhì)量錨框的關(guān)注度，從而提供更準(zhǔn)確的目標(biāo)檢測(cè)評(píng)估。通過(guò)將ＤｙＨｅａｄ 模塊集成到檢測(cè)頭中，增強(qiáng)了檢測(cè)頭的尺寸、空間和任務(wù)感知能力，優(yōu)化了整體性能。為了對(duì)模型性能進(jìn)行嚴(yán)格評(píng)估，設(shè)計(jì)了消融實(shí)驗(yàn)和主流模型對(duì)比實(shí)驗(yàn)，結(jié)果表明，提出的方法是有效的，該方法的權(quán)重大小為１４． ４ ＭＢ，平均精度均值（ｍｅａｎ Ａｖｅｒａｇｅ Ｐｒｅｃｉｓｉｏｎ，ｍＡＰ）＠ ． ５：． ９５ 達(dá)到８０． ３％ 。相較于ＹＯＬＯｖ８，ｍＡＰ＠ ５：． ９５ 提高了８． ７％ 。該模型可為遠(yuǎn)程火情監(jiān)控與預(yù)警提供技術(shù)支持，在森林防火工作中具備實(shí)用價(jià)值和現(xiàn)實(shí)意義。

關(guān)鍵詞：森林火情；深度學(xué)習(xí)；目標(biāo)檢測(cè)；ＹＯＬＯｖ８

中圖分類(lèi)號(hào)：ＴＰ３９９ 文獻(xiàn)標(biāo)志碼：Ａ 開(kāi)放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼（ＯＳＩＤ）：

文章編號(hào)：１００３－３１１４（２０２４）０４－０７７９－１０

０ 引言

火災(zāi)事故的發(fā)生對(duì)人類(lèi)生命和財(cái)產(chǎn)造成不可估量的損害，也對(duì)社會(huì)生態(tài)環(huán)境構(gòu)成巨大威脅。然而，森林火災(zāi)作為災(zāi)難性事件，可能導(dǎo)致森林破壞和空氣污染，從而加劇全球氣候變化［１－２］。因此，及早預(yù)警和快速抑制森林火情是必不可少的［３］。

目前，計(jì)算機(jī)視覺(jué)、機(jī)器學(xué)習(xí)快速發(fā)展，圖像檢測(cè)技術(shù)為識(shí)別火災(zāi)場(chǎng)景提供了巨大的機(jī)會(huì)［４］。現(xiàn)有的火情檢測(cè)研究可以分為兩大類(lèi)：傳統(tǒng)方法和基于深度學(xué)習(xí)的方法［５］。傳統(tǒng)方法大多數(shù)手動(dòng)提取顏色、運(yùn)動(dòng)、形狀和紋理等特征［６］來(lái)識(shí)別目標(biāo)區(qū)域，在火災(zāi)檢測(cè)領(lǐng)域做出了一定貢獻(xiàn)，但仍存在計(jì)算時(shí)間長(zhǎng)、主觀性較強(qiáng)等問(wèn)題。

與上述傳統(tǒng)方法相比，基于深度學(xué)習(xí)的方法檢測(cè)火焰和煙霧對(duì)象是一種更優(yōu)的方案［５］。采用神經(jīng)網(wǎng)絡(luò)來(lái)自動(dòng)學(xué)習(xí)火災(zāi)圖像特征，具有高效的檢測(cè)性能，在火災(zāi)檢測(cè)相關(guān)研究中已取得了顯著成果。Ｚｈａｎｇ 等［７］通過(guò)卷積神經(jīng)網(wǎng)絡(luò)（Ｃｏｎｖｏｌｕｔｉｏｎ ＮｅｕｒａｌＮｅｔｗｏｒｋ，ＣＮＮ）模型對(duì)小波分析生成的煙霧候選區(qū)域進(jìn)行濾波，定位圖片中火焰和煙霧的位置，在變電站場(chǎng)景下的火災(zāi)檢測(cè)中取得了較好的效果。Ｚｈａｎ等［８］采用改進(jìn)ＳＳＤ（Ｓｉｎｇａｌ Ｓｈｏｔ ｍｕｌｔｉｂｏｘ Ｄｅｔｅｃｔｏｒ）算法提高了火災(zāi)檢測(cè)中對(duì)低分辨率圖像和小物體的檢測(cè)性能。在一些研究中通過(guò)Ｆａｓｔｅｒ ＲＣＮＮ 算法檢測(cè)出圖像中的火災(zāi)、非火災(zāi)區(qū)域，然后通過(guò)格拉斯曼流形分析或長(zhǎng)短期記憶對(duì)邊界框內(nèi)的特征進(jìn)行匯總分類(lèi)［９－１０］，最終做出的火災(zāi)決策也較為準(zhǔn)確。ＹＯＬＯ作為經(jīng)典目標(biāo)檢測(cè)算法之一，以快速檢測(cè)著稱(chēng)，在火災(zāi)檢測(cè)應(yīng)用中，更是表現(xiàn)出了優(yōu)異的性能。在識(shí)別船舶火災(zāi)應(yīng)用中，改進(jìn)ＹＯＬＯｖ４-ｔｉｎｙ 算法在精度和召回率等評(píng)價(jià)指標(biāo)上都勝于ＳＳＤ 算法［１１］；在森林火災(zāi)探測(cè)應(yīng)用中，基于改進(jìn)ＹＯＬＯｖ５ 模型，大幅度提高了小目標(biāo)的森林火災(zāi)檢測(cè)的平均精度均值（ｍｅａｎＡｖｅｒａｇｅ Ｐｒｅｃｉｓｉｏｎ，ｍＡＰ），使整個(gè)模型對(duì)森林火災(zāi)場(chǎng)景極具魯棒性［１２］。綜上所述ＹＯＬＯ 算法在目標(biāo)檢測(cè)問(wèn)題中是行之有效的方法。

從近期森林火災(zāi)領(lǐng)域的研究來(lái)看，實(shí)現(xiàn)森林火情準(zhǔn)確探測(cè)，并真正具備實(shí)際應(yīng)用價(jià)值仍然是一個(gè)艱巨的挑戰(zhàn)。Ｑｉａｎ 等［２］提出了一種集成方法，實(shí)現(xiàn)了既能識(shí)別大目標(biāo)又能識(shí)別小目標(biāo)的火焰檢測(cè)。但未對(duì)森林火災(zāi)場(chǎng)景中的煙霧進(jìn)行識(shí)別。Ｘｉａｏ 等［１３］提出一種基于ＹＯＬＯｖ７ 的輕量級(jí)小目標(biāo)檢測(cè)模型，該模型在參數(shù)數(shù)量上達(dá)到了２７． ５ Ｍ，但對(duì)于實(shí)際應(yīng)用的便攜式監(jiān)控部署，仍有改進(jìn)的空間。因此，在森林火情檢測(cè)領(lǐng)域仍然迫切需要一個(gè)既能全面的考慮森林火情場(chǎng)景，又具有較為準(zhǔn)確的監(jiān)測(cè)精度的方法，來(lái)滿足實(shí)際森林防火應(yīng)用需求。

本文選用ＹＯＬＯ 系列的ＹＯＬＯｖ８ 作為基準(zhǔn)模型，并進(jìn)行了改進(jìn)，有效改善森林火災(zāi)場(chǎng)景下煙霧和火焰目標(biāo)識(shí)別精度低，漏檢高的問(wèn)題，最終模型權(quán)重大小僅有１４． ４ ＭＢ，可滿足實(shí)際應(yīng)用部署。

１ 數(shù)據(jù)準(zhǔn)備

１． １ 數(shù)據(jù)獲取

目前，適用本研究的公開(kāi)數(shù)據(jù)集并不廣泛。大多數(shù)火災(zāi)公開(kāi)數(shù)據(jù)集場(chǎng)景較單一，且質(zhì)量不高。因此，本文手動(dòng)搜集了一系列森林火災(zāi)圖像樣本，形成本研究的數(shù)據(jù)集。數(shù)據(jù)集共有６ ３８８ 張圖像，這些圖像來(lái)自不同的現(xiàn)實(shí)環(huán)境，如白天、黑夜、大霧、近端拍攝、監(jiān)控和航拍等。這些豐富的場(chǎng)景給本文火情檢測(cè)任務(wù)帶來(lái)了重大挑戰(zhàn)。例如黑夜的燈光、層積的烏云和大霧天氣等在鏡頭下會(huì)對(duì)目標(biāo)產(chǎn)生極強(qiáng)的干擾，但這也將有助于本文建立強(qiáng)大的模型。圖１展示了數(shù)據(jù)集的部分圖像。

本文將森林火情監(jiān)測(cè)目標(biāo)分為兩類(lèi)：火焰（ｆｉｒｅ）和煙霧（ｓｍｏｋｅ），并將數(shù)據(jù)集分成訓(xùn)練集、驗(yàn)證集和測(cè)試集，比例為８ ∶１ ∶１。采用ＬａｂｅｌＩｍｇ 標(biāo)記工具對(duì)６ ３８８ 張圖像中的火焰和煙霧進(jìn)行標(biāo)注，具體數(shù)據(jù)信息如表１ 所示。

１． ２ 數(shù)據(jù)增強(qiáng)

在模型訓(xùn)練過(guò)程中，對(duì)訓(xùn)練樣本進(jìn)行數(shù)據(jù)增強(qiáng)，會(huì)使模型具有更好的泛化性能。Ｍｏｓａｉｃ 數(shù)據(jù)增強(qiáng)最早是在ＹＯＬＯｖ４ 的文章中提出的，其思路就是將４ 張圖片進(jìn)行隨機(jī)裁剪，再拼接到一張圖上作為訓(xùn)練數(shù)據(jù)。這樣做的好處是，豐富了一張圖上的煙火目標(biāo)信息，且４ 張圖片拼接在一起變相地提高了單次訓(xùn)練樣本數(shù)（ｂａｔｃｈ＿ｓｉｚｅ），減少了對(duì)大ｂａｔｃｈ＿ｓｉｚｅ的依賴(lài)。圖２ 展示了在使用本文模型對(duì)森林火災(zāi)數(shù)據(jù)集進(jìn)行訓(xùn)練時(shí)候的Ｍｏｓａｉｃ 數(shù)據(jù)增強(qiáng)圖像。

在本研究中，通過(guò)Ｍｏｓａｉｃ 數(shù)據(jù)增強(qiáng)相當(dāng)于變相擴(kuò)充了數(shù)據(jù)集內(nèi)小目標(biāo)的火焰和煙霧數(shù)量。除此之外，也使得模型能夠?qū)W習(xí)到不同場(chǎng)景下火焰和煙霧目標(biāo)的各種姿態(tài)。

２ 改進(jìn)ＹＯＬＯｖ８ｎ 網(wǎng)絡(luò)架構(gòu)設(shè)計(jì)

ＹＯＬＯｖ８ｎ 是ＹＯＬＯｖ８ 算法中的輕量級(jí)參數(shù)結(jié)構(gòu)。它的網(wǎng)絡(luò)結(jié)構(gòu)包括骨干（Ｂａｃｋｂｏｎｅ）、頸部（Ｎｅｃｋ）和預(yù)測(cè)輸出頭（Ｈｅａｄ）三部分。骨干網(wǎng)絡(luò)從輸入圖像中提取不同尺度的特征。頸部網(wǎng)絡(luò)的作用是融合不同層次的特征圖，這里采用路徑聚合網(wǎng)絡(luò)－ 特征金字塔網(wǎng)絡(luò)（Ｐａｔｈ Ａｇｇｒｅｇａｔｉｏｎ Ｎｅｔｗｏｒｋ-Ｆｅａｔｕｒｅ Ｐｙｒａｍｉｄ Ｎｅｔｗｏｒｋ，ＰＡＮ-ＦＰＮ）方法形成高效傳播，通過(guò)特征金字塔結(jié)構(gòu)生成新的特征表示。頭部負(fù)責(zé)預(yù)測(cè)輸出，利用３ 組不同尺度的預(yù)測(cè)特征來(lái)檢測(cè)圖像內(nèi)容。

依據(jù)火災(zāi)檢測(cè)任務(wù)需求，本研究以ＹＯＬＯｖ８ｎ 為基準(zhǔn)模型，在骨干網(wǎng)絡(luò)中引入了動(dòng)態(tài)蛇形卷積模塊（Ｄｙｎａｍｉｃ Ｓｎａｋｅ Ｃｏｎｖｏｌｕｔｉｏｎ，ＤｙＳＣｏｎｖ），并添加了全局注意力機(jī)制（Ｇｌｏｂａｌ Ａｔｔｅｎｔｉｏｎ Ｍｅｃｈａｎｉｓｍ，ＧＡＭ）。將損失函數(shù)修改為ＷＩｏＵ，檢測(cè)頭更換為ＤｙＨｅａｄ。圖３ 為改進(jìn)后的ＹＯＬＯｖ８ｎ 架構(gòu)示意。

２． １ 骨干的改進(jìn)

由于火焰和煙霧在圖像中的形態(tài)、顏色和大小不同，原始ＹＯＬＯｖ８ｎ 使用普通卷積操作，在特征提取時(shí)沒(méi)有適應(yīng)圖形幾何變形時(shí)對(duì)不同位置區(qū)域的感受野尺寸的變化［１４］，有一定的局限性。為緩解這一問(wèn)題，在Ｂａｃｋｂｏｎｅ 的Ｃ２ｆ 模塊中引入了ＤｙＳＣｏｎｖ。ＤｙＳＣｏｎｖ［１５］是一種新穎的卷積方法，于２０２３ 年被提出用于管狀結(jié)構(gòu)特征。它的靈感來(lái)源于蛇的運(yùn)動(dòng)方式，具體地說(shuō)，ＤｙＳＣｏｎｖ 將連續(xù)性約束加入到了卷積核中，每一個(gè)卷積位置都由其前一個(gè)位置作為基準(zhǔn)，自由選擇擺動(dòng)方向，保證了感受野的連續(xù)性，也對(duì)位置變化具有良好的適應(yīng)能力。在采樣時(shí)可更貼近火焰和煙霧的形狀和尺寸。將其應(yīng)用在本研究任務(wù)中，有利于從圖像獲取煙火占比細(xì)小的結(jié)構(gòu)特征，加強(qiáng)模型的提取能力，從而提高模型檢測(cè)性能，圖４ 為ＤｙＳＣｏｎｖ 示意。

引入ＧＡＭ［１４］來(lái)學(xué)習(xí)煙火類(lèi)別無(wú)關(guān)的全局通道水平和空間水平的注意特征圖，以保留更詳細(xì)的微小信息，抑制無(wú)關(guān)的噪聲信息。其中包含了通道注意力（Ｃｈａｎｎｅｌ Ａｔｔｅｎｔｉｏｎ）模塊和空間注意力（ＳｐａｔｉａｌＡｔｔｅｎｔｉｏｎ）模塊兩個(gè)子模塊，這兩個(gè)模塊分別沿通道和空間兩個(gè)獨(dú)立的維度依次進(jìn)行注意力，在減少信息彌散的同時(shí)放大跨維度特征的交互作用。ＧＡＭ注意力結(jié)構(gòu)如圖５ 所示。其中，Ｍｃ 和Ｍｓ 分別為通道注意力特征圖和空間注意力特征圖；C為矩陣乘法。

２． ２ 頭部的改進(jìn)

ＤｙＨｅａｄ［１６］是一種新穎的動(dòng)態(tài)頭部框架，將目標(biāo)檢測(cè)頭與注意力機(jī)制相結(jié)合，旨在提高目標(biāo)檢測(cè)任務(wù)中的定位和分類(lèi)性能。本文使用的火災(zāi)數(shù)據(jù)集背景復(fù)雜且環(huán)境多變，包括多種形態(tài)的火焰與煙霧，ＤｙＨｅａｄ 這種具備多維感知能力的檢測(cè)頭，更加貼合本文火災(zāi)檢測(cè)任務(wù)。其通過(guò)有效結(jié)合跨特征層的多種自注意力機(jī)制，實(shí)現(xiàn)集成尺度感知、空間感知和任務(wù)感知的目標(biāo)檢測(cè)頭［１７］，顯著提高了目標(biāo)檢測(cè)頭的表達(dá)能力。ＤｙＨｅａｄ 的架構(gòu)設(shè)計(jì)如圖６ 所示。

πＬ 是尺度感知注意力，πＳ 是空間位置感知注意力，πＣ 是任務(wù)感知注意力。在圖６ 的ＤｙＨｅａｄ 架構(gòu)設(shè)計(jì)中，特征圖被轉(zhuǎn)換為三維張量，其中Ｌ 表示層數(shù)，Ｃ 表示通道數(shù)，Ｓ 表示特征圖的高度和寬度，并依次采用３ 種注意力機(jī)制來(lái)增強(qiáng)檢測(cè)性能。３ 種注意力的疊加形成了一個(gè)ＤｙＨｅａｄ Ｂｌｏｃｋ，本文使用的真正檢測(cè)頭是由４ 個(gè)ＤｙＨｅａｄ Ｂｌｏｃｋ 串行堆疊而成的。

２． ３ 損失函數(shù)的改進(jìn)

在ＹＯＬＯｖ８ｎ 網(wǎng)絡(luò)模型中，采用分布焦點(diǎn)損耗（Ｄｉｓｔｒｉｂｕｔｉｏｎ Ｆｏｃａｌ Ｌｏｓｓ，ＤＦＬ）和ＣＩｏＵ（Ｃｏｍｐｌｅｔｅ Ｉｎ-ｔｅｒｓｅｃｔｉｏｎ ｏｖｅｒ Ｕｎｉｏｎ）計(jì)算邊界框的回歸損失。ＣＩｏＵ將邊界框的縱橫比作為懲罰項(xiàng)加入到邊界框損失函數(shù)中［１８］，雖可以加快收斂過(guò)程，但對(duì)于長(zhǎng)寬比例差異較大的物體，判定能力較弱。除此之外，ＣＩｏＵ 還未考慮難易樣本的平衡問(wèn)題。因此，將ＣＩｏＵ 損失函數(shù)優(yōu)化為ＷＩｏＵ 損失函數(shù)［１９］，該函數(shù)有３ 個(gè)版本。

ＷＩｏＵ ｖ１ 是基于注意力的邊界框回歸損失，減少了幾何度量的懲罰，ＷＩｏＵ ｖ１ 的表達(dá)式為：

式中：ｘ、ｙ 分別為預(yù)測(cè)框中心點(diǎn)的橫縱坐標(biāo)值，ｘｇｔ、ｙｇｔ 分別為實(shí)際目標(biāo)框的中心點(diǎn)橫縱坐標(biāo)值，Ｗｇ、Ｈｇ 分別為最小邊界框的寬度和高度。

ＷＩｏＵ ｖ２ 設(shè)計(jì)了一種針對(duì)交叉熵的單調(diào)聚焦機(jī)制，能有效降低簡(jiǎn)單示例對(duì)損失值的貢獻(xiàn)。

ＷＩｏＵ ｖ３ 引入了動(dòng)態(tài)非單調(diào)聚焦機(jī)制，ＷＩｏＵ ｖ３的表達(dá)式為：

式中：δ、α 為超參數(shù)，β 為預(yù)測(cè)框的異常度，ｒ 為非單調(diào)聚焦系數(shù)，C*ＩｏＵ 為單調(diào)聚焦系數(shù)。

由于ＷＩｏＵ ｖ３ 具有動(dòng)態(tài)非單調(diào)調(diào)頻的明智梯度增益分配策略，為較小異常值的錨框分配小的梯度增益，使模型更關(guān)注普通質(zhì)量的錨框，能有效屏蔽低質(zhì)量樣本的影響。在本文的檢測(cè)任務(wù)中，ＷＩｏＵ ｖ３可以更好的衡量煙火類(lèi)目標(biāo)邊框的準(zhǔn)確性，提高模型的檢測(cè)性能。

２． ４ 訓(xùn)練設(shè)備和評(píng)價(jià)指標(biāo)

２． ４． １ 實(shí)驗(yàn)環(huán)境

本文所使用的實(shí)驗(yàn)配置環(huán)境為：ＣＰＵ 配置１３ｔｈＧｅｎ Ｉｎｔｅｌ （Ｒ） Ｃｏｒｅ （ＴＭ）ｉ９-１３９００ＫＦ；ＧＰＵ 配置ＮＶＩＤＩＡ ＧｅＦｏｒｃｅ ＲＴＸ ４０９０ ２４ ＧＢ 顯存；操作系統(tǒng)Ｗｉｎｄｏｗｓ １１；深度學(xué)習(xí)框架Ｐｙｔｏｒｃｈ２． ０． １，Ｐｙｔｈｏｎ ３． ９；調(diào)用ＧＰＵ 進(jìn)行訓(xùn)練，訓(xùn)練３００ 輪（Ｅｐｏｃｈ）。采用余弦退火衰減策略使學(xué)習(xí)率產(chǎn)生周期性變化，使得模型能夠穩(wěn)定地收斂，減少訓(xùn)練過(guò)程中的震蕩現(xiàn)象。

２． ４． ２ 模型評(píng)估指標(biāo)

本文使用精確度（Ｐｒｅｃｉｓｉｏｎ）、召回率（Ｒｅｃａｌｌ）和ｍＡＰ 作為檢測(cè)模型性能的評(píng)價(jià)指標(biāo)，表達(dá)式為：

式中：ＴＰ 為像中正確檢測(cè)煙火目標(biāo)的數(shù)量，ＦＰ 為圖像中檢測(cè)錯(cuò)誤與目標(biāo)分類(lèi)錯(cuò)誤的數(shù)量，ＦＮ 為圖像中漏檢的數(shù)量；Ｎ 為煙火目標(biāo)類(lèi)別的總數(shù)，Ｐｒｅｃｉｓｉｏｎ用來(lái)評(píng)估煙火類(lèi)目標(biāo)的預(yù)測(cè)是否正確，即在所有預(yù)測(cè)樣本中，準(zhǔn)確預(yù)測(cè)的概率；Ｒｅｃａｌｌ 對(duì)所有煙火類(lèi)目標(biāo)的評(píng)估和預(yù)測(cè)，反映了正確預(yù)測(cè)在所有實(shí)際正樣本中的比例；ＡＰｉ 為第ｉ 個(gè)類(lèi)別的平均精度，具體為第ｉ 類(lèi)目標(biāo)的ＰＲ 曲線與坐標(biāo)軸圍成的面積，反應(yīng)了目標(biāo)檢測(cè)精度的性能；ｍＡＰ 可衡量目標(biāo)檢測(cè)中的整體檢測(cè)精度。

此外，本研究使用模型尺寸作為參考指標(biāo)，模型越小，表示模型消耗的內(nèi)存越低。

３ 實(shí)驗(yàn)結(jié)果分析

為了對(duì)比分析本研究改進(jìn)后的模型性能，在模型訓(xùn)練參數(shù)一致的情況下設(shè)計(jì)了兩組試驗(yàn)：消融試驗(yàn)、主流模型性能對(duì)比試驗(yàn)。選取不同環(huán)境下的森林火情圖像數(shù)據(jù)進(jìn)行測(cè)試，從不同維度對(duì)模型的檢測(cè)效果進(jìn)行分析。

３． １ 消融實(shí)驗(yàn)對(duì)比

本文設(shè)計(jì)了５ 組消融實(shí)驗(yàn)，以評(píng)估不同改進(jìn)點(diǎn)對(duì)提高模型性能的有效性。這５ 個(gè)實(shí)驗(yàn)包括基準(zhǔn)模型Ａ、使用ＤｙＳＣｏｎｖ 的ＹＯＬＯｖ８ｎ 模型Ｂ、在Ｂ 基礎(chǔ)上加入ＧＡＭ 的模型Ｃ、將模型Ｃ 中損失函數(shù)修改為ＷＩｏＵｖ３ 的模型Ｄ、結(jié)合了上述所有改進(jìn)的模型Ｅ。表２ 列出了各消融模型的評(píng)價(jià)指標(biāo)，最佳指標(biāo)用粗體顯示。

從表２ 可以看出，本文提出的改進(jìn)策略是有效的，使模型性能評(píng)價(jià)指標(biāo)有所提升?；鶞?zhǔn)模型Ａ 在本任務(wù)中表現(xiàn)不理想，它各項(xiàng)評(píng)價(jià)指標(biāo)值最低。與模型Ａ 相比，模型Ｂ 的檢測(cè)精度和ｍＡＰ＠ ． ５ 略高，召回率和ｍＡＰ＠ ． ５：． ９５ 提升較明顯。模型Ｂ 在整體消融實(shí)驗(yàn)中的召回率最高，意味著ＤｙＨｅａｄ 的加入有效提升了模型對(duì)煙火目標(biāo)的提取能力，降低了森林火災(zāi)檢測(cè)中的漏檢問(wèn)題。模型Ｂ 相比，模型Ｃ 犧牲了一些召回率，但它的檢測(cè)精度達(dá)到了９２． ３％ 。損失函數(shù)的修改使模型Ｄ 脫穎而出，各項(xiàng)指標(biāo)進(jìn)一步提高。在模型Ｅ 中，ＤｙＨｅａｄ 模塊的加入導(dǎo)致模型尺寸增加了３． ９ ＭＢ，但它使ｍＡＰ＠ ． ５：． ９５ 的值大幅提升，測(cè)試集的ｍＡＰ＠ ． ５：． ９５ 從７６． ２％ 增加到８０． ３％，檢測(cè)精度達(dá)到了９３． ３％。相較于基準(zhǔn)模型召回率、ｍＡＰ＠ ． ５ 和ｍＡＰ＠ ． ５：． ９５ 分別提高了３． ４％、２． ２％和８． ７％，表現(xiàn)出了最佳的檢測(cè)性能。盡管一些改進(jìn)點(diǎn)的增加導(dǎo)致模型尺寸變大，但變大的幅度在可接受的范圍內(nèi)，能滿足實(shí)際應(yīng)用。因此，選用模型Ｅ作為本研究任務(wù)的檢測(cè)模型。圖７（ａ）～ 圖７（ｂ）展示了５ 個(gè)模型的Ｐｒｅｃｉｓｉｏｎ、Ｒｅｃａｌｌ 曲線。可以看出，模型Ｅ 的曲線在呈現(xiàn)上升趨勢(shì)的過(guò)程中，曲線波動(dòng)幅度較小，并且持續(xù)維持在最上方。在表２ 中模型Ｃ 的各項(xiàng)評(píng)價(jià)指標(biāo)較模型Ｂ 的提升并不大，但圖７（ａ）中模型Ｃ 的曲線較模型Ｂ 平穩(wěn)許多，這也驗(yàn)證了ＧＡＭ 的加入對(duì)模型性能的提升是有意義的。圖７（ｃ）展示了５ 個(gè)模型的ｍＡＰ＠ ． ５：． ９５ 曲線，模型Ｅ的ｍＡＰ＠ ． ５：． ９５ 值穩(wěn)穩(wěn)高于其他模型，這也表示模型Ｅ 在本文任務(wù)中具有最佳的準(zhǔn)確性和穩(wěn)定性。

ＹＯＬＯｖ８ 損失包括分類(lèi)損失、回歸損失?；貧w損失分兩部分，第一部分采用ＣＩｏＵ Ｌｏｓｓ 來(lái)評(píng)價(jià)預(yù)測(cè)框和目標(biāo)框之間的差異，對(duì)于模型Ｄ 和模型Ｅ 來(lái)說(shuō)，這部分采用ＷＩｏＵ 損失；第二部分就是分布焦點(diǎn)損失。圖８ 中曲線的一致性突出了本文模型的穩(wěn)定性能，由圖可知，本文模型的ＷＩｏＵ 損失收斂較快，意味著相較于未加入ＷＩｏＵ 損失函數(shù)的模型Ａ、模型Ｂ 和模型Ｃ，該模型在檢測(cè)過(guò)程中能夠更快、更好的找到最優(yōu)解。

使用梯度加權(quán)類(lèi)激活映射（Ｇｒａｄ-ＣＡＭ）這種視覺(jué)解釋方法，來(lái)突出顯示火災(zāi)圖像上感興趣的區(qū)域，更加直觀地解釋了５ 個(gè)消融模型的檢測(cè)［２０］。如圖９所示，紅色部分是圖像中實(shí)際影響模型決策的主要區(qū)域，這也為選用本文模型建立了合理的解釋。觀察發(fā)現(xiàn)，本文模型的可視化分析影響決策區(qū)域較大，且更細(xì)致。

３． ２ 不同模型檢測(cè)性能的比較

將本文模型與火災(zāi)檢測(cè)中常用的目標(biāo)檢測(cè)算法進(jìn)行對(duì)比，從表３ 可以推斷，本文模型具有最高召回率和ｍＡＰ 值，ｍＡＰ＠ ． ５ 達(dá)到了８８． ３％，ｍＡＰ＠ ． ５：． ９５達(dá)到了８０． ３％ 。然而，在相同的實(shí)驗(yàn)環(huán)境下，ＦａｓｔｅｒＲ-ＣＮＮ（７０． １％ ）、ＳＳＤ（６５． ４％ ）、ＹＯＬＯｖ３（７４． ３％ ）、ＹＯＬＯｖ４-ｔｉｎｙ （６９． ９％）、ＹＯＬＯｖ５ｓ （７４． ２％）、ＹＯＬＯｖ６（７４． ５％）、ＹＯＬＯｖ７（７１． １％）和ＹＯＬＯｖ７-ｔｉｎｙ（６７． ５％）在ｍＡＰ＠ ．５：．９５ 方面表現(xiàn)出顯著差異。本文模型大小為１４． ４ ＭＢ，雖然不及ＹＯＬＯｖ４-ｔｉｎｙ、ＹＯＬＯｖ６ 和ＹＯＬＯｖ７-ｔｉｎｙ 但相差不大，且在其他評(píng)價(jià)指標(biāo)上具備極大優(yōu)勢(shì)。Ｆａｓｔｅｒ Ｒ-ＣＮＮ、ＹＯＬＯｖ３ 和ＹＯＬＯｖ７ 都不符合輕量部署需求。由此可見(jiàn)，本文模型在模型大小和檢測(cè)精度之間取得了較好的平衡。既提高了森林火情檢測(cè)效果，又可以滿足遠(yuǎn)程監(jiān)控防火系統(tǒng)的便攜部署。

在相關(guān)研究中，除了直接使用上述檢測(cè)算法外，也對(duì)一些模型進(jìn)行了改進(jìn)。本文選用邱思遠(yuǎn)等［２１］提出的改進(jìn)ＹＯＬＯＸ 模型，何盼霞等［２２］提出的ＹＯＬＯｖ５-ＣＢＡＭＢｉＦＰＮ-ＣＡＲＡＦＥ 模型進(jìn)行比較。基于本文構(gòu)建的火災(zāi)數(shù)據(jù)集進(jìn)行模型訓(xùn)練，實(shí)驗(yàn)結(jié)果如表４ 所示，綜合比較所有評(píng)價(jià)指標(biāo)，本文模型均優(yōu)于二者，且模型大小更勝一籌。因此，本文模型在森林火災(zāi)場(chǎng)景下檢測(cè)效果優(yōu)異，具有實(shí)際參考價(jià)值。

３． ３ 改進(jìn)算法性能展示

為展示本文算法的檢測(cè)結(jié)果，從測(cè)試子集中隨機(jī)選擇了不同情況下的森林火災(zāi)圖像進(jìn)行比較，檢測(cè)結(jié)果如圖１０ 所示。

由圖１０ 可以看出，很明顯原始ＹＯＬＯｖ８ 模型出現(xiàn)了火焰、煙霧漏檢等現(xiàn)象。之所以出現(xiàn)這種現(xiàn)象可能是因?yàn)闄z測(cè)背景過(guò)于復(fù)雜，且目標(biāo)特征不明顯，給模型檢測(cè)造成了極大困難。相比而言，本文模型可以較準(zhǔn)確地檢測(cè)復(fù)雜場(chǎng)景中的煙霧和火焰，例如遠(yuǎn)處的微小火焰、難以判斷的煙霧，并且返回定位框架更為準(zhǔn)確。這些檢測(cè)圖片清楚地展示了本文模型在森林火情環(huán)境中具有優(yōu)越的檢測(cè)能力。但通過(guò)觀察發(fā)現(xiàn)，它仍然會(huì)出現(xiàn)一些漏檢問(wèn)題，需要進(jìn)一步優(yōu)化來(lái)滿足實(shí)際森林火情檢測(cè)需求。

４ 結(jié)束語(yǔ)

本文手動(dòng)收集了不同現(xiàn)實(shí)場(chǎng)景下的森林火情圖像，建立了豐富的森林火情數(shù)據(jù)集，可為防火檢測(cè)領(lǐng)域的研究提供數(shù)據(jù)支持。為了增強(qiáng)ＹＯＬＯｖ８ 檢測(cè)微小煙火目標(biāo)的能力，將ＤｙＳＣｏｎｖ 模塊和ＧＡＭ 注意力融入模型的Ｂａｃｋｂｏｎｅ 中，提高了算法的特征提取和表示能力。此外，ＷＩｏＵ ｖ３ 損失函數(shù)和ＤｙＨｅａｄ 的加入提供了更精準(zhǔn)的損失評(píng)估和檢測(cè)效果。實(shí)驗(yàn)結(jié)果表明，本文方法的檢測(cè)精度為９３． ３％ 、召回率值為８５． ８％ ，與原來(lái)的ＹＯＬＯｖ８ 算法相比ｍＡＰ＠ ． ５：．９５ 提高了８． ７％ ，在火災(zāi)檢測(cè)中表現(xiàn)出更可靠的性能。與常用目標(biāo)檢測(cè)算法相比，本文模型在所有評(píng)價(jià)指標(biāo)上取得了平衡，且模型尺寸為１４． ４ ＭＢ，可滿足實(shí)際火情檢測(cè)的需求。綜上所述，該模型在森林火情探測(cè)中具有較大的應(yīng)用潛力，可以考慮與遠(yuǎn)程防火監(jiān)控設(shè)備結(jié)合使用。

但本文模型仍存在缺陷：檢測(cè)過(guò)程中面對(duì)監(jiān)控畫(huà)面下強(qiáng)光照射的物體反光時(shí)，會(huì)出現(xiàn)火情檢測(cè)失敗的現(xiàn)象，導(dǎo)致模型的檢測(cè)效果不穩(wěn)定，應(yīng)用到實(shí)際中還存在弊端。因此，在未來(lái)工作中嘗試將圖像濾波及其他處理方法整合到檢測(cè)技術(shù)中，提高檢測(cè)問(wèn)題中的圖像質(zhì)量，解決強(qiáng)光反射下火災(zāi)識(shí)別失敗問(wèn)題。細(xì)致考慮實(shí)際應(yīng)用場(chǎng)景，全面提高模型的魯棒性能，助力實(shí)現(xiàn)森林防火的準(zhǔn)確監(jiān)測(cè)。

參考文獻(xiàn)

［１］ ＫＨＡＲＵＫ Ｖ Ｉ，ＰＯＮＯＭＡＲＥＶ Ｅ Ｉ，ＩＶＡＮＯＶＡ Ｇ Ａ，ｅｔ ａｌ．Ｗｉｌｄｆｉｒｅｓ ｉｎ ｔｈｅ Ｓｉｂｅｒｉａｎ Ｔａｉｇａ ［Ｊ］． Ａｍｂｉｏ，２０２１，５０：１９５３－１９７４．

［２］ ＱＩＡＮ Ｊ Ｃ，ＢＡＩ Ｄ，ＪＩＡＯ Ｗ Ｇ，ｅｔ ａｌ． Ａ Ｈｉｇｈｐｒｅｃｉｓｉｏｎ Ｅｎｓｅｍｂｌｅ Ｍｏｄｅｌ ｆｏｒ Ｆｏｒｅｓｔ Ｆｉｒｅ Ｄｅｔｅｃｔｉｏｎ ｉｎ Ｌａｒｇｅ ａｎｄ ＳｍａｌｌＴａｒｇｅｔｓ［Ｊ］． Ｆｏｒｅｓｔｓ，２０２３，１４（１０）：２０８９．

［３］ ＳＩＥＲＲＡ Ｄ，ＭＯＮＴＡＮＡＲＯ Ｗ，ＫＵＯ Ｌ，ｅｔ ａｌ． ＥｎｈａｎｃｉｎｇＦｉｒｅ Ｄｅｔｅｃｔｉｏｎ Ｔｈｒｏｕｇｈ ＣＮＮ ａｎｄ Ｔｒａｎｓｆｅｒ Ｌｅａｒｎｉｎｇ：ＡＣｏｍｐｒｅｈｅｎｓｉｖｅ Ｒｅｓｅａｒｃｈ Ｓｔｕｄｙ Ｃｏｒｒｅｓｐｏｎｄｉｎｇ Ａｕｔｈｏｒ［Ｊ］． Ｊｏｕｒｎａｌ ｏｆ Ｅｎｇｉｎｅｅｒｉｎｇ ａｎｄ Ａｐｐｌｉｅｄ Ｓｃｉｅｎｃｅｓ Ｔｅｃｈｎｏｌｏｇｙ，２０２３，５（５）：１－６．

［４］ ＧＥＥＴＨＡ Ｓ，ＡＢＨＩＳＨＥＫ Ｃ Ｓ，ＡＫＳＨＡＹＡＮＡＴ Ｃ Ｓ． Ｍａｃｈｉｎｅ Ｖｉｓｉｏｎ Ｂａｓｅｄ Ｆｉｒｅ Ｄｅｔｅｃｔｉｏｎ Ｔｅｃｈｎｉｑｕｅｓ：Ａ Ｓｕｒｖｅｙ［Ｊ］． Ｆｉｒｅ Ｔｅｃｈｎｏｌｏｇｙ，２０２１，５７：５９１－６２３．

［５］ ＨＯＵ Ｆ，ＲＵＩ Ｘ，ＣＨＥＮ Ｙ，ｅｔ ａｌ． Ｆｌａｍｅ ａｎｄ ＳｍｏｋｅＳｅｍａｎｔｉｃ Ｄａｔａｓｅｔ：Ｉｎｄｏｏｒ Ｆｉｒｅ Ｄｅｔｅｃｔｉｏｎ ｗｉｔｈ ＤｅｅｐＳｅｍａｎｔｉｃ Ｓｅｇｍｅｎｔａｔｉｏｎ Ｍｏｄｅｌ ［Ｊ］． Ｅｌｅｃｔｒｏｎｉｃｓ，２０２３，１２（１８）：３７７８．

［６］ ＤＡＲＡＪＡＴ Ａ Ｎ，ＳＴＨＥＶＡＮＩＥ Ｆ，ＲＡＭＡＤＨＡＮＩ Ｋ Ｎ． ＦｉｒｅＤｅｔｅｃｔｉｏｎ ｏｎ Ｖｉｄｅｏ Ｕｓｉｎｇ Ｍｕｌｔｉｆｅａｔｕｒｅ Ｆｕｓｉｏｎ ａｎｄＳｕｐｐｏｒｔ Ｖｅｃｔｏｒ Ｍａｃｈｉｎｅ ［Ｃ］∥２０２３ １１ｔｈ ＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅ ｏｎ Ｉｎｆｏｒｍａｔｉｏｎ ａｎｄ Ｃｏｍｍｕｎｉｃａｔｉｏｎ Ｔｅｃｈｎｏｌｏｇｙ（ＩＣｏＩＣＴ）． Ｍｅｌａｋａ：ＩＥＥＥ，２０２３：６００－６０５．

［７］ ＺＨＡＮＧ Ｘ，ＷＡＮＧ Ｗ Ｇ，ＬＩ Ｘ Ｒ，ｅｔ ａｌ． Ｆｌａｍｅ ａｎｄ ＳｍｏｋｅＤｅｔｅｃｔｉｏｎ ｉｎ Ｓｕｂｓｔａｔｉｏｎ Ｂａｓｅｄ ｏｎ Ｗａｖｅｌｅｔ Ａｎａｌｙｓｉｓ ａｎｄＣｏｎｖｏｌｕｔｉｏｎ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ ［Ｃ］∥ＩＣＩＡＩ’１９：Ｐｒｏｃｅｅｄｉｎｇｓｏｆ ｔｈｅ ２０１９ ３ｒｄ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｉｎｎｏｖａｔｉｏｎ ｉｎＡｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ． Ｓｕｚｈｏｕ：ＡＣＭ，２０１９：２４８－２５２．

［８］ ＺＨＡＮ Ｈ Ｗ，ＰＥＩ Ｘ Ｙ，ＺＨＡＮＧ Ｔ Ｈ，ｅｔ ａｌ． Ｒｅｓｅａｒｃｈ ｏｎＦｌａｍｅ Ｄｅｔｅｃｔｉｏｎ Ｍｅｔｈｏｄ Ｂａｓｅｄ ｏｎ Ｉｍｐｒｏｖｅｄ ＳＳＤＡｌｇｏｒｉｔｈｍ［Ｊ］． Ｊｏｕｒｎａｌ ｏｆ Ｉｎｔｅｌｌｉｇｅｎｔ ＆ Ｆｕｚｚｙ Ｓｙｓｔｅｍｓ：Ａｐｐｌｉｃａｔｉｏｎｓ ｉｎ Ｅｎｇｉｎｅｅｒｉｎｇ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ，２０２３，４５（４）：６５０１－６５１２．

［９］ ＢＡＲＭＰＯＵＴＩＳ Ｐ，ＤＩＭＩＴＲＯＰＯＵＬＯＳ Ｋ，ＫＡＺＡ Ｋ，ｅｔ ａｌ．Ｆｉｒｅ Ｄｅｔｅｃｔｉｏｎ ｆｒｏｍ Ｉｍａｇｅｓ Ｕｓｉｎｇ Ｆａｓｔｅｒ ＲＣＮＮ ａｎｄ Ｍｕｌｔｉｄｉｍｅｎｓｉｏｎａｌ Ｔｅｘｔｕｒｅ Ａｎａｌｙｓｉｓ［Ｃ］∥２０１９ ＩＥＥＥ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ａｃｏｕｓｔｉｃｓ，Ｓｐｅｅｃｈ ａｎｄ Ｓｉｇｎａｌ Ｐｒｏｃｅｓｓｉｎｇ （ＩＣＡＳＳＰ）． Ｂｒｉｇｈｔｏｎ：ＩＥＥＥ，２０１９：８３０１－８３０５．

［１０］ＫＩＭ Ｂ，ＬＥＥ Ｊ． Ａ Ｖｉｄｅｏｂａｓｅｄ Ｆｉｒｅ Ｄｅｔｅｃｔｉｏｎ Ｕｓｉｎｇ ＤｅｅｐＬｅａｒｎｉｎｇ Ｍｏｄｅｌｓ［Ｊ］． Ａｐｐｌｉｅｄ Ｓｃｉｅｎｃｅｓ，２０１９，９（１４）：２８６２．

［１１］ＷＵ Ｈ Ｆ，ＨＵ Ｙ Ｌ，ＷＡＮＧ Ｗ Ｊ，ｅｔ ａｌ． Ｓｈｉｐ Ｆｉｒｅ ＤｅｔｅｃｔｉｏｎＢａｓｅｄ ｏｎ ａｎ Ｉｍｐｒｏｖｅｄ ＹＯＬＯ Ａｌｇｏｒｉｔｈｍ ｗｉｔｈ ａＬｉｇｈｔｗｅｉｇｈｔ Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ Ｍｏｄｅｌ ［Ｊ］．Ｓｅｎｓｏｒｓ，２０２２，２２（１９）：７４２０．

［１２］ＸＵＥ Ｚ Ｙ，ＬＩＮ Ｈ Ｆ，ＷＡＮＧ Ｆ． Ａ Ｓｍａｌｌ Ｔａｒｇｅｔ Ｆｏｒｅｓｔ ＦｉｒｅＤｅｔｅｃｔｉｏｎ Ｍｏｄｅｌ Ｂａｓｅｄ ｏｎ ＹＯＬＯｖ５ Ｉｍｐｒｏｖｅｍｅｎｔ ［Ｊ］．Ｆｏｒｅｓｔｓ，２０２２，１３（８）：１３３２．

［１３］ＸＩＡＯ Ｚ，ＷＡＮ Ｆ，ＬＥＩ Ｇ Ｂ，ｅｔ ａｌ． ＦＬＹＯＬＯｖ７：Ａ Ｌｉｇｈｔｗｅｉｇｈｔ Ｓｍａｌｌ Ｏｂｊｅｃｔ Ｄｅｔｅｃｔｉｏｎ Ａｌｇｏｒｉｔｈｍ ｉｎ Ｆｏｒｅｓｔ ＦｉｒｅＤｅｔｅｃｔｉｏｎ［Ｊ］． Ｆｏｒｅｓｔｓ，２０２３，１４（９）：１８１２．

［１４］ＬＩＵ Ｙ Ｃ，ＳＨＡＯ Ｚ Ｒ，ＨＯＦＦＭＡＮＮ Ｎ． Ｇｌｏｂａｌ ＡｔｔｅｎｔｉｏｎＭｅｃｈａｎｉｓｍ：Ｒｅｔａｉｎ Ｉｎｆｏｒｍａｔｉｏｎ ｔｏ Ｅｎｈａｎｃｅ Ｃｈａｎｎｅｌｓｐａｔｉａｌ Ｉｎｔｅｒａｃｔｉｏｎｓ［ＥＢ／ ＯＬ］． （２０２１ －１２ － １０）［２０２４ －０１－２２］． ｈｔｔｐｓ：∥ａｒｘｉｖ． ｏｒｇ／ ａｂｓ／２１１２． ０５５６１．

［１５］ＱＩ Ｙ Ｌ，ＨＥ Ｙ Ｔ，ＱＩ Ｘ Ｍ，ｅｔ ａｌ． Ｄｙｎａｍｉｃ Ｓｎａｋｅ Ｃｏｎｖｏｌｕｔｉｏｎ Ｂａｓｅｄ ｏｎ Ｔｏｐｏｌｏｇｉｃａｌ Ｇｅｏｍｅｔｒｉｃ Ｃｏｎｓｔｒａｉｎｔｓ ｆｏｒＴｕｂｕｌａｒ Ｓｔｒｕｃｔｕｒｅ Ｓｅｇｍｅｎｔａｔｉｏｎ ［Ｃ］∥２０２３ ＩＥＥＥ／ ＣＶＦＩｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｃｏｍｐｕｔｅｒ Ｖｉｓｉｏｎ （ＩＣＣＶ）．Ｐａｒｉｓ：ＩＥＥＥ，２０２３：６０４７－６０５６．

［１６］ＤＡＩ Ｘ Ｙ，ＣＨＥＮ Ｙ Ｐ，ＸＩＡＯ Ｂ，ｅｔ ａｌ． Ｄｙｎａｍｉｃ Ｈｅａｄ：Ｕｎｉｆｙｉｎｇ Ｏｂｊｅｃｔ Ｄｅｔｅｃｔｉｏｎ Ｈｅａｄｓ ｗｉｔｈ Ａｔｔｅｎｔｉｏｎｓ［Ｃ］∥２０２１ＩＥＥＥ／ ＣＶＦ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｃｏｍｐｕｔｅｒ Ｖｉｓｉｏｎ ａｎｄ ＰａｔｔｅｒｎＲｅｃｏｇｎｉｔｉｏｎ （ＣＶＰＲ）． Ｎａｓｈｖｉｌｌｅ：ＩＥＥＥ，２０２１：７３６９－７３７８．

［１７］梁興碧． 駕駛環(huán)境感知算法研究［Ｊ］． 科學(xué)技術(shù)創(chuàng)新，２０２２（２５）：４５－４８．

［１８］周順勇，劉學(xué)，朱豪，等． 基于改進(jìn)ＹＯＬＯｖ５ｓ 的脆桃缺陷檢測(cè)［Ｊ］． 國(guó)外電子測(cè)量技術(shù)，２０２３，４２（１０）：１３９－１４６．

［１９］ＴＯＮＧ Ｚ Ｊ，ＣＨＥＮ Ｙ Ｈ，ＸＵ Ｚ Ｗ，ｅｔ ａｌ． ＷｉｓｅＩｏＵ：Ｂｏｕｎｄｉｎｇ Ｂｏｘ Ｒｅｇｒｅｓｓｉｏｎ Ｌｏｓｓ ｗｉｔｈ Ｄｙｎａｍｉｃ ＦｏｃｕｓｉｎｇＭｅｃｈａｎｉｓｍ［ＥＢ／ ＯＬ］． （２０２３－０４－０８）［２０２４－０１－２２］．ｈｔｔｐｓ：∥ａｒｘｉｖ． ｏｒｇ／ ａｂｓ／２３０１． １００５１．

［２０］ＳＥＬＶＡＲＡＪＵ Ｒ Ｒ，ＣＯＧＳＷＥＬＬ Ｍ，ＤＡＳ Ａ，ｅｔ ａｌ． Ｇｒａｄｃａｍ：Ｖｉｓｕａｌ Ｅｘｐｌａｎａｔｉｏｎｓ ｆｒｏｍ Ｄｅｅｐ Ｎｅｔｗｏｒｋｓ ｖｉａＧｒａｄｉｅｎｔｂａｓｅｄ Ｌｏｃａｌｉｚａｔｉｏｎ［Ｃ］∥２０１７ ＩＥＥＥ ＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅ ｏｎ Ｃｏｍｐｕｔｅｒ Ｖｉｓｉｏｎ （ＩＣＣＶ）． Ｖｅｎｉｃｅ：ＩＥＥＥ，２０１７：６１８－６２６．

［２１］邱思遠(yuǎn)，王孝蘭，張偉偉，等． 基于ＹＯＬＯＸ 的森林火災(zāi)早期預(yù)警研究［Ｊ］． 農(nóng)業(yè)裝備與車(chē)輛工程，２０２３，６１（１１）：１０６－１１０．

［２２］何盼霞，張梅，齊至家． 基于改進(jìn)ＹＯＬＯｖ５ 的森林火災(zāi)檢測(cè)算法研究［Ｊ］． 蘭州工業(yè)學(xué)院學(xué)報(bào)，２０２３，３０（４）：７３－７８．

作者簡(jiǎn)介：

曹麗英 女，（１９７８—），博士，教授，碩士生導(dǎo)師。主要研究方向：計(jì)算機(jī)視覺(jué)、圖像處理與深度學(xué)習(xí)、智慧農(nóng)業(yè)與遙感圖像處理。

楊玉竹 女，（２０００—），碩士研究生。主要研究方向：計(jì)算機(jī)視覺(jué)、圖像處理與深度學(xué)習(xí)。

李樹(shù)龍 男，（２０００—），碩士研究生。主要研究方向：計(jì)算機(jī)視覺(jué)、圖像處理與深度學(xué)習(xí)。

孫 淼 男，（２０００—），碩士研究生。主要研究方向：計(jì)算機(jī)視覺(jué)、圖像處理與深度學(xué)習(xí)。

（*通信作者）陳桂芬 女，（１９５６—），博士，二級(jí)教授，博士生導(dǎo)師。主要研究方向：智能系統(tǒng)、數(shù)據(jù)挖掘、智慧農(nóng)業(yè)等計(jì)算機(jī)應(yīng)用理論與技術(shù)。

基金項(xiàng)目：國(guó)家自然科學(xué)基金（Ｕ１９Ａ２０６１）；吉林省科技廳中青年科技創(chuàng)新創(chuàng)業(yè)卓越人才（團(tuán)隊(duì)）項(xiàng)目（創(chuàng)新類(lèi)）（２０２２０５０８１３３ＲＣ）；吉林省科技發(fā)展計(jì)劃項(xiàng)目（２０２１０４０４０２０ＮＣ）