基于YOLOv5的森林火災(zāi)檢測(cè)方法研究

摘 要：針對(duì)人工監(jiān)測(cè)森林火災(zāi)困難等問(wèn)題，提出一種基于YOLOv5的森林火災(zāi)檢測(cè)方法，旨在提高火災(zāi)監(jiān)測(cè)的效率和準(zhǔn)確率。首先，對(duì)所使用的公開(kāi)火災(zāi)圖像數(shù)據(jù)集進(jìn)行預(yù)處理；然后，通過(guò)模型訓(xùn)練提高森林火災(zāi)檢測(cè)的準(zhǔn)確率和實(shí)時(shí)性；最后，將YOLOv5s、YOLOv5m和YOLOv5l等3種網(wǎng)絡(luò)模型進(jìn)行評(píng)估對(duì)比。試驗(yàn)結(jié)果表明，YOLOv5l模型構(gòu)建的森林火災(zāi)檢測(cè)方法在火災(zāi)圖像識(shí)別中體現(xiàn)出了較高的準(zhǔn)確率，其準(zhǔn)確率達(dá)到90%，檢測(cè)速率提高了2.4%。

關(guān)鍵詞：森林火災(zāi)檢測(cè)；YOLOv5；深度學(xué)習(xí)；目標(biāo)檢測(cè)

中圖分類號(hào)：S762.3 文獻(xiàn)標(biāo)志碼：A 文章編號(hào)：1674-7909（2024）11-148-4

DOI：10.19345/j.cnki.1674-7909.2024.11.034

0 引言

森林火災(zāi)是一種具有毀滅性的自然災(zāi)害。傳統(tǒng)的火災(zāi)檢測(cè)手段依賴人工監(jiān)視，容易出現(xiàn)盲區(qū)和漏報(bào)，且傳統(tǒng)設(shè)備成本高，運(yùn)行維護(hù)復(fù)雜。隨著深度學(xué)習(xí)技術(shù)的不斷進(jìn)步，YOLO系列的目標(biāo)檢測(cè)模型取得了顯著成就［1-2］。YOLOv5是一種高效的目標(biāo)檢測(cè)模型，具有快速、準(zhǔn)確的特點(diǎn)，可在實(shí)時(shí)場(chǎng)景中快速識(shí)別目標(biāo)。

傳統(tǒng)的火災(zāi)檢測(cè)主要依賴煙霧、溫度和火焰?zhèn)鞲衅鞯?，花費(fèi)時(shí)間長(zhǎng)且易受到環(huán)境影響，存在誤報(bào)率高、盲區(qū)大的缺陷［3-4］。國(guó)外學(xué)者還利用深度學(xué)習(xí)算法［5］，對(duì)火災(zāi)相關(guān)數(shù)據(jù)進(jìn)行分析建模，提高準(zhǔn)確率和智能化水平。國(guó)內(nèi)研究機(jī)構(gòu)和企業(yè)也在嘗試結(jié)合傳感技術(shù)、深度學(xué)習(xí)等，積極探索智能化的火災(zāi)監(jiān)測(cè)方法［6］。目前，在火災(zāi)傳感器領(lǐng)域研發(fā)了一系列智能傳感器產(chǎn)品［7］。文獻(xiàn)［8］開(kāi)發(fā)了一種先進(jìn)的火災(zāi)預(yù)警裝置，極大增強(qiáng)了火災(zāi)監(jiān)測(cè)的準(zhǔn)確性與信賴度。文獻(xiàn)［9］提出了一種能夠滿足在建筑、地鐵、地下車庫(kù)等場(chǎng)所應(yīng)用的火災(zāi)監(jiān)測(cè)技術(shù)。

森林火災(zāi)的破壞性影響是全方位的，加強(qiáng)其防治對(duì)保衛(wèi)民眾的生命和資產(chǎn)、保持社會(huì)穩(wěn)定具有重大意義。因此，筆者提出一個(gè)基于YOLOv5模型的森林火災(zāi)檢測(cè)方法，對(duì)YOLOv5系列權(quán)重模型進(jìn)行試驗(yàn)對(duì)比，選取綜合性能好的模型，以提升火災(zāi)偵測(cè)的效率。

1 相關(guān)理論介紹

1.1 YOLOv5模型介紹

YOLOv5模型標(biāo)志著YOLO系列在目標(biāo)檢測(cè)技術(shù)上的進(jìn)一步發(fā)展，通過(guò)引入新的改進(jìn)措施，優(yōu)化了算法的效率和準(zhǔn)確率。YOLOv5的系統(tǒng)框架包括輸入端、核心處理單元Backbone、過(guò)渡層Neck及輸出預(yù)測(cè)模塊Prediction等4個(gè)主要部分。

1.1.1 輸入端

輸入端的主要目的是接收、預(yù)處理和準(zhǔn)備圖像數(shù)據(jù)，為算法的檢測(cè)和識(shí)別任務(wù)提供必要的輸入。

1.1.2 核心處理單元Backbone

Backbone網(wǎng)絡(luò)利用卷積神經(jīng)網(wǎng)絡(luò)在多種空間分辨率上捕捉并融合圖像特征，生成用于目標(biāo)檢測(cè)的深層次特征圖。

1.1.3 過(guò)渡層Neck

在YOLOv5的框架中，Neck區(qū)域由多層級(jí)構(gòu)成，這些層級(jí)位于主網(wǎng)絡(luò)之后，負(fù)責(zé)在不同尺度上對(duì)特征進(jìn)行深入的提取和綜合，以優(yōu)化目標(biāo)檢測(cè)的性能。

1.1.4 輸出預(yù)測(cè)模塊Prediction

該模塊是網(wǎng)絡(luò)的核心組成部分，其功能是產(chǎn)生目標(biāo)檢測(cè)的預(yù)測(cè)邊界框及類別置信度。該檢測(cè)頭部由多級(jí)卷積層和全連接層構(gòu)成，以輸出目標(biāo)的具體位置、所屬類別和檢測(cè)置信度。

1.2 YOLOv5的3個(gè)權(quán)重模型

YOLOv5通過(guò)單次前向傳播來(lái)實(shí)現(xiàn)快速而準(zhǔn)確的目標(biāo)檢測(cè)，最新版本提供了3種模型：小型s、中型m和大型l，其多樣性使得YOLOv5能夠靈活適應(yīng)從簡(jiǎn)單到復(fù)雜的各種目標(biāo)檢測(cè)任務(wù)，進(jìn)一步擴(kuò)展了在目標(biāo)識(shí)別領(lǐng)域的應(yīng)用范圍。

1.2.1 YOLOv5s模型

該模型體積小、參數(shù)簡(jiǎn)，在移動(dòng)或嵌入式平臺(tái)等資源受限時(shí)也能實(shí)現(xiàn)卓越的性能，準(zhǔn)確率高且速率快，適合對(duì)即時(shí)性要求較高的應(yīng)用場(chǎng)景。

1.2.2 YOLOv5m模型

YOLOv5m具有更精細(xì)的網(wǎng)絡(luò)構(gòu)架和更多的超參數(shù)，適用于檢測(cè)準(zhǔn)確率要求較高的應(yīng)用場(chǎng)景。相比于YOLOv5s，其速度可能會(huì)略微降低，但在準(zhǔn)確率和速度之間取得了平衡。

1.2.3 YOLOv5l模型

該模型有最多的網(wǎng)絡(luò)層和參數(shù)，適于復(fù)雜場(chǎng)景和小目標(biāo)檢測(cè)，常用于對(duì)準(zhǔn)確率要求極高的領(lǐng)域。但由于其較大的模型規(guī)模，YOLOv5l的速度可能會(huì)較慢，且對(duì)計(jì)算資源的要求也更高。

2 模型部署

2.1 整體設(shè)計(jì)

此研究提出的森林火災(zāi)檢測(cè)方法包含從數(shù)據(jù)采集到模型部署的各個(gè)關(guān)鍵步驟，包括數(shù)據(jù)集收集、數(shù)據(jù)集標(biāo)注、調(diào)整模型訓(xùn)練參數(shù)和模型訓(xùn)練。將YOLOv5系列權(quán)重模型進(jìn)行試驗(yàn)對(duì)比，綜合選取性能最優(yōu)的模型，提高火災(zāi)偵測(cè)的效率和準(zhǔn)確率。

2.2 數(shù)據(jù)集介紹

采用百度飛槳AI Studio的公開(kāi)火災(zāi)圖像數(shù)據(jù)集。該數(shù)據(jù)集共2 676張圖像，將其按照訓(xùn)練集、驗(yàn)證集、測(cè)試集約3∶1∶1的比例進(jìn)行劃分，得到1 442張訓(xùn)練集，617張驗(yàn)證集，617張測(cè)試集。

使用labelimg對(duì)所有圖像標(biāo)注，框選標(biāo)記圖片中的火焰部分，分為fire和nofire兩類。再?gòu)膶?dǎo)出的.xml文件中提取出類別和坐標(biāo)信息，轉(zhuǎn)換成.txt格式的標(biāo)簽數(shù)據(jù)。每一行數(shù)據(jù)包括5個(gè)部分，第1個(gè)數(shù)據(jù)代表類別，后面4個(gè)表示坐標(biāo)，火的類別用0表示。標(biāo)注文件中包含目標(biāo)類別、中心點(diǎn)坐標(biāo)和寬高信息。

2.3 評(píng)估指標(biāo)

2.3.1 準(zhǔn)確率P

準(zhǔn)確率是衡量預(yù)測(cè)準(zhǔn)確性的指標(biāo)，其值為系統(tǒng)準(zhǔn)確檢測(cè)到的火災(zāi)目標(biāo)樣本計(jì)數(shù)TP/（TP+系統(tǒng)將非火災(zāi)目標(biāo)判定為火災(zāi)目標(biāo)樣本計(jì)數(shù)FP）。

2.3.2 召回率R

召回率衡量模型在辨識(shí)真實(shí)正樣本上的成效，表示正確識(shí)別的實(shí)際正類別目標(biāo)的比例，其值為TP/（TP+沒(méi)有正確識(shí)別出火災(zāi)目標(biāo)的樣本數(shù)量FN）。

2.3.3 平均準(zhǔn)確率AP

平均準(zhǔn)確率是指P—R曲線下方的面積，用于評(píng)估目標(biāo)檢測(cè)算法的總體表現(xiàn)。通常使用積分進(jìn)行求值，其值越大，表明模型的準(zhǔn)確率越高。然而，平均準(zhǔn)確率高并不代表算法在準(zhǔn)確率和覆蓋率之間取得了最佳平衡。因此，還需要用P—R曲線來(lái)評(píng)估算法。

2.3.4 平均準(zhǔn)確率均值mAP

平均準(zhǔn)確率均值綜合反映了模型在各個(gè)類別中對(duì)目標(biāo)的識(shí)別準(zhǔn)確率，取值范圍為0到1，越接近1表示性能越好，其計(jì)算公式見(jiàn)式（1）。

[mAP=1nk=1k=nAPk]" " " " " " " " " " " " " " "（1）

式（1）中：n為類別的總數(shù)，AP為類別k的平均準(zhǔn)確率。

3 試驗(yàn)與分析

3.1 試驗(yàn)環(huán)境

輸入的圖像尺寸大小為640*640，批量設(shè)置大小設(shè)為16，總迭代次數(shù)為100次，其他環(huán)境配置如表1所示。

3.2 結(jié)果分析

3.2.1 Weights文件（權(quán)重值）

Weights文件通常用于存儲(chǔ)深度學(xué)習(xí)模型的參數(shù)和權(quán)重，包含best.pt和last.pt兩個(gè)文件。

best.pt用于存儲(chǔ)訓(xùn)練過(guò)程中在驗(yàn)證集上效果最佳的模型權(quán)重，而last.pt用于存儲(chǔ)模型在最終訓(xùn)練迭代完成后的狀態(tài)。

3.2.2 F1_curve圖表（F1曲線）

F1_curve圖（見(jiàn)圖1）揭示了F1-score與置信度之間的相關(guān)性。在置信度0.1到0.6區(qū)間內(nèi)，F(xiàn)1-score較高且穩(wěn)定，YOLOv5s、YOLOv5m和YOLOv5l的最高點(diǎn)分別為0.64、0.65和0.65。

3.2.3 P_curve圖表（準(zhǔn)確率與置信度的關(guān)聯(lián)圖）

置信度的增加通常意味著更高的檢測(cè)準(zhǔn)確率，如圖2所示，YOLOv5s、YOLOv5m和YOLOv5l的準(zhǔn)確率分別為0.917、0.876和0.900。

3.2.4 R_curve圖表（召回率與置信度的關(guān)聯(lián)圖）

召回率與置信度的關(guān)聯(lián)圖反映了模型在不同召回率下的準(zhǔn)確率表現(xiàn)，隨著置信度降低，模型能更全面地檢測(cè)到各個(gè)類別，此時(shí)YOLOv5s、YOLOv5m和YOLOv5l的檢測(cè)準(zhǔn)確率分別為0.85、0.91和0.87，如圖3所示。

3.2.5 PR_curve圖表（精確率與召回率的關(guān)聯(lián)圖）

準(zhǔn)確率的提高往往導(dǎo)致召回率的下降，如圖4所示，YOLOv5s、YOLOv5m和YOLOv5l模型的平均準(zhǔn)確率均值分別為0.634、0.636和0.642。曲線下方的面積即為mAP，其衡量了模型的整體性能。

3.2.6 results文檔（訓(xùn)練成果的可視化結(jié)果圖）

圖5是圖像檢測(cè)的可視化結(jié)果，橫軸代表模型訓(xùn)練的周期（epoch）。圖5以YOLOv5s模型為例。雖然局部不斷上下波動(dòng)，但整體波動(dòng)呈穩(wěn)步上升，檢測(cè)準(zhǔn)確率為0.900，召回率為0.87。

3.3 模型對(duì)比分析

對(duì)YOLOv5的3個(gè)權(quán)重模型在火災(zāi)數(shù)據(jù)集上的訓(xùn)練結(jié)果如表2所示。由于YOLOv5l在網(wǎng)絡(luò)結(jié)構(gòu)的深度和寬度上具有優(yōu)勢(shì)，其平均準(zhǔn)確率均值高于另外2種模型，在準(zhǔn)確率上的表現(xiàn)優(yōu)于YOLOv5m，雖然略低于YOLOv5s，但綜合權(quán)衡速度、準(zhǔn)確率等指標(biāo)，YOLOv5l模型整體上優(yōu)于另外2種模型。

4 結(jié)束語(yǔ)

此研究提出一種基于YOLOv5的森林火災(zāi)檢測(cè)方法，旨在利用深度學(xué)習(xí)幫助應(yīng)對(duì)火災(zāi)安全管理的挑戰(zhàn)。試驗(yàn)表明，該方法能夠迅速精確地辨識(shí)出森林火災(zāi)場(chǎng)景中的火災(zāi)跡象，極大加強(qiáng)了緊急救援和火災(zāi)防治的效率。

參考文獻(xiàn)：

［1］王晶磊.基于改進(jìn)YOLOv5的火災(zāi)檢測(cè)模型研究［D］.太原：中北大學(xué)，2023.

［2］王龍興，劉為國(guó)，朱洪波.基于改進(jìn)YOLOv5算法的火災(zāi)圖像檢測(cè)研究［J］.湖北民族大學(xué)學(xué)報(bào)（自然科學(xué)版），2022，40（2）：196-201.

［3］張培鴻.基于深度學(xué)習(xí)的火災(zāi)報(bào)警系統(tǒng)研究［D］.成都：電子科技大學(xué)，2023.

［4］章曙光，唐銳，邵政瑞，等.一種基于小波變換的YOLOv5火災(zāi)檢測(cè)改進(jìn)算法［J］.無(wú)線電工程，2023，53（10）：2303-2310.

［5］何盼霞，張梅，齊至家.基于改進(jìn)YOLO v5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.

［6］LU B，WEI Y，DU H.Flame Detection based on Lightweight YOLOv5［J］.Journal of Research in Science and Engineering，2023，5（12）.

［7］XIE X，CHEN K，GUO Y，et al.A Flame-Detection Algorithm Using the Improved YOLOv5［J］.Fire，2023，6（8）：313.

［8］武慧，楊玉竹，卜顯峰，等.基于改進(jìn)YOLOv5的城市火災(zāi)檢測(cè)算法研究［J］.無(wú)線電工程，2024，54（6）：1454-1461.

［9］GENG X，SU Y，CAO X，et al.YOLOFM：an improved fire and smoke object detection algorithm based on YOLOv5n.［J］.Scientific reports，2024，14（1）：4543-4543.