基于无人机图像和改进YOLOv3-SPP算法的森林火灾烟雾识别方法

森林火灾的频繁发生对人类生命、经济和周围环境构成重大威胁。烟雾是森林火灾初期最显著特征之一,因此烟雾识别对预防森林火灾意义重大,是建立早期火灾探测机制的关键。由于烟雾具有颜色不一、形状多变等特性,导致传统方法对于烟雾识别存在泛化能力弱、响应时间长、误报率高等问题,无法实现对森林火灾的有效监测。基于此,本研究提出了基于改进的YOLOv3-SPP森林火灾烟雾识别方法。改进的YOLOv3-SPP算法通过在主干特征提取网络中加入Focus模块和使用动态标签分配策略降低了计算成本,以及在预测网络中使用解耦头,能够避免在预测过程中分类与回归任务的冲突,并用无锚框检测器替代锚框检测器计算预测框的位置,显著帮助模型更好地定位烟雾,简化解码过程。本研究使用自建的无人机森林火灾遥感影像数据集对模型进行评估,改进后的YOLOv3-SPP算法模型识别精确率达到91.07%,识别速率达到51帧/s,较YOLOv3-SPP模型分别提升了1.14%和17帧/s。实验表明该模型能有效地识别森林火灾烟雾,且通过轻量化的设计能在短时间内对烟雾进行准确识别。     

基于改进YOLOv5的特征抑制多尺度林火检测算法

森林火灾检测是保护森林生态系统的关键所在,可以为森林早期火灾判断与预防提供重要依据。如果能够尽可能地对森林火灾识别和检测,可以在很大程度上减少灾害发生频率及其造成的损失。基于无人机遥感图像的发展,林火的快速检测得到进一步提升,可以准确识别火灾,解决林火出现的复杂性问题。本研究针对航拍森林火灾识别遇到的背景环境复杂、林火检测识别精度偏低、局部检测效果不佳等问题,提出了一种加强视觉注意力的林火识别方法,此方法是基于YOLOv5模型改进的。该算法使用NAM attention对像素进行归一化,降低不太显著的特征权重,使目标不重要的信息得到抑制。另外本研究采用了ObjectBox,这是一种新颖的单阶Anchor-free,不仅可以平等地对待不同级别尺寸的目标,还能提升模型识别正确样本的能力,具有高度的泛化性能。采用Mosaic数据增强方式增强模型的泛化能力,提高模型识别小目标的准确率。同时引入新的定位损失函数CIOU,它可以有效地改善模型在面对复杂背景时的定位精度,提升网络识别的准确性。实验结果表明,在无人机遥感图像数据上,检测性能均优于YOLOv5算法,该算法使得林火的数据集平均精度提升了3...     

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。     

基于改进YOLOv5的日本落叶松虫害检测技术

在森林病虫害防治领域,基于图像的机器学习代替人工识别森林病虫害正成为未来的技术方向。针对图像识别技术在复杂自然条件下检测日本落叶松虫害存在目标小、精度低、易漏检和误检的问题,提出一种改进YOLOv5模型：首先在数据增强中通过Mosaic将数据集中的大目标转换为小目标,提高模型对识别小目标的能力;其次使用迁移学习方法弥补日本落叶松虫害数据集少样本的问题并提高模型训练速度;然后在YOLOv5s的网络模型基础上,通过轻量级通用上采样CARAFE算子扩大感受野,更好地利用周边的信息,提高目标检测能力减少漏检并保持轻量化;最后利用解耦预测头分离分类和回归任务,减少分类和回归任务之间的干扰,提高检测精度。对自建的日本落叶松的6类虫害样本图像数据集进行实验,结果表明：改进F1分数达到90.1%,平均精度均值mAP达到92.5%,在林下光照不匀、周围背景杂乱的野外拍摄环境中与YOLOv5s算法相比,改进后的算法的检测性能更好,可以为日本落叶松害虫检测和防治提供技术参考。     

深度学习在森林火灾检测中的研究进展北大核心

基于深度学习技术的火灾检测方法迅速发展,为森林火灾检测提供了新的发展方向。介绍了深度学习的概念、主要模型及在森林火灾检测中的优势,详细阐述了不同深度学习模型在森林火灾烟雾与火焰特征的提取、火灾与非火灾图像的分类、火灾的预判跟踪中的应用,并对当前方法进行了总结分析。最后,提出了目前存在的问题以及未来的研究方向,以期为森林火灾检测提供新思路。     

基于改进YOLOv5s的CNN-Swin Transformer森林野生动物图像目标检测算法

【目的】为提高野生动物在复杂森林环境中的检测精度,促进森林野生动物保护技术发展,提出一种基于YOLOv5s网络模型、针对陷阱相机所摄取森林野生动物图像的改进检测算法。【方法】以包含湖南壶瓶山国家级自然保护区几种典型森林野生动物在内的数据集为研究对象,首先,对真实标注框图像进行裁剪、归一化和缩放处理,随机将2～4张裁剪图像拼贴组成新的数据集元素,以丰富和增强数据集图像信息;其次,使用一种基于通道注意力思想的加权通道拼接方法,在通道拼接时引入权重改变通道数量,通过反向传播训练方法不断更新权重以增加重要特征信息的通道层数;接着,引入Swin Transformer模块与CNN网络相结合,为卷积神经网络特征提取加入自注意力机制,融合2种网络特征提取层的优势,提高特征提取的感受野;最后,选择更优的α-DIoU损失函数替代GIoU损失函数,针对边界框重叠面积和中心点距离造成的损失,引入新的几何因素惩罚项。【结果】在相同试验条件和数据集下,相比原YOLOv5s网络模型,改进算法极大提高检测的平均准确率和平均回归率,均值平均精度由74.1%提升至88.4%,获得14.3%的精度提升,同时也超过YOLO...     

自动巡航森林火灾检测小车的设计

设计了自动巡航森林火灾监测小车以用于有效防范森林火灾,在续航中当扫描地区温度超过一定值且烟雾浓度超过上限值定位后,将GPS位置信息和图像,通过监测系统将检测到的信息传送至总控系统并且进行报警。可以进行手动自动切换对各处巡查;小车可以自动定位,规划路线返回充电站;低功耗模式巡查,遇到火情是开启其它模块;能够采用太阳能电池板供电,提高部分续航能力等功能。详细分析了其各系统的作用及原理,以期能更有效地开展森林火灾的监测范围。     

基于深度学习的野生动物视频目标检测

以红外相机为代表的生态感知终端为野生动物监测研究提供海量的图像和视频数据。为改善人工识别海量数据时效性低、处理能力有限等问题,解决目标检测模型在受到复杂背景、多目标、昼夜明暗等多重因素影响的实际场景中应用的不确定性,以金钱豹、成年雄性岩羊、非成年雄性岩羊为例,建立野生动物目标检测数据集,对比分析Faster R-CNN、SSD、YOLOv5和YOLOv8等4种经典目标检测模型在实际场景中检测精度、检测速度和检测效果。结果表明：1)YOLOv5与YOLOv8的检测效果和检测速度整体优于Faster R-CNN与SSD,YOLOv8在多重因素干扰下检测精度更高、鲁棒性更强,更适合追求检测效果的场景;2)4种模型均能满足生态感知终端实时视频检测需要,但YOLOv5模型更轻量、检测速度更快,更适合算力有限时追求检测速度的场景。YOLOv5和YOLOv8性能优越,适合在实际场景中开展野生动物视频目标检测。     

陕西省森林火灾分析及火灾面积预测

采用趋势分析、R/S分析和聚类分析对1954-2015年陕西省森林火灾特征进行分析,并对各地市森林火灾情况进行聚类,利用主成分分析法对陕西省森林火灾面积进行预测。结果发现:陕西省森林火灾次数和森林火灾面积均出现减少趋势,两者的Hurst指数均大于0.5,表明未来其减少趋势将持续。20世纪50年代中期至60年代前期是森林火灾高发时期,90年代后减少趋势逐渐稳定。陕西省十地市森林火灾情况大致可归分三类,其中榆林市、铜川市、西安市、咸阳市、渭南市、汉中市为第一类;延安市为第二类;宝鸡市、安康市、商洛市为第三类。就扑火能力而言,榆林市和铜川市的扑火能力最强,渭南市、商洛市和汉中市的扑火能力其次,延安市扑火能力最差。主成分分析确认,以气象因子的综合因素作为预测林火面积一般模型的预测因子是可行的,模型正确率达到70.9%,基本上可以反映气象因子与森林火灾面积的关系,因而可以利用该模型对陕西地区森林火灾面积进行预测。     

樟岭经营所森林防火目标管理

樟岭经营所地处黑龙江省塔河林业局西北边缘,总面积为28122公顷,是以营林生产、森工采伐和木材加工多种经营为主的林业生产单位。保护森林资源,减少火灾发生率,降低燃烧率指标,是振兴林业,扩大再生产的重要手段。因此把森林防火工作做为林业经营的头等大事来抓。为了把森林防火工作落实到实处,我们根据樟岭森林防火保护面积和目前控制林火的能力,进行综合分析提出如下目标管理办法分期实现:1989年至1990年,在辖区范围内杜绝特大森林火灾和大火灾,自然火控制在火灾范围(100公顷)以下。1991年至1993年,增加阻隔火能力30%;通讯设备增加1倍;扑救火灾能力(以提高扑火队员素质来实现)     

湖北省省级保障性苗圃高质量发展的建议

摘要：近年来随着生态文明建设的逐步加快，中国森林覆盖面积逐渐扩大，森林火灾频发，造成一系列生态问题，因此提高森林火灾防控能力，减少森林火灾的发生尤为重要。丹江口库区具有丰富的森林资源，森林火灾易发多发。结合丹江口库区的自然地理概况和实地考察的结果，总结了库区森林火灾的发生情况及火灾防控工作现状，指出了丹江口库区森林火灾防控工作中存在的问题，并针对库区的实际情况提出合理化建议，对其他地区的森林火灾防控具有借鉴作用。     

基于改进YOLOv3深度卷积网络的竹垫智能装配方法

针对我国竹垫人工组装劳动强度大、效率低的问题,提出一种基于改进YOLOv3深度卷积网络的竹垫智能装配方法,通过智能识别、定位、摆放和组装实现卡扣式竹垫的装配生产模式.YOLOv3深度卷积网络的改进包括:首先通过在原YOLOv3的特征提取网络Darknet-53中加入DenseNet密集型连接网络结构,提高特征提取能力;...     

一种改进YOLOv5的多尺度像素林火识别算法

林火破坏程度大、蔓延速度快的特点给森林生态环境和人类带来极大的危害。深度学习技术可以学习和自适应提取林火特征,捕获的林火图像中火焰的像素尺寸不同,林火提取的特征也不同。为了能够识别复杂背景下不同像素尺度的火灾,笔者提出了一种改进的YOLOv5林火识别方法,通过在YOLOv5的检测网络加入解耦头,解决林火图像输出变量时分类和回归的冲突问题,加快网络收敛速度提高识别精度;在网络中引进CBAM注意力机制,更关注林火信息同时提升识别精度;在Neck网络引入加权双向特征金字塔网络(BiFPN),替换原有的路径聚合网络(PANet),对不同维度的林火特征进行融合,进行特征筛选,增强特征表示能力。实验结果表明,该林火识别算法在自制的林火数据集上进行训练和验证模型,检测性能上均优于YOLOv5算法,在准确率、召回率、平均精度分别提升了5.2%,3.0%,3.4%,mAP@.5:.95提升了4.6%,并且在不同尺寸林火目标的识别精度上均有提升。研究结果对林火识别性能提升有着积极意义。     

防火线建设之变革初探

笔者通过对人工割除、建设生物隔离带、计划烧除及化学除草等防火线建设方式比较,筛选比较适宜的方式进行建设,以提高防治森林火灾发生的能力,从而减少森林火灾发生的机率.     

加强森林火灾灭火指挥的研究

在扑救森林火灾中,由于指挥的失误,造成人员伤亡和国家财产损失的情况是曾经发生过的。因此,应加强森林火灾灭火指挥的研究,提高灭火指挥员的指挥能力和手段,使森林火灾的损失减少到最低限度。一、提高指挥员素质森林火灾灭火指挥是灭火指挥员及森林防火指挥部对所属灭火队伍的灭火行动进行的组织领导活动。加强森林火灾灭火指挥的研究,首先要从指挥员的素质入手,提高指挥能力,以适应灭火指挥的需要。作为一名合     

广西林火驱动因子及预测模型研究

了解林火最主要的驱动因子并对林火进行预测，能为当地森林火灾的预防与管理提供科学依据。基于2011—2020年的历史火灾数据集，以及气象、地形、人为活动和可燃物载量等数据构建Logistic回归模型和机器学习模型来探究广西林火发生最主要的驱动因子，同时选择最优模型对研究区内森林火灾发生概率进行预测。研究表明：月平均降雨量、月平均相对湿度和林区建筑物数量是影响广西森林火灾发生最显著的因子；Logistic回归模型和机器学习模型均取得了较好的拟合效果，AUC值均在0.85以上，机器学习模型的精度要优于Logistic回归模型，随机森林模型精度最高(S_AUC=0.92)。通过随机森林模型对全区林火发生概率进行预测，结果显示桂西北、桂北、桂西南地区的林火发生风险最大，预测结果契合广西实际，能够为广西的林火预测预报提供参考。今后，应加强对野外火源的管控力度并提高对极端天气的预警防范能力，以降低森林火灾发生的风险。     

基于改进YOLOv5的整车原木数量检测方法

针对整车原木检测中存在密集小目标难检测、原木被遮挡易被漏检、目标检测模型复杂度太大难以部署等问题,提出一种基于YOLOv5的整车原木数量检测方法TWD-YOLOv5,来探究目标检测在整车原木场景下进行快速精准检测的可行性,从而实现智能检尺,提高检尺效率。本研究在原始YOLOv5模型的基础上通过修改模块数量、加入注意力机制和Transformer模块的操作来优化主干网络,结合新的检测尺度与基于Ghost卷积设计特征融合网络,提升网络检测小目标的能力,降低模型复杂度,选用CIoU作为边界框回归的损失函数和DIoU-nms作为边界框筛选算法,提高边框的回归精度和解决物体被遮挡的问题。本研究算法TWD-YOLOv5进行4组试验,从平均精度均值(mAP)、每秒传输帧数、原木真检率多种尺度指标进行评估,同时通过预测框完成对原木根数的计数。试验结果表明,本研究方法的mAP达到0.731,每秒传输帧数为7.33,模型参数降低了40.5%,且测试集原木真检率达到了99.551%,误检率为0.22%。该方法不仅大幅减少了模型复杂度,还保持了较高的检测精度。本研究的模型能对整车原木场景下的原木有良好的检测效...     

基于FY4遥感数据的森林火灾判别研究

【目的】为提高森林火灾监测的时效性,利用我国新一代静止气象卫星FY4的遥感数据,研究对森林火灾监测的技术和方法。【方法】以贵州省为研究区,利用FY4遥感数据,对FY4的14个波段进行火点样本的波段特征、波段间相关系数、波段组合OIF指数计算,并对判别森林火灾相关的云、水体、林地、火点4类地物进行光谱特征分析,采用支持向量机对OIF指数排名前10的波段组合进行地物分类精度验证,筛选出最适合进行森林火灾判别的波段组合。构建最小距离模型、马氏距离模型、支持向量机以及决策树模型进行森林火灾判别,利用中国森林防火网森林火灾数据,以判别精度(D)、多分误差(M)、漏分误差(O)为模型的评价指标,对4个模型进行精度验证,筛选出最优的森林火灾判别模型。【结果】1)筛选出最适合进行森林火灾判别的波段组合是(B7,B8,B12),其支持向量机地物分类精度为99.21%,Kappa系数为0.855,是进行森林火灾判别地物分类精度最高的波段组合,与最优波段组合筛选结果一致。2)4个模型的森林火灾判别精度都超过了85%,其中决策树模型判别森林火灾的精度为100%。【结论】基于FY4遥感数据决策树模型的构建,提高了森林火灾监测的时效性,对保护森林资源、减少人民生命财产损失具有重要的意义。     

基于视觉变换网络的自监督森林火灾识别

【目的】森林火灾识别是避免森林火灾大面积蔓延的一项重要研究。随着深度学习的快速发展,基于卷积神经网络的模型因其在图像识别领域的优异表现,被广泛应用到森林火灾识别任务当中。然而,基于卷积神经网络的方法通常在标签数据不充分时,难以取得令人满意的森林火灾识别结果。【方法】本研究提出了一种基于视觉变换网络的自监督森林火灾识别模型（Self supervised forest fire identification model based on visual transformation network）,来提高模型在标签稀缺情况下的森林火灾识别精度。具体来说,该模型采用视觉变换网络作为主干网络,通过视觉变换网络中的多头自注意力机制来捕获森林火灾图像的全局信息特征。并且引入自监督学习中的图像重建任务来辅助模型训练,从而减少模型对标签数据的依赖。模型通过对掩盖图像的特征恢复和重建学习相关语义信息。同时,本研究还提出了一种基于傅里叶低频混合变换的数据增强方法来提高模型的泛化性和鲁棒性。【结果】通过开展详细的试验来验证模型的有效性,结果表明,与其他常见的网络模型相比,FFDM模型在森林火灾识别任务中取...     

浙江省松阳县森林火灾成因分析及对策探讨

对浙江省松阳县2000～2011年森林火灾发生情况进行了调查与分析,结果表明:松阳县森林火灾以人为活动引起为主,非生产性引起的火灾比例有逐年上升趋势,森林防火形势非常严峻。为有效预防、减少森林火灾发生,通过分析森林火灾发生与月际变化、日间变化、火源因素、植被因素的关系,揭示了森林火灾发生的一般规律,有针对性提出了相应的对策,旨在提高当地森林防火工作的整体水平。