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。     

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。     

无人机搭载普通相机林火识别技术研究

提出了一种无人机搭载普通相机的林火识别技术,其是一种低成本无人机林火监测方法。本研究以旋翼无人机为载体,通过在南京森林警察学院院内的两块实验场地（林地、无林土丘）进行点火试验,以机载摄像机拍摄的森林视频图像建立了基于混合高斯背景模型和颜色模型的多级火灾隐患特征验证算法。在同一区域,结合地面调查数据,对无人机搭载普通相机林火识别技术精度进行检验。数据表明,在混合高斯模型得到候选火焰像素的基础上,通过试验设置最优阈值,采用归一化互相关方法设定相似度阈值为0.08,可实现对火焰特征的检测与识别。通过低成本的机载普通相机能较快地识别火灾隐患,降低误检率,可为相关研究和实际应用提供参考。     

小型无人机林火监测与图像处理技术

常规传感式火灾监测方法不能满足现代林火监测灵活性、实时性和高效性的要求。针对森林这种复杂大空间场景,提出一种基于无人机平台和动态特征分析的视频图像型火灾检测算法。通过机载摄像机拍摄森林视频图像,建立基于混合高斯背景模型和颜色模型多级火灾隐患特征验证算法。实验结果表明,本文方法能较快识别火灾隐患,降低误检率,可为相关研究和实际应用提供参考。     

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。     

基于鲸鱼算法的森林火灾图像多阈值分割

为监测森林火灾的实时火情,本文研究图像分割算法应用于林火图像的识别。由于林火图像背景复杂干扰目标多,采用单阈值Otsu方法对林火图像进行分割的精度较差,因此本文研究鲸鱼优化算法(Whale Optimization Algorithm,WOA)对多阈值图像分割的最佳阈值进行寻优。鲸鱼优化算法是在寻找最优解的过程中效率较高的算法,该算法具有收敛速度快、精度高的特点。针对森林火灾图像中的火焰区域准确分割问题,应用WOA对Otsu的适应度函数进行寻优,在红绿蓝模式的林火数字图像上进行仿真试验。试验结果表明:提出的算法在森林火灾图像多阈值分割中优于传统单阈值的Otsu算法,可以获得更为准确的分割阈值和更高的分割效率,具有较强的工程实用性。     

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。     

基于深度学习的森林火灾烟雾监测

为了第一时间发现森林火灾，避免因森林火灾造成严重后果，提出以森林火灾烟雾为主要目标的检测模型YOLO-SCW,在YOLOv7的基础上，引入SPD-Conv层，以减小特征提取过程中小目标特征缺失的问题。之后在检测头金字塔池化部分增加坐标准意力机制模块，通过将位置信息编码到通道中，增加了模型对目标的关注度，并且减少了背景对检测效果的干扰。最后，通过WIoU矩形框损失函数，提高了预测框的回归速度与精度。在测试过程中，改进后的YOLO-SCW较YOLOv7模型mAP提高了9.1%,并减少了误检与漏检现象，证明YOLO-SCW有着更好的特征提取能力与泛化能力，对森林火灾烟雾监测任务表现出色。     

基于计算机视觉的森林火灾识别算法设计

为解决森林火灾监测系统中由于林火行为监测样本数据量大、维数多导致监测误报率高、实时性差等问题,提出一种基于计算机视觉的支持向量机算法进行森林火灾监测,提升识别精度,实现全天候林火自动监测预警。首先,获取图像进行预处理,并初步判别图像中是否存在烟火区域;然后,进行林火特征提取,训练样本生成特征向量,采用基于径向基核函数与多项式核函数的SVM算法进行烟火识别;最后,选取多功能森林防火机动巡查灭火装备为试验平台应用该算法进行试验验证。结果表明:所提出算法具有理想的森林火灾识别效果,识别准确率高达97.82%,并且可以与多功能森林防火机动巡查灭火装备通讯进行精确扑救,为森林防火装备智能化探索提出新思路。     

基于深度学习的小目标受灾树木检测方法

【目的】针对无人机森林图像中树木尺度小、生长密集以及分布不规律等问题,提出一种基于深度学习的小目标受灾树木检测方法,以准确识别和定位高分辨率无人机森林图像中的小尺度受灾树木。【方法】以辽宁省凌源县受红脂大小蠹侵害的油松林无人机图像为数据源,利用Label Img开源软件标注拍摄高度为180～240 m的图像,构建无人机森林图像数据集。设计小目标受灾树木检测框架,该框架在轻量级目标检测框架(SSD)基础上,首先从conv3_3开始构建预测模块,并根据图像中目标树木的尺寸删减预测模块,同时优化特征图上默认框生成方式;然后,通过特征增强模块将基础特征图转化为增强特征图,生成基础和增强预测模块;最后,利用基于默认框的双层损失函数训练检测模型以促进特征学习。【结果】基于深度学习的小目标受灾树木检测方法可实现无人机森林虫害远程监测,较准确检测无人机图像中细小密集的受灾树木。采用5组不同结构的SITD模型以及SSD、FSSD和RFBNet目标检测框架对无人机森林图像数据集进行训练和测试,以平均查准率(AP)和Precision-Recall曲线作为评价指标,试验选出最优SITD模型在测试集上的AP为92.62%,相比原始SSD300框架提升69.71%,且优于其他3种目标检测框架。【结论】基于深度学习的小目标受灾树木检测方法可实现对森林中受灾树木的自动化检测,能够简化林业有害生物监测流程,提升对森林虫害的预警能力。     

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...     

结合注意力机制与YOLOv5的松材线虫病受害木检测

松材线虫病是我国近几十年来最严重的一种森林病害,加强疫情的监测迫在眉睫。本研究在自建数据集的基础上采用3种不同的注意力模块(CBAM、SE和CA)改进YOLOv5算法并结合数字正射影像图自动识别松材线虫病受害木,分别对比了改进模型CBAM-YOLOv5、SE-YOLOv5、CA-YOLOv5与YOLOv5模型的识别效果,实现了对变色松树和枯死疫木检测效果的提升。结果表明：3种注意力改进策略的变色松树查全率、平均精度和F1分数显著提高,查准率不逊色于YOLOv5模型;综合考量查全率和F1分数指标,SE-YOLOv5模型的变色松树和枯死疫木检测效果最好,其F1分数分别达到89.7%和76.9%,比原模型分别提高了5.5%和5.4%,其检测精度分别为91.7%和80.3%,较YOLOv5模型分别提升了4.7%和5.1%;在理想置信度阈值情况下3种注意力改进策略的变色松树和枯死疫木查全率均值分别为85.4%和76.6%,基本满足实际检测需求。对各注意力改进模型检测层的特征图和热力图进行剖析可以看出,嵌入注意力机制有利于提取高贡献度的特征成分,可以提升变色松树特征提取的准确性。因此,改进的YOL...     

基于亚像元分解与增强的MODIS卫星林火监测图像制作

为提高低空间分辨率遥感影像在卫星林火监测部门的应用质量,获取更准确的火灾信息,制作可视效果更好、便于基层部门使用的卫星林火监测图像。本研究以2013年2月6日云南省大理市黄家村森林火灾为背景,研究了一种基于亚像元分解与增强技术的卫星林火监测图像制作技术。结果表明,通过亚像元分解与增强技术,对空间分辨率低的气象卫星遥感图像进行处理,可得到空间分辨率为30 m的图像产品,能够将低分辨率遥感影像处理成超分辨率的遥感影像图像。该技术可应用于林火监测部门发布相关的监测图像。     

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...     

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。     

基于SuperMap的森林火灾监测系统的实现

从建立林火监测系统的必要性、系统设计的应用需求、数据需求和系统的功能和特点等方面,介绍一种以黑龙江省基础矢量地理数据为基础,结合森林火灾与气象资料,借助遥感图像处理软件与GIS软件,以SuperMap IS.NET为开发平台进行二次开发,基于SuperMap的森林火灾监测系统的实现。该系统可实现＂3S＂技术与林火监测的集成,建立黑龙江省林火监测地理信息系统,具有对火点的查询、定位和分析功能,可实现对火灾的实时监测,制定合理扑火方案及评估火灾损失。     

林火碳排放研究进展

火是森林生态系统主要的干扰因子, 森林火灾的频繁发生不仅使森林生态系统遭到破坏, 同时也造成了含碳温室气体的大量释放。综述了火烧面积、森林可燃物以及燃烧效率等主要因子对森林火灾排放碳量估计的影响, 分析了这一领域未来研究发展趋势。大量研究表明:1)卫星遥感是估测大尺度上森林过火面积的主要手段, 随着高分辨率卫星的应用, 森林火灾面积的估计精度不断得到提高。目前的研究主要集中于大尺度上林火面积的估计和估算方法的改进。2)遥感数据是目前估计大尺度可燃物燃烧量的有效手段, 利用遥感数据的同时结合有效可燃物计算模型, 运用多元线性与非线性分析结合等方法提高对可燃物燃烧量的估计。3)燃烧效率是决定可燃物消耗量的主要因子, 也是估计森林火灾释放含碳气体量的关键。未来的研究是利用高分辨率的遥感数据, 结合复杂的可燃物计算模型, 更精确地估计林火碳排放。     

基于改进CornerNet-Lite的林区行人检测算法

为做好森林管护工作,减少人力和物力的消耗,利用快速发展的行人检测算法可对林区行人进行检测和甄别,但林区行人检测与传统行人检测有很多不同,如林区行人被树木遮挡、着装与背景色调相似等特征,导致漏检现象严重。为此,针对林区行人的特点,笔者提出了一种实时检测林区行人的算法CornerNet-P,将林区行人的位置预测简化成为2个关键点的预测。以CornerNet-Lite为基础,改进算法的损失函数,预测2组热力图来检测林区行人的角点位置,预测嵌入层损失以匹配同一行人的角点,预测偏置层损失来减少尺度变化过程中的精度损失,并获得最终的边界框;然后提取COCO2014数据集中的行人数据并随机分为训练集和测试集两部分,使用训练集分别训练该算法与YOLOv4算法中的参数,使用测试集和真实的林区行人图像对算法的检测精度和检测速度进行检验。试验结果表明,CornerNet-P算法相比YOLOv4算法平均检测精度提高了1.7%,检测速度提高了5.1%,并可以较好地检测真实林区行人图像。CornerNet-P算法可以实现林区的行人检测,具有较快的检测速度和较满意的精度。     

无人机遥感技术在森林火灾调查中的应用

概述了森林火灾调查的内容,从遥感影像采集、遥感影像判读、森林火灾面积计算3方面介绍了无人机遥感技术在森林火灾调查中的应用。在森林火灾调查中,应用无人机遥感技术进行高分辨率影像采集、判读,分类区划小班,统计受灾面积,可显著提高工作效率、降低工作强度、提升作业精度。     

林火与气候变化研究进展

火是全球大多森林生态系统中的一个重要干扰因子, 它对大气中的温室气体和气溶胶的增加有显著影响。林火与气候变化是当前林火研究领域的热点问题。文中综述了气候变化对林火的影响和林火排放物对气候变化的影响。大量研究表明, 气候变化将导致森林火险期延长, 出现潜在极端火行为的天数增多, 森林火灾更加严重, 特别是北方森林火灾增加显著。未来的研究趋势是, 采用卫星遥感数据在大尺度上研究气候变化对林火的影响, 把林火模型与气候模式和全球植被动力学模型耦合, 构建更为复杂的林火排放模型, 以深入揭示林火与气候变化的关系。