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...     

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YOLOv5的人造板板材种类识别

废弃人造板板材回收再利用之前进行横截面统一类型,对于提高板材的综合利用率具有重要作用。综合利用机器视觉和深度学习方法,选取刨花板、纤维板和胶合板3种人造板板材作为研究对象,通过扫描仪采集板材横截面纹理,并对大量的纹理数据进行训练,学习图像深层次特征,在图像识别和分类上取得良好的效果。采集刨花板、纤维板、胶合板、塑料板、金属板和泡沫板6种人造板板材横截面图像共900张,其中刨花板234张,纤维板232张,胶合板234张,塑料板、金属板和泡沫板共200张作为负样本;搭建基于YOLOv5的深度学习人造板板材种类识别框架。试验结果表明,基于YOLOv5的人造板板材种类识别框架可以有效识别人造板板材的类型,刨花板和胶合板的识别准确率为100%,纤维板的识别准确率为99.2%;该方法检测速度快、精度高,针对人造板板材数据集具有良好的鲁棒性和泛化能力,解决了传统方法检测效率低和人工干预的成本问题,达到资源循环利用的高度智能化水平,充分满足回收再生产的应用需求。     

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...     

多源遥感影像在森林火灾监测中的应用

随着森林火灾造成的危害越来越大,防控的科学性和有效性已引起世界各国的关注,遥感技术在监测和预警方面的突破已成为林火防控的发展方向。针对当前林火监测的遥感影像众多、火点识别方法多样等问题,文中分析和总结了各种遥感数据的优势与不足,以及监测和预警技术的发展趋势,特别是对多源信息融合及人工智能的自动化火灾监测预警进行了展望,以期对遥感林火监测理论研究、应用研发和生产实践应用提供参考。     

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...     

自然环境下黄绿柑橘检测通用模型的构建

柑橘存在黄色和绿色两种颜色特征,自然环境下柑橘目标检测困难。深度学习在目标检测领域已经实现了实时检测,基于深度学习进行柑橘检测,探索了两种颜色特征的柑橘检测通用模型。建立了自然环境下柑橘的图像数据集,采用3种深度学习检测模型：基于VGG16的Faster R-CNN、基于Resnet的Faster R-CNN以及YOLOv5s,分别对自然环境下的黄色和绿色柑橘进行对比试验。试验表明：对于黄色柑橘,YOLOv5s模型检测方法在柑橘测试集上的精确率、召回率、F1以及平均精度(AP)分别为91.90%、99.00%、0.94和97.40%,平均检测速度为27帧/s;对于绿色柑橘,YOLOv5s模型检测方法在柑橘测试集上的精确率、召回率、F1以及AP分别为96.50%、98.00%、0.96和97.20%,平均检测速度为32帧/s。YOLOv5s与基于VGG16的Faster R-CNN模型及基于Resnet的Faster R-CNN模型相比：对于黄色柑橘,平均精度分别提高了45.51%和41.18%,平均检测速度分别提高了22和23帧/s;对于绿色柑橘,平均精度分别提高了4.38%和4.13...     

基于YOLOv3神经网络的苗圃树苗检测与计数

长期以来,苗圃树苗的检测与计数一直依赖于人工抽样估计,该方法效率较低且误差较大。为解决上述问题,基于图像处理和深度学习技术,针对云杉、花楸与景观榆树3种树苗提取三类标签图像,构建了树苗检测与计数的输入数据集,并利用数据增强方法将数据集扩充了15倍。基于扩充后的数据集,提出了基于YOLOv3深度神经网络的树苗检测与计数方法,并使用迁移学习的方法对网络模型进行训练与验证,从而提高了检测与计数准确率。试验结果表明：该网络模型能够有效地克服大田环境下的噪声,实现树苗的快速、准确识别,云杉树苗图像检测时间平均每幅0.681 s,花楸树苗图像检测时间平均每幅0.698 s,景观榆树树苗图像检测时间平均每幅0.697 s, MAP值达到0.825。对100幅云杉树苗图像、50幅花楸树苗图像和50幅景观榆树树苗图像进行树苗计数测试,采用人工计数结果与系统计数结果对比进行正确率评价。研究结果表明,树苗总体识别正确率达到95.2%(其中云杉树苗计数准确率为97.5%、花楸树苗计数准确率为91.9%、景观榆树树苗计数准确率为96.2%),能够满足树苗检测计数的实际要求。     

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。     

基于石门“5·18”火灾的南方夏季林火扑救方法探析

介绍了湖南石门“5·18”森林火灾的基本情况及扑救经过,火灾发生地的自然环境。阐述了扑救该火灾所用的多兵种参与、多战术综合运用、多机具参与的战术以及其中的经验和教训。根据南方夏季森林火灾发生的特点,论述了该火灾扑救对扑救南方夏季森林火灾3大方面的启示。此外,还指出了处置“5·18”火灾案件存在的法律问题。     

基于改进YOLOv5s的木材表面缺陷检测模型

针对木材表面缺陷的复杂多样性和特征提取困难,提出一种基于改进YOLOv5s的木材表面缺陷（活节、死节、有裂缝节子和裂缝）检测模型。首先,在Backbone网络引入坐标注意力机制（coordinate attention,CA）增强每个通道之间的信息交互,然后采用混合空间金字塔池化（hybrid spatial pyramid pooling-fast,HSPPF）结构减少信息损失,再使用GSConv卷积减少参数量,用改进的曲线高效交叉联合（curve efficient intersection over union,CEIoU）作为训练时模型的损失函数,提升木材缺陷检测的准确性。试验结果表明,改进模型能够有效检测出木材表面缺陷,模型的平均精度均值（mean average precision,mAP）为84.4%,比未改进之前提高了2%,检测速度达到73.9 FPS,在模型参数量方面明显减少,同时优于其他主流模型,能够满足木材表面缺陷检测的要求。     

基于YOLOv4的结构用锯材表面缺陷识别

结构用锯材在使用之前进行表面质量评价、分级,对于提高木材的综合利用率具有重要作用。综合利用机器视觉技术和深度学习方法,选取国内常用的云杉结构用锯材作为研究对象,通过工业相机采集结构用锯材表面主要缺陷(节子、虫眼、裂纹),并对锯材主要缺陷进行数字化评价分析。先通过自主搭建的机器视觉图像采集装置,采集100块结构锯材正反面表面图像,共获取表面缺陷图像1 450张,其中活节缺陷图像550张、死节缺陷图像320张、裂纹缺陷图像295张、虫眼缺陷图像285张;随后搭建基于YOLOv4的深度学习缺陷检测识别框架,对缺陷图像中80%的图像进行训练,剩余20%用于测试。试验结果表明,基于YOLOv4的深度学习缺陷检测识别框架,能有效识别并准确定位锯材表面缺陷的类型和位置,平均识别率96.7%,其中活节缺陷识别率100%、死节缺陷识别率97.5%、裂纹缺陷识别率90%、虫眼缺陷识别率96.7%,可满足生产应用需求。     

基于多源卫星遥感数据的森林过火区面积估算方法

森林火灾作为世界上主要自然灾害之一,严重危害森林资源,威胁人民生命财产安全,破坏自然生态环境。对森林火灾快速、准确的监测是十分重要的。森林过火面积是森林火灾最基本的描述因子,     

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。     

基于多源数据协同作业的森林信息提取研究进展

传统森林调查手段正逐渐被激光雷达、光学遥感及卫星遥感等新兴的遥感技术所代替。随着研究的不断深入,单一遥感数据源往往难以满足高精度的森林信息提取需求。因此,文中以激光雷达为研究主体,综述摄影测量、高光谱遥感及卫星遥感等多种遥感技术在森林信息提取中不同遥感技术协同作业的研究进展。相较于单一数据源,多源数据协同作业在森林结构参数提取、生物量估测以及树种识别等领域均有明显优势。结合目前的研究工作,从数据获取成本、获取方式、多源数据融合、配套软件及系统构建等方面展望了多源数据协同作业方式的发展趋势。     

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。