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。