楊 武，余華云，趙昕宇，何 勇，徐紅牛

(長江大學(xué) 計算機科學(xué)學(xué)院，湖北 荊州 434023)

0 引言

近些年來,全球變暖導(dǎo)致極端天氣頻繁出現(xiàn),各地區(qū)夏季高溫不斷打破歷史記錄,極端高溫天氣致使森林火災(zāi)發(fā)生概率大大增加。森林火災(zāi)不同于城市中發(fā)生的火災(zāi),不僅在形態(tài)上與之存在較大差異,而且其破壞力之大、影響力之廣都遠遠超過城市火災(zāi),同時它蔓延極快的特點導(dǎo)致往往人眼發(fā)現(xiàn)時就已經(jīng)難以控制,因此建立起日常監(jiān)控和預(yù)警對森林火災(zāi)防治具有重要意義。

傳統(tǒng)的火災(zāi)檢測一般使用紅外傳感器,利用溫差進行識別,但是這類檢測系統(tǒng)極易受到電磁和光兩方面的干擾。隨著機器學(xué)習(xí)和深度學(xué)習(xí)在圖像方面的應(yīng)用和成功,越來越多的研究用計算機視覺來改進算法,提高檢測性能。Ming等[1]提出了一種基于支持向量機算法的火災(zāi)探測方法,這種神經(jīng)網(wǎng)絡(luò)模型在與自身相似的背景下實現(xiàn)了精確的火災(zāi)探測,有效地降低了探測錯誤率。黃翰鵬等[2]針對傳統(tǒng)火災(zāi)探測中靈敏度不高、響應(yīng)慢的問題,結(jié)合模糊神經(jīng)網(wǎng)絡(luò)(FNN)模型和溫度時序模型(TSM)的火災(zāi)預(yù)警算法,取得了一定的效果。盧鵬等[3]使用MobileNet改進深度卷積神經(jīng)網(wǎng)絡(luò)SSD的基礎(chǔ)卷積網(wǎng)絡(luò)并使用遷移學(xué)習(xí)在實時火焰檢測領(lǐng)域達到了較好的效果。張彬彬等[4]針對火災(zāi)中小目標、多目標和邊緣模糊等導(dǎo)致的檢測精度下降問題,提出了 一種基于YOLOv3改進的火焰目標檢測算法,達到了火災(zāi)檢測的實時性和高效性。王冠博等[5]為了解決火焰圖像檢測易被周圍環(huán)境影響等問題,通過K-Means聚類和注意力機制提出改進型YOLOv4火焰圖像實時檢測模型,使檢測性能有了較大的提升。目前大多數(shù)檢測算法針對室內(nèi)或者城市火災(zāi),一些甚至只對火焰和煙霧中的一種提出檢測[6],而森林火災(zāi)在發(fā)生初期對煙霧的檢測尤為重要,火焰和煙霧在形態(tài)與結(jié)構(gòu)上與城市火災(zāi)差異較大,檢測對象尺寸變化大,火焰和煙霧對森林火災(zāi)檢測一樣重要。森林火災(zāi)檢測設(shè)備(無人機、高山監(jiān)控)性能一般較差,設(shè)計的森林火災(zāi)檢測算法既要輕量易于部署,又要保證檢測效率。

YOLOv5[7]目前以其輕量、部署相對簡單、速度較快和準確率較高的特點在工業(yè)檢測方面占據(jù)重要地位,因此選擇在YOLOv5的基礎(chǔ)上針對森林火災(zāi)存在的問題和特點進行改進。首先根據(jù)結(jié)構(gòu)重參數(shù)化思想,對主干網(wǎng)絡(luò)的普通卷積塊和瓶頸結(jié)構(gòu)進行改進,結(jié)合RepVGG(Re-param VGG)[8]、DBB(Diverse Branch Block)[9]和輕量化網(wǎng)絡(luò)思想[10-11]設(shè)計出RSBlock(Re-param Shuffle Block)代替原主干網(wǎng)絡(luò),增強其特征提取能力,推理時利用參數(shù)轉(zhuǎn)換融合分支,保證性能提高的同時,無損壓縮模型。之后融合輕量級CoordAtt注意力機制[12]進一步提高檢測精度。同時考慮到低算力設(shè)備的實際需求,在Neck方面,根據(jù)空洞卷積和深度可分離卷積(Depthwise Separable Convolution,DSC)[13-15]的思想設(shè)計出輕量化的特征融合塊(Feature Enhancement Module,FEM)替換上采樣前的普通卷積,使用結(jié)構(gòu)重參數(shù)化等輕量化思想設(shè)計出新的深度可分離卷積(Re-param Depthwise Separable Convolution,RDSC)和RSDWBlock(Re-param Shuffle Depthwise Block)對原網(wǎng)絡(luò)進行改進,進一步降低參數(shù)量,保證檢測速度并提高檢測精度。

1 YOLOv5s網(wǎng)絡(luò)模型

YOLOv5官方代碼中有YOLOv5s、YOLOv5m、YOLOv5l、YOLOv5x這4個版本,YOLOv5s(如圖1所示)是其中深度最小、特征圖的寬度最小的網(wǎng)絡(luò),同時速度也最快,在工業(yè)檢測方面應(yīng)用廣泛。YOLOv5模型自發(fā)表以來不斷更新,改進的模型基于6.2版本。

圖1 YOLOv5s結(jié)構(gòu)Fig.1 Structure of YOLOv5s

模型由輸入(Input)、骨干網(wǎng)絡(luò)(Backbone)、頸部(Neck)、頭部(Head)和輸出(Out)組成。輸入端主要包括Mosaic數(shù)據(jù)增強、自適應(yīng)錨框計算等預(yù)處理操作。骨干網(wǎng)絡(luò)主要由CBS卷積塊、C3結(jié)構(gòu)和特征金字塔池化(SPPF)等組成,主要功能是不斷進行特征提取后再進行特征融合。頸部則使用類似路徑聚合網(wǎng)絡(luò)(Path Aggregation Network,PANet)[16]的網(wǎng)絡(luò)結(jié)構(gòu)得到80 pixel×80 pixel×512 pixel、40 pixel× 40 pixel×512 pixel、20 pixel×20 pixel×512 pixel三種大小的特征圖,頭部則采用不同尺度的特征圖用于檢測。

2 數(shù)據(jù)集收集與處理

2.1 數(shù)據(jù)集的收集

由于現(xiàn)有的大多數(shù)火焰煙霧數(shù)據(jù)集收集的場景與野外環(huán)境差異很大,還沒有只包含森林火災(zāi)的數(shù)據(jù)集,為了使模型對森林火災(zāi)具有更強的針對性,從github、aistudio以及互聯(lián)網(wǎng)收集了由無人機、高山防火監(jiān)控等設(shè)備拍攝的全球真實森林火災(zāi)圖片,如 圖2所示。

圖2 數(shù)據(jù)集示例Fig.2 Dataset example

2.2 數(shù)據(jù)集的處理

分析數(shù)據(jù)發(fā)現(xiàn),數(shù)據(jù)集中存在大量根據(jù)火災(zāi)視頻逐幀截取的圖片,相似度極高,因此使用結(jié)構(gòu)相似度(Structural Similarity,SSIM)度量算法篩選相似度過高的圖片。該算法根據(jù)2張圖片的亮度對比(式(1))、對比度對比(式(2))、結(jié)構(gòu)對比(式(3))得到式(4),進而得到一個0～1的值,越大則表示相似度越高,式中N表示圖片像素點總數(shù),xi表示圖像像素值 ,C1、C2、C3為常數(shù)。

(1)

(2)

(3)

S(x,y)=f(l(x,y),c(x,y),s(x,y))=

初期收集到的4 712張圖片在處理過程中若 2張圖片SSIM相似度值大于0.85,則只保留其中 一張,經(jīng)過處理后得到3 166張森林火災(zāi)圖片。

同時為充分模擬野外監(jiān)測場景,增強模型泛化能力,加入約10%的負樣本[17]。具體來說向數(shù)據(jù)集加入了300張不包含森林火災(zāi)的圖片,其中包括易于和火焰混淆的秋季疊翠流金的森林、落日夕陽、銀寒月光和深山村落等圖片,如圖3所示。

圖3 數(shù)據(jù)集示例Fig.3 Dataset example

得到由3 466張不重復(fù)的圖片構(gòu)成的森林火災(zāi)數(shù)據(jù)集,其中大多數(shù)沒有標注或者標注粗糙,因此采用LabelImg對圖片重新進行矩形框標注并分為煙霧(smoke)和火焰(fire)兩個類別,如圖4所示。

圖4 標注示例Fig.4 Annotation example

3 YOLOv5s的改進

3.1 重參數(shù)化結(jié)構(gòu)

多分支網(wǎng)絡(luò)結(jié)構(gòu)(ResNet等)[18]早已被證明比單分支具有更好的性能,但是其推理速度較慢。RepVGG使用結(jié)構(gòu)重參數(shù)化技術(shù),將訓(xùn)練階段的多分支結(jié)構(gòu)在推理時水平融合成單分支,解耦訓(xùn)練與推理的網(wǎng)絡(luò)結(jié)構(gòu),使得在推理時既有性能的提升,同時也保持了原來單分支的推理速度,其結(jié)構(gòu)如圖5所示。

圖5 RepVGG結(jié)構(gòu)Fig.5 Structure of RepVGG

卷積層公式為:

Conv(x)=W(x)+b。

(5)

BN層公式為:

(6)

卷積層和BN層融合:

(7)

將Conv_3×3(3×3的卷積)和Conv_1×1(1×1的卷積)在水平方向合并,其轉(zhuǎn)換思想是Conv_3×3中心值等同于Conv_1×1中心點的值,而中心點以外的其他權(quán)值為0,如圖6所示。

圖6 Conv_1×1 轉(zhuǎn)換為Conv_3×3Fig.6 Conv_1×1 to Conv_3×3

Indetity分支層先將其轉(zhuǎn)換為權(quán)重為1的Conv_1×1,再將Conv_1×1轉(zhuǎn)換成Conv_3×3即可。

以上操作將分支結(jié)構(gòu)全都轉(zhuǎn)換成Conv_3×3,多個并行的Conv_3×3通過對應(yīng)的權(quán)重(W)和偏置(b)相加,融合成一個Conv_3×3:

y=(W1+W2+W3)X+(b1+b2+b3)。

(8)

Inception網(wǎng)絡(luò)模塊(Inception Network Module)[19]表明多分支拓撲以及不同規(guī)模和復(fù)雜度的各種路徑的組合可以豐富提取的特征空間以提高性能,但是這種復(fù)雜的結(jié)構(gòu)會嚴重降低推理速度。自重參數(shù)化結(jié)構(gòu)被提出以來,根據(jù)Inception的思想,研究人員又提出多樣性分支模塊(Diverse Branch Block,DBB),它保持訓(xùn)練時Inception的多分支微觀結(jié)構(gòu),推理時將DBB轉(zhuǎn)換為單個卷積,其結(jié)構(gòu)如圖7所示。

DBB與RepVGG在重參數(shù)化方面的不同點在于多了不同尺寸卷積核在垂直方向的融合,即垂直方向Conv_1×1和Conv3_3的融合,將Conv_1×1記為F1,Conv3_3記為F2,則對于2個連續(xù)卷積,輸入I有:

O=(I×F1)×F2=I×F1×F2。

(9)

3.1.1 Backbone改進

將訓(xùn)練階段中步長為2的下采樣Conv_3×3重參數(shù)化,替換成RepConv_3×3(如圖8所示),在推理時與原Conv_3×3在結(jié)構(gòu)上一致,并且可以更好地解決模型退化問題,提高特征提取能力。

圖8 RepConv_3×3結(jié)構(gòu)Fig.8 Structure of RepConv_3×3

分析圖1發(fā)現(xiàn)Backbone中大量的C3結(jié)構(gòu)使用了較多殘差塊(圖1中Res),該結(jié)構(gòu)會降低推理速度。利用重參數(shù)化思想對該結(jié)構(gòu)進行改進,考慮到在Backbone中C3結(jié)構(gòu)沒有下采樣功能和通道數(shù)的變化,設(shè)計帶殘差邊結(jié)構(gòu)的RepConv_1×1和帶殘差邊結(jié)構(gòu)的ResDBB,如圖9和圖10所示。

圖9 RepConv_1×1結(jié)構(gòu)Fig.9 Structure of RepConv_1×1

圖10 ResDBB結(jié)構(gòu)Fig.10 Structure of ResDBB

同時根據(jù)ShuffleNet提出的輕量化思想,引入通道分離(Channel Split)和通道重排(Channel Shuffle)操作,設(shè)計一種在Backbone中可重復(fù)迭代的輕量化高效特征提取塊RSBlock,如圖11所示。

圖11 RSBlock結(jié)構(gòu)Fig.11 Structure of RSBlock

Channel Split將輸入的特征圖按通道分為 2組,其中一組不做任何處理保持恒等映射,另外一組經(jīng)過2個具有相同輸入輸出通道數(shù)的卷積塊,這樣做的好處是只有一半的特征進行密集卷積操作,極大地減少了計算量和內(nèi)存使用。之后使用Concat進行2組通道上的融合,使得輸出通道數(shù)不變,提高了特征的重復(fù)利用。最后再進行Channel Shuffle操作,對融合后的特征圖在通道上進行規(guī)則打亂,提高2組通道的信息交流。

在Backbone使用RSBlock代替原網(wǎng)絡(luò)中的C3結(jié)構(gòu),并重復(fù)迭代適當?shù)臄?shù)量以此構(gòu)建新的特征提取網(wǎng)絡(luò)。

3.1.2 Neck改進

考慮到一般算法在實際部署時往往受到邊緣設(shè)備性能的影響,對模型的大小和檢測速度都有較高的要求,因此對Neck結(jié)構(gòu)進行改進,使模型更加輕量化。如今大多數(shù)輕量化網(wǎng)絡(luò)不同程度上使用了DSC,它由一個逐通道卷積(Depthwise Convolution)和一個逐點卷積(Pointwise Convolution)組成,如 圖12所示。

圖12 DSC結(jié)構(gòu)Fig.12 Structure of DSC

逐通道卷積即分組數(shù)為輸入通道數(shù)的組卷積,在普通卷積中一個卷積核跟所有通道進行卷積計算,而在逐通道卷積中,一個卷積核只負責(zé)一個通道,之后將所有卷積核的輸出再進行拼接得到最終輸出。

逐點卷積即分組數(shù)為1,卷積核大小為1的普通卷積,在DSC中負責(zé)改變輸出通道的數(shù)量和對逐通道卷積輸出的特征圖進行通道上的融合。

DSC的參數(shù)量遠遠低于普通卷積,但是低參數(shù)量是以犧牲一部分精度為代價,如何保持低參數(shù)量的同時提高卷積效率是大多數(shù)輕量化網(wǎng)絡(luò)優(yōu)化的方向。

分析YOLOv5s的網(wǎng)絡(luò)結(jié)構(gòu)發(fā)現(xiàn),當特征圖經(jīng)過Backbone不斷提取后通道數(shù)達到最大,但是Neck結(jié)構(gòu)的上采樣階段分別需要其1/2和1/4的通道數(shù),原來的網(wǎng)絡(luò)結(jié)構(gòu)僅僅使用2個Conv1×1來保證通道數(shù)的持續(xù)減半(圖1中Neck結(jié)構(gòu)的前面2個CBS),導(dǎo)致特征圖丟失了大量語義信息。多尺度空洞卷積通過不同擴張因子(dilation)的卷積聯(lián)合提取特征在語義分割領(lǐng)域取得了較大的成功[20],考慮到該結(jié)構(gòu)的有效性,將空洞卷積和DSC結(jié)合起來設(shè)計如圖13所示的特征增強模塊。

圖13 特征增強模塊Fig.13 Feature enhancement module

為減少參數(shù)量,FEM結(jié)構(gòu)使用了1個標準卷積和3個不同擴張率的逐通道卷積提取不同尺度的特征,之后再進行通道上的堆疊,最后使用一個標準卷積達到不同尺度特征的融合。使用FEM替換原Neck中最初的2個CBS。

為進一步減輕網(wǎng)絡(luò),使用結(jié)構(gòu)重參數(shù)化對DSC進行改進,將DSC中逐通道卷積替換為分組數(shù)為輸入通道數(shù)的ResDBB(如圖10所示),逐點卷積則替換為RepConv_1×1(如圖9所示)。為緩解分組卷積組與組之間缺乏信息交流,在逐點卷積的后面引入Channel Shuffle操作,同時在非線性激活函數(shù)方面選擇對硬件更為友好的H-Swish(Hard Swish),并以此構(gòu)建RDSC,如圖14所示,并使用RDSC替換原網(wǎng)絡(luò)中Neck結(jié)構(gòu)的Conv_3×3。

圖14 RDSC結(jié)構(gòu)Fig.14 Structure of RDSC

為進一步降低參數(shù)量,提高檢測速度,將DSC思想引入Neck中的C3結(jié)構(gòu),因此提出RSDWBlock結(jié)構(gòu)替換Neck中的C3結(jié)構(gòu),如圖15所示。

圖15 RSDWBlock結(jié)構(gòu)Fig.15 Structure of RSDWBlock

考慮到Neck結(jié)構(gòu)主要功能是特征融合,因此相對于Backbone中的RSBlock,在左側(cè)分支增加1個RepConv_1×1。右側(cè)分支中DW_ResDBB是分組數(shù)等于輸入通道數(shù)的ResDBB模塊,同時在最后新增 1個RepConv_1×1,作用是調(diào)整輸出的通道數(shù),使之滿足下一層網(wǎng)絡(luò)輸入要求。

3.2 CA注意力機制

以往的視覺注意力機制SENet(Squeeze-and-Excitation Networks)[21]、CBAM(Convolutional Block Attention Module)[22]對每個通道使用全局平均池化,該操作雖然能提取每個通道的全局信息,但是丟失了目標非常重要的位置信息。CA為解決信息丟失問題,分別對水平方向、垂直方向進行全局平均池化,在2個方向上同時關(guān)注感興趣的地方,準確地定位出目標對象的位置,其結(jié)構(gòu)如圖16所示。

圖16 CA結(jié)構(gòu)Fig.16 Structure of CA

具體來說,先使用(H,1)和(1,W)的池化核沿著水平坐標和垂直坐標方向?qū)γ總€通道進行編碼,則高度為h的第c個通道:

(10)

同理,寬度為w的第c個通道:

(11)

以此得到2個不同方向的特征圖。之后再級聯(lián)2個特征圖,使用一個Conv_1×1進行C/r比例的下采樣,經(jīng)過批處理和非線性激活函數(shù)進行F1變換:

f=δ(F1([zh,zw]))。

(12)

使用split函數(shù)將不同方向的特征圖切分開,再使用2個Conv_1×1將特征圖恢復(fù)到輸入時的通道數(shù):

(13)

經(jīng)過sigmoid函數(shù)后得到2個方向的注意力權(quán)重,最終依次乘以原始輸入得到最終的結(jié)果:

(14)

經(jīng)過多次實驗,將CA注意力機制加在Backbone中SPPF結(jié)構(gòu)的前一層效果較好,達到了速度和精度的最優(yōu)平衡,如圖17所示。

圖17 改進后的YOLOv5s 結(jié)構(gòu)Fig.17 Improved YOLOv5s network structure

4 實驗結(jié)果及分析

4.1 實驗環(huán)境與評價標準

實驗所用的服務(wù)器環(huán)境為:CPU為Intel(R) Xeon(R) Platinum 8255C,GPU為NVIDIA RTX 2080Ti,顯存為11 GB,操作系統(tǒng)為Ubuntu 20.04,編譯環(huán)境為Python3.8+PyTorch1.10.0+Cuda11.3。

訓(xùn)練參數(shù)中,優(yōu)化器選擇為隨機梯度下降(SGD),初始學(xué)習(xí)率設(shè)置為0.01,循環(huán)學(xué)習(xí)率為 0.01,動量為0.937,權(quán)重衰減系數(shù)為0.000 5。考慮到改進后的網(wǎng)絡(luò)結(jié)構(gòu)發(fā)生了較大變化,官方提供的預(yù)訓(xùn)練模型已無法使用,因此將迭代次數(shù)設(shè)置為300,不使用預(yù)訓(xùn)練權(quán)重重新開始訓(xùn)練,同時批尺寸設(shè)置為32,輸入圖片為640 pixel×640 pixel,同時啟動Mosaic數(shù)據(jù)增強[23],隨機對4張圖片進行縮放、平移、左右翻轉(zhuǎn)和色彩變換等處理后再進行拼接,并將其增強概率設(shè)置為0.6。Mosaic數(shù)據(jù)增強雖然會極大豐富訓(xùn)練樣本數(shù)量、增強模型泛化能力,但是其拼接操作會使小目標變得更小,導(dǎo)致模型泛化能力衰退,因此以一定的概率進行Mosaic數(shù)據(jù)增強既可以豐富樣本,又不至于丟失小目標的檢測能力。

將自建的3 466張森林火災(zāi)數(shù)據(jù)集按照8∶1∶1的比例隨機劃分為訓(xùn)練集、驗證集和測試集,最后得到2 772張訓(xùn)練集,驗證集、測試集分別為347張。

實驗結(jié)果采用精確度(P)、召回率(R)、平均準確度(mAP@0.5)等作為評價標準,具體計算如下:

4.2 消融實驗結(jié)果分析

YOLOv5s及其改進點的消融實驗如表1所示,Backbone改進相對于原始的準確度即mAP@0.5提高了2.0%,雖然訓(xùn)練權(quán)重大幅增加了,但是推理權(quán)重相對于原始減小了1.6 MB,這是重參數(shù)化模型訓(xùn)練和推理解耦的特點。同時推理時間也有減少,分析原因是Backbone改進中僅僅對一半的通道數(shù)進行密集卷積操作(ResBlock),同時轉(zhuǎn)換成推理結(jié)構(gòu)后卷積塊迭代的數(shù)量也相比原網(wǎng)絡(luò)少,提高了檢測速度。添加CA注意力機制后,準確度也有相對的提高,但略微降低了檢測速度,同時推理權(quán)重也有少量增加。經(jīng)過Neck部分的改進,由于使用了DSC結(jié)構(gòu),推理權(quán)重下降至原來的76%,最后至10.5 MB,但是推理時間有少量增加,基本恢復(fù)到原始網(wǎng)絡(luò),分析原因是由于FEM增加了網(wǎng)絡(luò)復(fù)雜度,同時DSC對于內(nèi)存訪問量較高,頻繁的內(nèi)存訪問影響了檢測效率,但是基本保持了原YOLOv5s推理速度快的優(yōu)點。推理權(quán)重的減少對于邊緣設(shè)備的部署更加友好,并且準確度提高了0.8%。改進后的重參數(shù)化YOLOv5s和原YOLOv5s訓(xùn)練階段的檢測框損失值和精確度對比如圖18所示。

表1 消融實驗結(jié)果

(a)檢測框損失 (b)mAP@0.5

4.3 改進后的YOLOv5s和其他算法對比

為更好體現(xiàn)改進后的算法優(yōu)勢,將改進后的重參數(shù)化YOLOv5s和主流的輕量級目標檢測網(wǎng)絡(luò)在同一訓(xùn)練集上進行實驗對比,結(jié)果如表2所示。由表中數(shù)據(jù)可知,改進后的YOLOv5s的精度均高于其他網(wǎng)絡(luò),同時推理權(quán)重也較小,檢測速度雖然不及YOLOX-Tiny和YOLOv7-Tiny,但亦滿足實時檢測的要求,保持了輕量化網(wǎng)絡(luò)的特點。

表2 網(wǎng)絡(luò)對比結(jié)果

4.4 檢測效果對比

改進后的YOLOv5s和原YOLOv5s選取訓(xùn)練和驗證集以外的圖片進行測試,同時檢測參數(shù)保持一致,具體結(jié)果如圖19所示,左邊為改進后YOLOv5s的檢測結(jié)果。圖19(a)中只有火焰,但是右圖將白光誤檢成煙霧,左圖沒有發(fā)生誤檢情況,同時對火焰的檢測效果好于右圖。圖19(b)屬于白天火焰不可見,僅有煙霧的情況,兩邊都能將煙霧準確地檢測出來,但左圖對煙霧檢測的置信度較高。圖19(c)屬于夜間發(fā)生森林火災(zāi)的情況,兩邊都取得了不錯的檢測效果,但是左邊對于煙霧和火焰檢測的置信度均高于右邊。圖19(d)屬于受樹木遮擋的情況,這在森林火災(zāi)中非常常見,對于這種情況,左邊能很好地檢測出火焰的輪廓,右邊檢測情況則稍差一些。

5 結(jié)束語

針對目前森林日常巡檢困難,巡檢設(shè)備性能受限、檢測算法無法達到速度和精度的平衡,提出一種改進的重參數(shù)化YOLOv5s的森林火災(zāi)檢測算法。主要結(jié)論如下:基于公開的數(shù)據(jù)集和互聯(lián)網(wǎng)圖片制作了一個針對性強的森林火災(zāi)數(shù)據(jù)集,同時為增加模型魯棒性,還加入了10%的背景圖片,提高模型的泛化能力。根據(jù)重參數(shù)化和輕量化網(wǎng)絡(luò)的思想對YOLOv5s進行改進,提出RSBlock和RSDWBlock 兩種瓶頸結(jié)構(gòu)代替原網(wǎng)絡(luò)中的C3模塊,使用RepConv和RDSC進行下采樣并用FEM特征增強來代替Neck中的Conv_1×1,增強多尺度特征融合,同時在主干網(wǎng)絡(luò)中加入了輕量化的CA注意力機制。通過上述改進,模型參數(shù)量下降至原來的76%,精確度提高了4.0%,檢測速度也符合實時檢測的要求。經(jīng)過消融實驗和對比實驗,改進后的重參數(shù)化YOLOv5s具有相對較高的檢測精度,在輕量化方面也具有優(yōu)勢,對日常森林監(jiān)控和巡檢具有一定的意義。森林火災(zāi)檢測環(huán)境復(fù)雜、對象尺度變化大,復(fù)雜環(huán)境下火焰煙霧目標容易發(fā)生漏檢,下一步工作將針對多尺度復(fù)雜環(huán)境中的火焰煙霧進行視頻多幀分析檢測。