基于改进YOLOv5s的森林烟火检测算法

为了解决传统火焰烟雾检测算法在光照条件恶劣和山林云雾影响的条件下存在漏检误检、准确性下降的缺陷，提出了一种基于YOLOv5s目标检测框架的森林烟火检测算法。首先，针对火焰烟雾目标特征复杂的问题，在C3模块中融合Res2Net，增强了网络在不同尺度下的特征表示能力。然后，在主干检测网络加入SE注意力模块，达到抑制干扰信息，提升模型表征能力的效果。最后，通过集成GIOU优化损失函数，进一步提高了检测精度。改进后的的算法相比于传统算法，mAP50值提高了1.8%，P值提高了0.9%，R值提高了0.6%。

森林火灾是一种破坏性极强的森林灾害，具有突发性强、破坏性大、难以控制等特点，是全球发生最频繁、处置最困难、危害最严重的自然灾害之一[1]。自2024 年春节以来，贵州全省共发生森林火情221 起，是上年同期3 倍，已核实为森林火灾计11 起，造成2 人员伤亡，森林火情大幅增加。2024 年3月16 日18 时10 分许，云南省临沧市临翔区圈内乡斗阁村发生一起森林火灾，过火面积约5.33 公顷，3名扑火人员牺牲，1 名受伤。

对以上及相关森林火灾事故分析，了解到火焰和烟雾是森林火灾发生前的重要特征。随着深度学习的发展，可以利用无人机搭载深度学习平台，代替人工巡检森林，如果在火焰烟雾检测方面提高准确率， 并降低检测的误报率，就可以在森林火灾发生的初始阶段及时报警。

现有的基于目标检测算法的森林火灾特征提取方法大都是针对可见光，通过多种特征增强方法和模型训练策略，使模型学习到烟雾和火焰细粒度特征，进而提升模型性能。Zheng Xin 等[2]。评估了几个主流的目标检测算法(Faster R-CNN [3]，Efficient Det [4]，YOLOv3 [5]，SSD [6])在森林火灾数据集的性能，研究了该类算法检测森林火灾的可行性。谢书翰等[7]提出基于改进YOLOv4 的火灾检测模型，在检测头为增强模型的烟雾特征提取能力，融合了通道注意力机制，同时对烟雾特征对损失函数和先验框进行优化，但该模型且易受山林云雾影响，产生误检。

此外， 由于森林防火的巡检面积大、巡检困难， 采用固定摄像头和人工巡检效率极低， 因此Treneska等人[8]开发了一种基于迁移学习的卷积神经网络，利用无人机捕捉的视频流进行早期火灾特征提取，取得了良好的准确度和实时性。但是，该方法仅采用较好的光照条件下的可见光图像对模型进行训练和测试，在夜晚和光照条件恶劣的实际情况下，网络性能较差。Jiao 等人[9]提出一种基于小尺度卷积神经网络和无人机航拍进行森林火灾特征提取和检测的算法，利用无人机搭载红外或者可见光探头进行航拍监测，通过YOLOv3 目标检测算法对图像进行特征提取，并通过无人机通信将图像传输到地面站。该方法在大面积森林火灾检测和报警应用中取得了优异的性能，但是由于训练集缺乏大量可用的初始森林火灾数据，该网络的小规模火灾检测性能差，准确度低，无法满足早期森林火灾的监测和预警需求。

综上所述，现有基于目标检测算法的森林火灾特征提取方法的研究在光照条件恶劣和山林云雾影响的条件下存在漏检误检、准确性下降的劣势，加之缺乏大量可用的初始森林火灾图像。为解决此问题， 提出改进基于改进YOLOv5s 的森林烟火检测算法，通过融合Res2Net 并嵌入SE 注意力机制优化YOLOv5s 在森林火灾特征提取上的准确性。实验采用遥感森林火灾探测的多面合成数据集(https://github.com/Philharmy-Wang/M4SFWD)作为训练集， 提高模型泛化能力。

改进后的算法相比于传统