编辑推荐：
随着野火危害加剧，现有火检测方法面临高误报率、适应性差等问题。研究人员开展了 “优化遥感图像火检测” 研究，提出 IRTQ 模型。该模型融合多种技术，在不同数据集上准确率达 98.9%，能实时检测，为野火监测提供新方案。
在全球气候变化的大背景下，野火发生的频率和强度都在不断攀升。就像 2019 - 2020 年澳大利亚的 “黑色夏天”，大火肆虐超过 2400 万公顷土地，造成大量人员伤亡和财产损失；还有 2025 年洛杉矶的野火，同样破坏力惊人。野火一旦发生，及时准确地检测和响应至关重要。然而，传统的野火检测方法却困难重重。像基于深度学习的 YOLO 和 Faster R - CNN 等算法，在复杂环境下容易将反射光或明亮物体误判为火，导致误报率居高不下；而 Vision Transformers（ViT）虽然强大，但计算资源需求巨大，无法在资源受限的无人机等边缘设备上使用。这些问题严重制约了野火监测工作的开展，所以寻找一种更精准、高效且能在边缘设备上运行的野火检测方法迫在眉睫。
为了解决这些难题，来自多个机构的研究人员开展了一项关于优化遥感图像火检测的研究。他们提出了 Inception - ResNet Transformer with Quantisation（IRTQ）模型，这是一种创新的混合深度学习框架，将 Inception - ResNet 的多尺度特征提取能力与 Transformer 的全局注意力机制相结合，并运用了先进的量化技术。研究结果显示，该模型在多种数据集上都表现出色，准确率高达 98.9%，同时在跨数据集验证中也展现出了良好的泛化能力。此外，通过量化技术，模型的参数数量大幅减少至 0.09M，内存使用量降至 0.13MB，推理时间缩短至 3ms，能够实现实时检测。这些成果意义重大，为野火监测和灾害响应提供了可靠的技术支持，相关研究成果发表在《Displays》上。
研究人员在开展这项研究时，主要运用了以下关键技术方法：首先是数据处理技术，精心挑选并整理了多个数据集，如包含 1900 张照片的数据集和 DFS 数据集。对这些数据集进行了图像裁剪、清洗、标准化尺寸、归一化像素值等预处理操作，并采用旋转、翻转等数据增强方法提升模型的鲁棒性。其次是模型构建技术，设计了由 Inception - ResNet 骨干网络、Transformer 模块和量化技术组成的 IRTQ 模型架构，通过一系列数学公式和计算实现多尺度特征提取、全局上下文理解和高效的深度学习部署。
下面来详细看看研究结果：
- 评估指标：使用准确率、精确率、召回率、F1 分数、ROC 曲线和 Grad - CAM 等多种指标评估模型性能。这些指标从不同角度衡量模型在火检测任务中的表现，为全面评估模型提供了依据。
- 对比分析场景 1：先在 Dataset 2 上训练模型，然后在 Dataset 1 上测试。训练时，模型在 Dataset 2 上的各项性能指标在初始波动后大多稳定在 0.8 以上。测试结果显示，在未量化情况下，模型在 Dataset 1 上对 “非火” 和 “火” 类别的精确率、召回率和 F1 分数都很高，与其他模型相比优势明显；量化后，模型仍能保持高性能，只是火类别的精确率略有下降。
- 对比分析场景 2：在 Dataset 1 上训练模型并在 Dataset 2 上测试。训练过程中，模型的验证损失逐渐降低并稳定，其他性能指标保持在较高水平。测试时，未量化的模型在 Dataset 2 上表现出色，精确率、召回率和 F1 分数都很高，混淆矩阵也显示模型能准确分类；量化后，模型的整体有效性依然保持稳定，部分指标有轻微变化。
- Gradient - based class activation mappings：通过 Grad - CAM 可视化技术，发现模型能聚焦于图像中的火区域，但在处理类似火的模糊区域时存在局限性，这为后续改进模型提供了方向。
- 对比分析深度学习模型：与其他深度学习模型相比，IRTQ 模型在准确率、精确率、召回率、参数大小、内存使用和推理时间等方面表现优异，更适合在资源受限的设备上部署。
研究结论和讨论部分表明，IRTQ 模型在野火检测方面取得了显著进展。它通过独特的混合架构和量化技术，实现了高精度的火检测，同时在资源受限的平台上具备良好的实时性和适应性。然而，该模型也存在一些局限性，比如在类似火的模糊区域容易误判、对数据集质量和多样性依赖较大、量化可能导致精度轻微下降以及目前仅支持二分类等。针对这些问题，未来研究可以从多个方向展开，如整合互补的可解释性技术、探索多模态数据输入、扩充数据集、研究更先进的优化技术、扩展模型支持多类分类以及在实际场景中进行实时验证等。总之，IRTQ 模型为野火管理提供了一种创新且有效的方法，其研究成果为未来资源高效、可解释且可靠的人工智能驱动的火检测系统发展奠定了基础，有望在更广泛的灾害管理领域发挥重要作用。
