EF-YOLO：利用基于无人机的遥感技术检测早期农业火灾中的小型目标 陶军（Jun Tao） 王志涵（Zhihan Wang） 吴建秋（Jianqiu Wu） 李云琴（Yunqin Li） 福田智弘（Tomohiro Fukuda） 张嘉欣（Jiaxin Zhang）

《Remote Sensing》：EF-YOLO: Detecting Small Targets in Early-Stage Agricultural Fires via UAV-Based Remote Sensing Jun Tao, Zhihan Wang, Jianqiu Wu, Yunqin Li, Tomohiro Fukuda and Jiaxin Zhang

　　

摘要

利用无人机（UAV）早期检测农业火灾对环境安全至关重要，但由于点火信号非常微弱、烟雾形态差异较大以及农田场景中常常存在强烈的背景干扰（如镜面反射），这一任务仍然具有挑战性。模型开发还受到早期点火阶段数据稀缺的限制。为应对这些挑战，我们提出了一个数据与模型联合优化的框架。首先，我们通过一个基于感兴趣区域（ROI）的合成流程构建了一个混合数据集，在该流程中，利用潜在扩散模型将高保真度、经过严格筛选的火灾样本插入真实的农田背景中。随后，我们引入了EF-YOLO检测器，该检测器对小目标具有较高的敏感性。该网络采用SPD-Conv机制在空间降采样过程中减少特征损失，并配备了高分辨率的P2头以提升对微小目标的检测能力。为减少背景杂乱，我们设计了双路径频率-空间增强（DP-FSE）模块，该模块能够并行提取全局上下文线索和局部显著特征，从而抑制高频噪声。实验结果表明，EF-YOLO在亚像素目标上的AP_s达到40.2%，比YOLOv8s基线提高了15.4个百分点。凭借88.7%的召回率和78 FPS的实时推理速度，该框架在检测性能与效率之间实现了良好的平衡，非常适合用于边缘部署的农业火灾预警系统。