《Frontiers in Forests and Global Change》:A lightweight deep learning framework for early fire and smoke detection in forest fire monitoring
编辑推荐:
摘要
引言:高效的早期森林火灾检测对于减轻野火蔓延及其相关的生态和社会经济损失至关重要。然而,基于视觉的检测仍然具有挑战性,因为火焰和烟雾目标通常表现出大尺度变化、不规则形态、低对比度、模糊边界以及复杂森林背景的强烈干扰。
方法:本研究提出了FRW-YOL
摘要
引言:高效的早期森林火灾检测对于减轻野火蔓延及其相关的生态和社会经济损失至关重要。然而,基于视觉的检测仍然具有挑战性,因为火焰和烟雾目标通常表现出大尺度变化、不规则形态、低对比度、模糊边界以及复杂森林背景的强烈干扰。
方法:本研究提出了FRW-YOLOv8,一种基于YOLOv8的轻量级模型,用于无人机(UAV)视角森林场景中的火焰和烟雾检测。在骨干网络中引入FasterNeXt,以在保持特征表示能力的同时减少冗余计算。设计了一个由SimConv、转置卷积和RepBlock组成的重参数化特征金字塔网络(RepFPN),以增强跨尺度特征交互和语义融合。进一步采用Wise-IoU(WIoU)来改善对小型和不规则火灾相关目标的边界框回归。
结果:该模型在M4SFWD数据集上进行了训练和内部评估,该数据集提供了多样化的无人机视角森林火灾场景。在M4SFWD上,与YOLOv8n相比,FRW-YOLOv8的火焰AP50和烟雾AP50分别提高了1.0和2.1个百分点,而mAP50和mAP50-95分别提高了1.6和1.7个百分点。参数量和FLOPs分别减少了20.67%和23.46%。尽管M4SFWD为模型评估提供了多样化的无人机视角森林火灾场景,但其合成性质仍带来一定局限性;因此,进一步评估了两个独立的真实世界外部数据集以检验真实场景泛化能力。FRW-YOLOv8在真实火焰数据集上实现了88.3%的火焰AP50和56.8%的火焰AP50-95,在真实烟雾数据集上实现了93.5%的烟雾AP50和57.9%的烟雾AP50-95,分别比YOLOv8n高出1.2和1.3个百分点(火焰)以及1.7和0.2个百分点(烟雾)。
讨论:这些结果表明,该方法在检测精度和模型复杂度之间实现了更好的权衡,并显示出在资源受限的森林火灾监测中的应用潜力。
论文解读:FRW-YOLOv8——面向森林火灾早期火焰与烟雾检测的轻量级深度学习框架研究
森林生态系统作为陆地生物圈的重要组成部分,在维持生物多样性、调节全球碳循环以及保持生态平衡方面具有不可替代的作用。然而,在全球气候变化与人为活动加剧的背景下,极端气象事件频发,森林火灾的发生频率和严重程度持续上升,对森林生态安全、人类生命财产以及全球生态稳定性构成重大威胁。森林火灾通常发生在偏远或地形复杂的区域,具有突发性强、蔓延速度快、扑救难度大等特点。传统的火灾监测方法依赖人工巡护和固定瞭望塔,受天气条件、视野盲区和人员疲劳等因素限制,难以满足大面积连续林区的实时监测需求。尽管卫星遥感可提供大范围覆盖,但其空间分辨率较粗且易受云层干扰,难以实现连续、实时的微尺度监测。近年来,无人机(UAV)凭借高机动性、灵活部署和实时获取高分辨率冠层影像等优势,已成为低空遥感监测的重要平台,但基于无人机视觉的火灾检测仍面临目标尺度变化大、形态不规则、低对比度、边界模糊以及复杂森林背景干扰等技术瓶颈。此外,早期火源常表现为阴燃或微弱烟羽,传统视觉检测方法极易漏检,而在火势蔓延至树冠火阶段后,最佳生态干预窗口往往已经错过。因此,开发能够在资源受限的边缘设备上高效运行的轻量级火焰和烟雾检测模型,对于实现森林火灾的早期预警具有重要意义。
针对上述问题,研究人员提出了FRW-YOLOv8,一种基于YOLOv8n的轻量级火焰与烟雾检测模型。该模型在骨干网络中引入FasterNeXt模块替代原始C2f模块,以减少冗余计算并保持特征表示能力;构建了由SimConv、转置卷积和RepBlock组成的重参数化特征金字塔网络(RepFPN),以增强跨尺度特征交互和语义融合;并采用Wise-IoU(WIoU)损失函数改善小型及不规则火灾目标边界框回归的稳定性。模型在M4SFWD数据集上完成训练和内部评估,该数据集基于虚幻引擎5构建,包含多种地形、气象和光照条件下的无人机视角森林火灾场景,其中训练集、验证集和测试集分别包含2820、763和391幅图像。此外,研究还采用了FLAME数据集和Wildfire Smoke数据集作为独立真实世界外部测试集,分别评估火焰和烟雾检测的跨域泛化能力。
本研究的方法论核心在于三个主要技术创新。首先,FasterNeXt模块采用部分卷积(PConv)机制,仅在部分通道上执行标准3×3卷积,其余通道通过恒等映射保留,从而显著降低计算开销和内存访问成本;结合点卷积(PWConv)和残差连接,实现了轻量化与特征表达能力的平衡。其次,RepFPN通过转置卷积进行上采样以恢复空间细节,利用SimConv进行高效特征变换,并在训练阶段采用多分支RepBlock增强特征表达,推理阶段通过结构重参数化将多分支等价融合为单路径3×3卷积,从而在不增加推理计算量的前提下提升多尺度特征融合效果。最后,WIoU损失采用动态非单调聚焦机制,根据锚框质量评估离群度并为不同质量的样本分配梯度增益,能够有效抑制低质量锚框产生的有害梯度,从而提高对不规则火焰和弥散烟雾边界框的回归精度。
在M4SFWD测试集上的消融实验表明,各模块具有互补且非严格可加的作用。单独引入FasterNeXt后,参数量由3.01M降至2.56M,GFLOPs由8.1降至6.8,同时mAP50和mAP50-95分别提高0.8和0.5个百分点,表明该模块主要贡献于骨干轻量化。单独使用RepFPN使烟雾AP50提高1.3个百分点,mAP50-95提高0.7个百分点,参数量和GFLOPs分别降至2.83M和7.5,验证了其对多尺度特征融合和弥散烟雾表征的增强作用。单独引入WIoU在参数量和计算量不变的情况下,使火焰AP50、烟雾AP50、mAP50和mAP50-95分别提高1.5、0.5、1.0和1.6个百分点,尤其mAP50-95的提升更为显著,说明WIoU主要改善了严格IoU阈值下的边界框定位。完整模型FRW-YOLOv8与基线YOLOv8n相比,火焰AP50、烟雾AP50、mAP50和mAP50-95分别提升1.0、2.1、1.6和1.7个百分点,参数量减少20.67%(由3.01M降至2.38M),GFLOPs减少23.46%(由8.1降至6.2)。重复随机种子实验表明,在三种随机种子下FRW-YOLOv8的mAP50和mAP50-95均稳定高于基线,平均提升分别为1.59和1.73个百分点。
在目标尺度敏感性分析中,按照COCO风格面积标准将测试集目标划分为小(S)、中(M)、大(L)三组。FRW-YOLOv8在小、中、大目标上的mAP50分别为75.7%、88.4%和92.8%,较基线分别提升0.9、1.5和1.7个百分点;在mAP50-95指标上,分别为34.4%、51.1%和58.8%,提升幅度为1.2、0.6和1.6个百分点。虽然模型在小目标上获得正向提升,但其绝对性能仍低于中型和大型目标,表明小目标火焰和烟雾检测仍是具有挑战性的任务。
在真实世界外部验证中,FRW-YOLOv8在FLAME真实火焰数据集上达到火焰AP50为88.3%、火焰AP50-95为56.8%,分别较YOLOv8n提升1.2和1.3个百分点;在Wildfire Smoke真实烟雾数据集上,烟雾AP50为93.5%、烟雾AP50-95为57.9%,分别提升1.7和0.2个百分点。同时参数量和GFLOPs均低于基线。三项随机种子重复验证显示,外部性能趋势基本保持,但烟雾AP50-95的差异较小,平均差异为0.22个百分点,因此被解释为稳定的小幅数值差异而非统计性确证优势。
讨论部分指出,FRW-YOLOv8在精度与复杂度之间实现了更优的权衡,适用于无人机和边缘设备等资源受限的监测场景。然而,研究也存在一定局限性:数据集未提供统一的条件标签,难以独立量化微弱烟雾、遮挡、雾霾或不同背景复杂度的性能;当前实验未包含仅含云、阳光、灰尘、蒸汽或雾等无火图像的专用负样本基准,无法全面评估误报率;内部评估采用固定图像级划分而非场景排他划分,样本间可能存在一定程度视觉相关性;此外,模型级轻量化并不自动保证嵌入式部署的高效性,实际部署性能还需在无人机兼容边缘设备上结合推理延迟、内存占用、功耗和连续视频流处理等进行验证。
结论部分总结认为,FRW-YOLOv8在M4SFWD数据集上取得了改进的精度-复杂度权衡,并在两个独立真实世界数据集上展现了良好的跨域泛化能力,为资源受限条件下的早期火焰和烟雾识别提供了一种轻量级视觉检测方案,有望支持更及时的火灾管理决策,减少植被损害和生态干扰。论文发表于《Frontiers in Forests and Global Change》。