DGFRNet：用于输电线路附近森林火灾检测的双引导特征精炼网络

《ADVANCED ENGINEERING INFORMATICS》：DGFRNet: Dual-guided feature refinement network for forest fire detection near transmission lines

　　

摘要 森林火灾检测对于保护高压输电线路至关重要，然而浓烟与小火焰的共存给准确定位和高效推理带来了重大挑战。为此，我们提出了一个名为渐进式细粒度双引导特征细化网络（DGFRNet）的框架。具体而言，我们设计了一种频率响应膨胀卷积（FR-DConv），能够根据局部频率能量动态调整膨胀率，使网络能够在为烟雾聚合全局上下文的同时保留火焰的精细细节。同时，我们引入了双极性熵判别模块（BEDM），通过估计局部熵选择性放大信息量丰富的通道，避免了传统注意力机制的计算开销。在双维度信息交互之后，频谱重建引导表示模块（SRGRM）通过幅度-相位分解显式解耦语义强度与位置结构，增强了对模糊火灾区域的定位能力。此外，我们提出了一条渐进细化路径，结合了层次化多粒度融合块（HMGFB）和双向对齐注意力（BAA）模块，促进了语义抽象与空间粒度之间的特征对齐。在四个数据集上的大量实验表明，DGFRNet具有高精度、紧凑的模型尺寸和快速的推理速度。一项针对220千伏输电线路的案例研究表明，将DGFRNet与火灾行为及放电模型相结合，可实现早期跳闸风险评估，突显了其工程适用性。

引言 近年来，全球森林火灾的频率和强度显著增加[1]。全球气温上升、持续干旱以及更长的野火季使得全球约25%的植被区面临更高的火灾风险。典型案例包括2019-2020年澳大利亚"黑色夏季"灌木火灾和加拿大2023年野火季，后者产生的碳排放量相当于印度全年化石燃料燃烧的排放量[2]。此外，联合国环境规划署预测，到本世纪末极端野火的频率将增加50%，这凸显了有效火灾监测技术的迫切需求[3]。

这些不断升级的森林火灾风险对电力系统产生了直接影响，特别是在输电线路穿越森林区域的地区[4]。当森林火灾发生时，火焰的高温、导电性和灰烬含量显著削弱了输电线路间隙的绝缘强度。这可能导致线路跳闸和低重合闸成功率，从而引发重大停电事故，严重威胁输电线路的安全稳定运行[5]。这些事件凸显了早期检测火灾隐患的重要性，以降低火灾风险并确保电力系统的稳定运行。

目前，森林火灾监测依赖于人工巡检、卫星遥感和烟雾探测器，每种方法都有显著局限性。人工巡检效率低下且对人员存在风险[6]，卫星系统时间分辨率低且易受云层干扰[7]，烟雾探测器则受限于其无法覆盖大面积区域以及在植被茂密环境中易产生误报的缺陷。相比之下，云台摄像机（PTZ）可以实时检测输电线路附近的森林火灾。同时，无人机凭借其出色的灵活性和高分辨率遥感图像，能够在难以安装摄像头的偏远地区提供全面覆盖[8]。这两种技术的结合实现了实时火灾监测，从而在复杂环境中实现了更准确的火灾检测和早期预警。

机器学习技术凭借其强大的学习能力，在能源管理[9][10]、工业监控[11][12][13][14]和灾害预防[15][16]等关键领域引起了广泛关注。在时间序列分析领域，为了解决观测数据的高非线性和不确定性问题，混合人工智能模型逐渐兴起成为主导范式，取代了单一模型。例如，混合CNN-LSTM架构[9]能够捕捉电力需求预测中的多尺度时间依赖关系，而优化的ANN-RF模型[13]则显著提高了电力传输系统中故障检测的准确性。这些成功应用表明，针对特定物理特征定制的混合策略对于解决复杂的监测挑战至关重要。类似地，计算机视觉领域正从通用目标检测向特定复杂目标检测转变[17][18][19]。以BFA-YOLO[20]和YOLO-MIF[21]为代表的主流检测器已成功应用于检测刚性和几何对象，如建筑立面和工业缺陷。然而，这些方法缺乏对火焰和烟雾等无形动态目标的机制化形式化手段，后者没有固定的几何先验信息。因此，近期研究尝试利用混合策略，例如将卷积神经网络与注意力机制相结合[22][23][24][25]，以增强对火焰的语义感知。然而，这些方法在处理小目标或模糊目标时往往力不从心。这一局限性源于上下文建模不足以及对精细结构敏感性有限。特别是，那些在没有显式建模火焰和烟雾区域频率和尺度特征的情况下聚合特征的设计，如图1所示，可能会忽略准确定位所需的关键边缘和纹理线索。

从网络功能的角度来看，当前研究主要关注两个核心组件：用于语义特征提取的骨干网络和用于集成多尺度信息的特征融合模块。作为特征提取的核心模块，骨干网络负责从输入图像中逐步捕捉多尺度和语义丰富的特征。虽然ResNet[26]等深度网络提供了强大的表示能力，但其高复杂度限制了在边缘平台上的部署。YOLOv5中的C3[27]和YOLOv8中的C2f[21]等轻量级替代方案提高了速度和效率，但往往牺牲了空间感知和全局上下文建模能力。一些方法尝试使用稀疏注意力[28]和深度训练策略[29]来解决这些局限性。然而，在平衡效率与多粒度空间推理方面仍然存在挑战，尤其是在复杂或资源受限的场景中。

特征融合模块作为骨干网络和检测头之间的关键连接器，将层次化特征整合为统一表示，用于密集预测。PANet[30]和BiFPN[31]展示了双向特征流在增强多尺度集成方面的优势。然而，PANet的固定连接模式和BiFPN的层堆叠加归一化限制了其灵活性和效率。一些方法在训练时使用多分支结构的RepBlock[32]，在推理时采用单分支形式，在不增加推理延迟的情况下增强非线性表示[33][34]。尽管有这些努力，不同特征层级之间的不对齐问题往往仍然存在，导致融合效果不佳和定位准确性降低。

为解决上述挑战，我们提出了一种用于森林火灾检测的渐进式细粒度双引导特征细化网络（DGFRNet）。我们的贡献总结如下：

(1) 为了更好地建模火焰和烟雾之间的内在差异，我们设计了一种频率响应膨胀卷积（FR-DConv）。由于烟雾平滑的无形特性，浓烟主导低频段；而小火焰包含来自锐利边缘的高频分量。FR-DConv对局部块应用快速傅里叶变换（FFT），估计高频能量比，自适应调整膨胀率，为烟雾提供更大的感受野，为火焰提供更小的感受野，从而在聚合全局上下文和保留局部细节之间取得平衡。

(2) 为了在深度和宽度两个维度上平衡计算效率与建模能力，我们提出了一种级联双引导骨干网络，由频率感知和基于熵的线索共同引导。频率感知空间流使用带有深度可分离卷积和自适应膨胀的FR-DConv进行高效上下文建模。熵引导通道流引入了双极性熵判别模块（BEDM），通过局部熵描述符突出信息量丰富的通道，同时抑制模糊激活，而无需使用昂贵的注意力头。两个流通过门控融合单元（GFU）进行融合，频谱重建引导表示模块（SRGRM）进一步分解幅度和相位，将语义与结构解耦，增强了复杂条件下的定位能力。

(3) 为了解决多尺度集成中的语义不一致问题，我们设计了一条结合双向流和注意力对齐的渐进细化路径。层次化多粒度融合块（HMGFB）通过残差和深度连接从细节到抽象聚合特征，增强传播效果。同时，双向对齐注意力（BAA）模块在尺度间对齐空间和通道语义，将高分辨率结构注入到低分辨率图中，在不丢失全局上下文的情况下恢复精细细节。这一设计改进了小目标和分散火灾目标的定位能力，超越了传统融合策略。

章节片段 森林火灾检测 森林火灾检测的目标是在图像中识别和定位火焰和烟雾区域。传统方法依赖于手工特征，如颜色和运动[35][36]，但这些方法在捕捉深度信息和适应复杂背景方面存在局限性。

随着深度学习的发展，研究转向边界框级别的监督来提取火焰和烟雾的判别性特征，增强语义引导。一些方法结合了CNN提取的静态特征...

所提方法 如图2所示，为输电线路附近森林火灾检测设计的系统按层次分为三层：感知层、视觉分析层和风险评估层。第3节主要介绍视觉分析层，第4.8节涵盖风险评估层。

(1) 感知层 感知层负责实时获取环境信息。无人机和云台摄像机协同工作，捕获...

实验数据集 (1) M4SFWD[50]：使用虚幻引擎5创建的合成数据集，专为森林火灾检测设计，包含八个独特场景，具有各种天气条件和昼夜过渡。它包含3974张1480×684像素的图像，标注了不同的火灾发生情况。(2) 玉溪野火数据集[22]：2023年4月11日在中国云南省玉溪市使用DJI Mavic Air 2无人机拍摄。数据集包含876张高分辨率（3840×2160像素）遥感图像，包含4423个标注...

可持续性与伦理考量 在可持续计算和智能监控的背景下，大规模网络的部署需要审视生命周期管理和电子垃圾影响。所提出的DGFRNet通过算法效率和低资源消耗来解决这些问题。

为了评估这种环境影响，我们进行了定量功耗分析。如图17所示，我们在NVIDIA Jetson Xavier NX边缘设备上测量了推理期间的平均功耗...

潜在局限性与未来展望 尽管案例研究表明其具有工程适用性，但实际部署受环境限制。作为一个基于视觉的框架，DGFRNet受光学传感器的操作条件限制。恶劣环境会降低图像质量，超出算法的恢复能力。例如，太阳眩光会导致过曝，造成局部视觉细节丢失。此外，灰尘或泥土污染镜头会遮挡视野，使...

结论 在本文中，我们解决了高压输电线路森林火灾检测的三个基本挑战：(1)火焰和烟雾的固有频率特征建模不足，(2)轻量级骨干网络中计算效率与空间建模的冲突，(3)多尺度集成中不同特征层级之间的语义不一致。为此，我们提出了一种名为DGFRNet的新型检测架构。

具体来说，我们设计了...

CRediT作者贡献声明 Yitong Fu：撰写——初稿、软件、方法论。Haiyan Li：资金获取、概念化。Lei Guo：可视化、验证。Xun Lang：监督、调查、数据管理。Yufeng Zhang：撰写——审阅与编辑、项目管理。

利益冲突声明 作者声明不存在已知的可能影响本文报告的工作的竞争性经济利益或个人关系。

Yitong Fu|Haiyan Li|Lei Guo|Xun Lang|Yufeng Zhang