基于多粒度视觉-语言增强的轻量化森林火灾检测模型(MVLFireNet)

《Fire》:A Lightweight Forest Fire Detection Model with Multi-Granularity Vision-Language Enhancement

【字体: 大 中 小 】 时间:2026年09月20日 来源:Fire 2.7

编辑推荐:

  摘要专业翻译 近年来,基于无人机(UAV)的目标检测技术在复杂环境下的森林火灾监测中展现出巨大潜力。然而,受火灾目标剧烈的多尺度变化、严重的背景干扰以及边缘设备有限的计算资源所制约,现有目标检测模型难以在检测精度与推理效率之间取得平衡。为系统解决上述问题,本文

  
摘要专业翻译 近年来,基于无人机(UAV)的目标检测技术在复杂环境下的森林火灾监测中展现出巨大潜力。然而,受火灾目标剧烈的多尺度变化、严重的背景干扰以及边缘设备有限的计算资源所制约,现有目标检测模型难以在检测精度与推理效率之间取得平衡。为系统解决上述问题,本文提出MVLFireNet——一种由多粒度视觉-语言增强驱动的轻量化实时森林火灾检测模型。首先,提出多尺度空间感知注意力(Multi-scale Spatial-Aware attention, MSA)模块,在捕获全局长程依赖的同时,显式保留微弱火点与烟缘的高频二维空间特征。其次,设计跨调制融合(Cross-Modulation Fusion, CMF)模块,以双向非线性条件调制替代传统的被动特征拼接,实现对深层高层语义与浅层空间细节的主动去噪与互补补偿。最后,创新性地引入多粒度视觉-语言增强(Multi-granularity Vision-Language Enhancement, MVLE)分支,通过覆盖全局场景与局部目标的分层文本对齐增强机制,向视觉特征注入鲁棒的语义判别能力。此外,本文构建了FSDataset-VL——首个专为森林火灾检测定制的大规模多粒度图文数据集。在FSDataset-VL上的大量实验表明,MVLFireNet仅以241万参数即分别达到86.3%的mAP@0.5与54.8%的mAP@0.5:0.95,均为所有对比模型中的最高水平。在mAP评估框架下,该模型实现了检测精度与计算效率之间的最优平衡,为复杂环境下的无人机森林火灾监测提供了高效解决方案。

论文解读文章

一、研究背景与问题提出

森林作为地球生态系统不可或缺的组成部分,在维持全球碳循环和保护生物多样性方面发挥着不可替代的作用。然而,在全球气候变化加剧与人类活动持续扩张的背景下,森林火灾的发生频率与破坏性逐年上升,不仅严重威胁人类生命财产安全,也对生态环境造成难以估量的损害。传统的森林火灾监测手段主要依赖人工巡护、地面瞭望塔和卫星遥感,这些方法普遍存在覆盖盲区大、响应延迟长、空间分辨率受限等固有缺陷,难以满足火灾早期预警的迫切需求。近年来,无人机凭借高机动性、广阔的侦察视野以及不受复杂地形制约等优势,成为大规模森林巡护的理想工具。与此同时,随着计算机视觉技术的进步,基于深度学习的目标检测算法为无人机火灾检测提供了关键技术支撑。
然而,无人机火灾检测在真实复杂森林环境中仍面临严峻的技术挑战。一方面,光照条件的剧烈变化、浓烟造成的严重遮挡以及初期火灾目标的极小尺度,对检测算法的特征提取精度和环境鲁棒性提出了极为苛刻的要求;另一方面,无人机平台的机载计算资源严重受限,迫使检测模型必须在保持高精度的同时实现轻量化架构,以满足边缘设备上实时推理和长期部署的需求。
现有目标检测方法在应对复杂火灾场景时仍存在三方面亟待解决的问题:其一,标准注意力机制缺乏对二维空间结构的显式感知,容易导致微弱高频目标特征被背景噪声淹没;其二,现有多尺度特征融合方法未能弥合不同层级特征之间的语义鸿沟,难以充分发挥不同尺度的互补潜力;其三,纯视觉模型语义理解能力不足,而现有视觉-语言增强方法往往局限于单一维度的对齐。为系统解决上述问题,本文提出MVLFireNet。

二、研究内容与核心方法

研究人员提出了一种由多粒度视觉-语言增强驱动的轻量化实时目标检测模型MVLFireNet,采用包含主干网络(Backbone)、颈部(Neck)和检测头(Head)的端到端目标检测架构。研究基于FSDataset-VL数据集开展实验,该数据集共包含19,866张图像和41,983个边界框标注,按约6:3:1的比例划分为训练集(12,083张)、验证集(5,640张)和测试集(2,143张)。数据集为每张图像同时提供全局场景描述(80–120词)和局部细节描述(15–30词),覆盖10种场景类型、3种光照条件、5种天气类别、7种地形类型和7种植被类型。文本构建采用包含文本生成、自动验证和人工复核三个阶段的流水线,其中视觉-语言模型采用MiMo-v2.5,整个构建流程基于Python(版本3.10.15)实现。

三、研究结果

3.1 消融实验

为严谨评估各核心模块的有效性,研究人员构建了不含MSA、CMF和MVLE模块的基线模型,并在FSDataset-VL数据集上对所有八种模块组合进行了消融研究。实验结果表明:单独引入MSA使mAP@0.75提升0.6个百分点,且参数量和计算量分别降至238万和6.5 GFLOPs;单独引入CMF使精确率从79.3%提升至81.0%,F1分数和mAP@0.5:0.95分别提升1.8和0.9个百分点;单独引入MVLE带来最显著的精度增益,mAP@0.5、mAP@0.75和mAP@0.5:0.95分别提升1.3、1.8和1.3个百分点,且参数量、计算量和推理速度与基线完全一致。完整模型在所有关键指标上均取得最优结果,精确率达85.3%,F1分数达82.1%,mAP@0.5、mAP@0.75和mAP@0.5:0.95分别达到86.3%、59.2%和54.8%。

3.2 对比实验

研究人员在FSDataset-VL上与Faster R-CNN、SSD、RetinaNet、FCOS、YOLOv10n、YOLOv11n、YOLOv12n、YOLOv26n、RTDETR-L和LHRF-YOLO等模型进行了对比。实验结果表明,MVLFireNet在mAP@0.5(86.3%)、mAP@0.75(59.2%)和mAP@0.5:0.95(54.8%)上均超越所有对比模型,并取得最高的精确率85.3%。在轻量化方面,模型仅含241万参数,计算量为6.8 GFLOPs,推理速度达39.4 FPS。场景化评估显示,MVLFireNet在十个场景子集中有八个排名前二,在森林、草地和航空三个子集上分别取得83.2%、87.1%和92.4%的mAP@0.5。可视化定性分析表明,在夕阳强光源干扰和真实烟雾与类火反射干扰场景中,MVLFireNet有效抑制了类火干扰物的误检置信度,同时保持对真实火源的高检测置信度。

3.3 泛化实验

研究人员在公开数据集D-Fire上进行了跨数据集泛化实验,所有对比模型仅使用FSDataset-VL训练后直接在D-Fire验证集上评估。结果显示,MVLFireNet在所有评估指标上均取得最优表现,mAP@0.5达到37.3%,比第二名RetinaNet高出2.5个百分点,比综合性能最强的轻量级基线YOLOv11n高出2.6个百分点;在mAP@0.75和mAP@0.5:0.95上也分别取得11.3%和15.7%的最高值。

四、讨论与结论

研究人员指出,MVLFireNet在推理延迟、检测鲁棒性和数据分布方面仍存在一定局限。实测帧率约39.4 FPS,主要受限于MSA模块中的多尺度并行感知分支和CMF模块中的双向条件生成所带来的内存访问开销;在极端高频视觉干扰下仍可能出现偶发误检;FSDataset-VL的场景类别和跨区域分布仍存在一定偏差,且VLM生成的文本可能存在固有先验偏差。未来研究将聚焦于部署优化(结构重参数化、模型剪枝、量化等)、数据扩充与实地验证,以及探索将多模态大语言模型的零样本泛化与逻辑推理能力融入轻量级边缘端模型。
研究结论表明,MVLFireNet在FSDataset-VL数据集上展现出显著优越性。面对夕阳余晖、强烈水面反射和多尺度浓烟遮挡等极具挑战性的场景,模型始终保持出色的抗干扰能力和高检测精度。与当前计算机视觉领域最先进的目标检测模型相比,MVLFireNet在mAP@0.5(86.3%)和mAP@0.5:0.95(54.8%)等核心检测精度指标上均取得所有对比模型中的最高水平,同时仅占用241万参数。MVLFireNet不仅为计算资源受限的无人机平台提供了极具价值的火灾监测解决方案,也为未来在轻量级边缘端任务中探索深度视觉-语言基础模型融合奠定了坚实的数据基础和理论路径。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号