摘要：烟火图像检测在火灾防控中具有重要的意义,但由于烟雾和火焰成像具有多变性和无规则性,大多数烟雾检测算法在现实场景下往往表现欠佳,漏检情况相对严重。针对于此,通过结合基于深度学习的一阶段回归目标检测模型(YOLOv3)与自注意力机制,提出了一种基于YOLOv3自注意力烟雾和火焰图像检测算法,在优化原有YOLOv3网络模型的基础上,通过结合多尺度的自注意力网络,融合模型上下文信息,引导模型自适应学习提取关键的特征信息,增强了模型的特征表达,可有效提高烟雾和火焰检测的准确率。在测试集上结果表明,相比原有的基准检测算法,该方法烟火检测算法的准确率为92.1%,提高了6.5%;通过主干网络替换对比实验进一步验证了该结构设计的有效性,该算法具备较好的实用性。

摘要：为了能够在多种检测环境中,对森林烟火实现较为精准的定位,达到降低大规模森林火灾发生的可能性,文中研究了视频中基于慢运动物体检测、烟雾颜色区域检测、上升烟区检测、阴影检测与去除等四个子算法;利用最小均方算法对以上四个子算法进行加权;结合OpenCV图像分析处理技术和C++编程,设计了基于图像处理的森林烟火检测系统。实验结果表明,系统具有自动化、智能化程度高,对运行环境要求宽松,使用简单便捷等诸多优点。

摘要：【目的】提出一种基于自适应样本均衡与信息融合的林火检测数据增强(SMA)方法,以解决因林火样本数据难以获取、各类别分布不均衡、场景表达能力不充分等导致林火检测效果不佳的问题。【方法】以河北省张家口市崇礼区采集的无人机林火图像为研究对象:1)对无人机视频进行预处理,构建原始数据集;2)采用类别统计、标注框中心化等方法分析数据存在的问题,如小目标居多、类别分布不均衡和标注框尺寸分散等;3)针对类别分布失衡问题,引入自适应参数,实现样本动态调整;4)为保证信息跨样本融合的有效性,提出新的参数指标IOA作为判定阈值,并给出合理参考值;5)设计12组消融试验,以无人机采集数据为样本,根据控制变量原则,对比原始数据、随机数据增强、马赛克数据增强和SMA方法在SSD、YOLOv3、YOLOv4主流算法中的林火检测结果;6)以MAP(平均查准率)为指标,评估不同数据增强方法在同一算法中的效果。【结果】消融试验结果显示,SMA方法在SSD、YOLOv3、YOLOv4算法中MAP分别为48.16%、82.02%、67.79%,相比原始数据分别提升12.14%、11.50%、36.83%,相比随机数据增强分别提升11.95%、4.86%、16.33%,相比马赛克数据增强分别提升1.06%、18.24%、1.79%。【结论】现有数据增强方法未能充分利用林火数据中蕴涵的信息,SMA方法引入自适应参数可解决样本分布不均衡问题,IOA指标引入能够实现数据跨样本融合。SMA方法在SSD、YOLOv3和YOLOv4算法中MAP相较传统方法均有提升,表现出对林火数据检测的有效性。

摘要：各级政府的监管职能部门对于农田、树林等区域的秸秆焚烧、垃圾焚烧等违法行为的监控,存在检测耗时费力、发现滞后及取证难度大等诸多问题。为了解决这个问题,该文设计基于高空瞭望图像智能识别检测与报警系统,该系统结合基站铁塔上的高倍监控摄像机,利用烟火图像识别技术,能实现实时检测1~2 km范围内的秸秆燃烧、森林火灾等事件,发生事件时及时通知相关人员。结果表明,该文设计的智能识别检测与报警系统,识别率高、误报率低,能有效预防森林火灾的发生,提高监管职能部门工作效率,减少政府的资金投入。