.png){kind=icon}
返回
An advanced multi-source data fusion method utilizing deep learning techniques for fire detection
.png){kind=icon}
PRE
AI
DOI：10.1016/j.engappai.2024.109902.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
火灾对生态系统、人类生命和财产构成重大风险。由于火灾场景的复杂性以及检测微小、分散目标的挑战，本文提出了一种基于You Only Look Once（YOLO）框架的创新火灾检测算法FireSmoke-YOLO。首先，提出Funnel Space Pyramid Pooling Fast（FSPPF）以替代骨干网络模块中的Spatial Pyramid Pooling Fast（SPPF），增强深度网络的特征提取能力。其次，为提高小目标的检测精度，将Small Object Detection Layer集成到Neck模块中。此外，为更好地融合深层和浅层特征，在Neck模块的每个拼接层后添加了Dynamic Snake Convolution（DSC）。FireSmoke-YOLO使用自定义火灾数据集进行了训练和评估。实验结果表明，FireSmoke-YOLO在交并比阈值为0.5（mAP50）时达到81.4%的平均精确度均值，mAP50-95为59%，分别比原模型提高了1.9%和8.9%。FSPPF层将模型大小减少了4.4兆字节，确保了轻量化设计。该模型在处理卫星遥感数据时表现出良好的泛化能力，验证了其在火灾监测中的有效性。本研究在提升火灾检测精度的同时，为消防救援和环境保护提供了高效、轻量化的模型。FireSmoke-YOLO为火灾监测技术提供了一种新方法，具有广阔的应用潜力。未来的工作将聚焦于进一步优化，并扩展其在多样化火灾监测场景中的应用，以提升公共安全和生态保护水平。
Keyword:
Detection of fire and smoke
Deep learning
Object detection
Computer vision
Ecological protection
期刊
IF:
8
论文数:
5.6K
被引数:
3.5W
机构
引用论文
Autonomous Satellite Wildfire Detection Using Hyperspectral Imagery and Neural Networks: A Case Study on Australian Wildfire使用高光谱图像和神经网络进行自主卫星野火检测: 以澳大利亚野火为例
OAAI
OAAI分享收藏LSNet: Lightweight Spatial Boosting Network for Detecting Salient Objects in RGB-Thermal Images
PREAI
分享收藏Early detection of pine wilt disease in Pinus tabuliformis in North China using a field portable spectrometer and UAV-based hyperspectral imagery.png)
FOREST ECOSYSTEMS
OAAI
FOREST ECOSYSTEMSIF4.4
OAAI分享收藏An Improved Wildfire Smoke Detection Based on YOLOv8 and UAV Images基于YOLOv8和无人机图像的改进野火烟雾检测SENSORSOAAI
SENSORSIF3.5
OAAI分享收藏分享收藏
查看更多内容