基于改进YOLOv8n的小目标林火监测模型

摘要

【目的】基于传统森林火灾深度学习监测模型对小型火源实时精确监测的局限性，提出一种改进YOLOv8n模型的森林火灾监测模型YOLOv8n＿MB。【方法】在YOLOv8n的基础上，引入混合局部通道注意力（MLCA）模块，增强模型对小火源关键特征的敏感度；通过加权双向特征金字塔（BiFPN）实现跨尺度高效特征融合，以提升小目标监测能力，最终建立森林火灾监测模型YOLOv8n＿MB。设计消融试验验证各改进模块的有效性，并结合CAM可视化技术及热力图重合度（intersection over Union of CAM,IoU＿CAM）、显著性能量比（energy ratio,ER）、最大响应点命中率（pointing-game,PG）等量化指标分析模型，验证“模型关注区域与真实火点”的一致性。【结果】与YOLOv8n相比，YOLOv8n＿MB模型的识别精确率（Precision）及平均精确度均值mA@0.5和mA@0.5:0.95分别提高2.8,3.7和2.1个百分点，召回率（Recall）下降了0.2个百分点，火点识别能力优于YOLOv8其他系列模型。改进后的YOLOv8n＿MB模型在保持计算效率的同时显著提升了监测精度，能够快速、准确监测地面火源。消融试验表明，与原始YOLOv8n模型相比，YOLOv8n＿MB模型的参数量减少0.19 MB，平均精确度（average precision,AP）提升2.4个百分点，具备更优的森林火灾监测性能和较低部署成本。CAM可视化与量化分析显示，YOLOv8n＿MB在大范围、小目标及复杂场景下的林火识别能力均优于其他模型。【结论】YOLOv8n＿MB模型实现了精度与轻量化的平衡，具备良好的小目标森林火灾监测能力。

关键词

森林火灾 / 火灾监测 / YOLOv8 / 小目标林火