一种无人机航拍图像火灾烟雾检测算法

摘要

针对无人机视角下烟雾尺度变化剧烈以及烟雾自身颜色差异大的问题，提出一种无人机航拍图像火灾烟雾检测算法。构建Smoke-YOLO(You Only Look Once)网络，通过跨空间学习的特征交互注意力模块，使用并行子结构增强多层次语义信息，提升特征提取能力。利用跨层级特征融合模块对不同尺度目标进行融合，提高烟雾检测网络的稳健性。为解决现有公开烟雾数据集单一类别标注忽视烟雾类内差异的问题，给出双类标签映射策略，自建双类别无人机航拍火灾烟雾图像数据集，并采用标签映射模块将双类别烟雾标签统一为烟雾类，在自定义的映射规则中解决统一烟雾类目标时存在的分类冲突问题。实验结果表明，所提算法在自建数据集上比原有YOLOv8模型的准确率、召回率、类别精度分别提升4.4%、7%、6.7%,每秒检测帧数达到314.2,Smoke-YOLO网络在航拍图像火灾烟雾检测任务上具备高效的实时检测和精度优势。

关键词

烟雾检测 / 无人机航拍 / 注意力机制 / 多尺度特征融合 / 双类标签映射策略

基金资助

国家自然科学基金项目(62201454,62306235); 西安市科学技术局社会发展创新示范项目(23SFSF0004); 陕西省教育厅科学研究计划项目(23JK0670)