基于改进Mask Scoring R-CNN的航拍图像林火检测与分割方法

摘要

针对早期林火具有火点小、隐蔽性强以及识别效果差的特点，提出了一种实例分割模型，旨在提高对早期林火的检测精度和分割质量。本研究通过在规定实验场地焚烧可烧物，使用无人机和地面相机来采集林火航拍与地面影像。以现有的实例分割模型Mask Scoring R-CNN为基础，采用DeepLabV3+网络对其MaskIoU分支进行重构。通过空洞卷积，增大感受野从而获得全局上下文信息，在下采样和上采样过程中通过特征级联，实现了浅层细粒度特征信息和深层高阶语义的融合。此外，为分割质量提供了一种新的评分机制，从而可以避免将分割置信度等同于分类置信度的弊端。为检验改进后模型的合理性，将本研究模型与Mask R-CNN和Mask Scoring R-CNN在同一数据集上进行对比，结果表明：在林火分割精度和林火检测精度上，本研究模型的均交并比、平均精度均值、准确率和召回率明显优于Mask R-CNN和Mask Scoring R-CNN。此外，实验证明了本研究利用DeepLabv3+网络重构后的网络进一步提升了预测掩膜的质量，对于林火目标的边缘像素具有明显的优化和校正作用。由于烟雾的干扰和林火外形的不规则性，3种模型的分割结果均略有瑕疵，但本研究模型的结果与真实标签最为接近。就林火分割而言，本研究的改进模型明显优于许多现有的实例分割模型，并在林火的检测与分割上取得了令人满意的结果。

关键词

林火检测 / 实例分割 / 航拍图像 / 深度学习 / 卷积神经网络