Detección de Objetos Pequeños Basada en YOLO-CSQ Optimizado para una Detección Precisa de Drones en Escenarios de Incendios Forestales
Autores: Luan, Tian; Zhou, Shixiong; Liu, Lifeng; Pan, Weijun
Idioma: Inglés
Editor: MDPI
Año: 2024
Acceso abierto
Artículo científico
2024
Detección de Objetos Pequeños Basada en YOLO-CSQ Optimizado para una Detección Precisa de Drones en Escenarios de Incendios Forestales
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería Robótica
Palabras clave
Incendios forestales
Tecnologías de detección
YOLO-CSQ
Bosque
Incendio en la montaña
Basado en drones
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 1
Citaciones: Sin citaciones
Los incendios forestales, que se caracterizan por su naturaleza destructiva y la dificultad de su supresión, representan una amenaza significativa para los entornos ecológicos y los sistemas socioeconómicos. Para abordar este problema, el desarrollo de tecnologías de detección de incendios eficientes y precisas para advertencias tempranas y respuestas oportunas es esencial. Este documento aborda la complejidad de la detección de incendios forestales y de montaña proponiendo YOLO-CSQ, un método de detección de incendios basado en drones construido sobre un algoritmo mejorado de YOLOv8. En primer lugar, introducimos el mecanismo de atención CBAM, que mejora las capacidades de extracción de características de incendios a múltiples escalas del modelo al ajustar adaptativamente los pesos en las dimensiones de canal y espacial de los mapas de características, mejorando así la precisión de detección. En segundo lugar, proponemos una estructura de red de respaldo mejorada ShuffleNetV2, que reduce significativamente el número de parámetros del modelo y la complejidad computacional, manteniendo las capacidades de extracción de características. Esto resulta en un modelo más ligero y eficiente. En tercer lugar, para abordar los desafíos de las diferentes escalas de incendios y numerosos objetivos de emisión débil en incendios de montaña, proponemos una cabeza de detección Quadrupled-ASFF para la fusión de características ponderadas. Esto mejora la robustez del modelo en la detección de objetivos de diferentes escalas. Finalmente, introducimos la función de pérdida WIoU para reemplazar la función de pérdida de detección de objetos CIoU tradicional, mejorando así la precisión de localización del modelo. Los resultados experimentales demuestran que el modelo mejorado alcanza un mAP@50 de 96.87%, que es superior al YOLOV8, YOLOV9 y YOLOV10 originales en 10.9, 11.66 y 13.33 puntos porcentuales, respectivamente. Además, exhibe ventajas significativas sobre otros algoritmos clásicos en métricas clave de evaluación como precisión, recuperación y puntuación F1. Estos hallazgos validan la efectividad del modelo mejorado en escenarios de detección de incendios de montaña, ofreciendo una solución novedosa para la advertencia temprana y el monitoreo inteligente de incendios forestales en montaña.
Descripción
Los incendios forestales, que se caracterizan por su naturaleza destructiva y la dificultad de su supresión, representan una amenaza significativa para los entornos ecológicos y los sistemas socioeconómicos. Para abordar este problema, el desarrollo de tecnologías de detección de incendios eficientes y precisas para advertencias tempranas y respuestas oportunas es esencial. Este documento aborda la complejidad de la detección de incendios forestales y de montaña proponiendo YOLO-CSQ, un método de detección de incendios basado en drones construido sobre un algoritmo mejorado de YOLOv8. En primer lugar, introducimos el mecanismo de atención CBAM, que mejora las capacidades de extracción de características de incendios a múltiples escalas del modelo al ajustar adaptativamente los pesos en las dimensiones de canal y espacial de los mapas de características, mejorando así la precisión de detección. En segundo lugar, proponemos una estructura de red de respaldo mejorada ShuffleNetV2, que reduce significativamente el número de parámetros del modelo y la complejidad computacional, manteniendo las capacidades de extracción de características. Esto resulta en un modelo más ligero y eficiente. En tercer lugar, para abordar los desafíos de las diferentes escalas de incendios y numerosos objetivos de emisión débil en incendios de montaña, proponemos una cabeza de detección Quadrupled-ASFF para la fusión de características ponderadas. Esto mejora la robustez del modelo en la detección de objetivos de diferentes escalas. Finalmente, introducimos la función de pérdida WIoU para reemplazar la función de pérdida de detección de objetos CIoU tradicional, mejorando así la precisión de localización del modelo. Los resultados experimentales demuestran que el modelo mejorado alcanza un mAP@50 de 96.87%, que es superior al YOLOV8, YOLOV9 y YOLOV10 originales en 10.9, 11.66 y 13.33 puntos porcentuales, respectivamente. Además, exhibe ventajas significativas sobre otros algoritmos clásicos en métricas clave de evaluación como precisión, recuperación y puntuación F1. Estos hallazgos validan la efectividad del modelo mejorado en escenarios de detección de incendios de montaña, ofreciendo una solución novedosa para la advertencia temprana y el monitoreo inteligente de incendios forestales en montaña.