Un método ligero de detección de incendios forestales para perímetros de líneas de transmisión
Autores: Huang, Xiaolong; Xie, Weicheng; Zhang, Qiwen; Lan, Yeshen; Heng, Huiling; Xiong, Jiawei
Idioma: Inglés
Editor: MDPI
Año: 2024
Acceso abierto
Artículo científico
2024
Un método ligero de detección de incendios forestales para perímetros de líneas de transmisión
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería Eléctrica y Electrónica
Palabras clave
Condiciones climáticas extremas
Líneas eléctricas
Incendios forestales
Regiones boscosas
Aprendizaje profundo
Modelo de detección
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 35
Citaciones: Sin citaciones
Debido a las condiciones climáticas extremas y a las complejas características geográficas, los entornos alrededor de las líneas de energía en áreas forestales tienen un alto riesgo de incendios forestales. Una vez que ocurre un incendio forestal, causa un daño severo al ecosistema forestal. El monitoreo de incendios forestales alrededor de las líneas de energía en regiones forestales a través del aprendizaje profundo puede reducir el daño de los incendios forestales a los entornos naturales. Para abordar los desafíos de la detección de incendios forestales alrededor de las líneas de energía en áreas forestales, como la interferencia de entornos complejos, la dificultad para detectar objetos pequeños y la alta complejidad del modelo, se propone un modelo ligero de detección de incendios forestales basado en el YOLOv8 mejorado. En primer lugar, mejoramos la capacidad de extracción de características de imagen utilizando una red de extracción de características novedosa, GS-HGNetV2, y reemplazamos las convoluciones convencionales con una Convolución Fantasma (GhostConv) para reducir los parámetros del modelo. En segundo lugar, el uso del Bloque RepViT para reemplazar el Bottleneck original en C2f mejoró la capacidad de fusión de características del modelo, mejorando así la precisión de reconocimiento de objetos pequeños. Por último, diseñamos una Cabeza de Detección Convolucional Amigable con los Recursos (RCD), que reduce la complejidad del modelo manteniendo la precisión al compartir los parámetros. El rendimiento del modelo fue validado utilizando un conjunto de datos de 11,280 imágenes creado fusionando un conjunto de datos personalizado con los datos D-Fire para monitorear incendios forestales cerca de las líneas de energía. En comparación con YOLOv8, nuestro modelo mostró una mejora del 3.1% en la tasa de recuperación y del 1.1% en la precisión promedio. Al mismo tiempo, el número de parámetros y la complejidad computacional disminuyeron en un 54.86% y 39.16%, respectivamente. El modelo es más adecuado para su despliegue en dispositivos periféricos con potencia computacional limitada.
Descripción
Debido a las condiciones climáticas extremas y a las complejas características geográficas, los entornos alrededor de las líneas de energía en áreas forestales tienen un alto riesgo de incendios forestales. Una vez que ocurre un incendio forestal, causa un daño severo al ecosistema forestal. El monitoreo de incendios forestales alrededor de las líneas de energía en regiones forestales a través del aprendizaje profundo puede reducir el daño de los incendios forestales a los entornos naturales. Para abordar los desafíos de la detección de incendios forestales alrededor de las líneas de energía en áreas forestales, como la interferencia de entornos complejos, la dificultad para detectar objetos pequeños y la alta complejidad del modelo, se propone un modelo ligero de detección de incendios forestales basado en el YOLOv8 mejorado. En primer lugar, mejoramos la capacidad de extracción de características de imagen utilizando una red de extracción de características novedosa, GS-HGNetV2, y reemplazamos las convoluciones convencionales con una Convolución Fantasma (GhostConv) para reducir los parámetros del modelo. En segundo lugar, el uso del Bloque RepViT para reemplazar el Bottleneck original en C2f mejoró la capacidad de fusión de características del modelo, mejorando así la precisión de reconocimiento de objetos pequeños. Por último, diseñamos una Cabeza de Detección Convolucional Amigable con los Recursos (RCD), que reduce la complejidad del modelo manteniendo la precisión al compartir los parámetros. El rendimiento del modelo fue validado utilizando un conjunto de datos de 11,280 imágenes creado fusionando un conjunto de datos personalizado con los datos D-Fire para monitorear incendios forestales cerca de las líneas de energía. En comparación con YOLOv8, nuestro modelo mostró una mejora del 3.1% en la tasa de recuperación y del 1.1% en la precisión promedio. Al mismo tiempo, el número de parámetros y la complejidad computacional disminuyeron en un 54.86% y 39.16%, respectivamente. El modelo es más adecuado para su despliegue en dispositivos periféricos con potencia computacional limitada.