基于GS-YOLOv5的轻级早期森林火灾烟雾检测方法.pdf
哈尔滨理工大学工学硕士学位论文
基于GS-YOLOv5的轻量级早期森林火灾烟雾检测
方法
摘要
早期森林火灾的准确检测对火灾防控具有积极且重要的意义。随着深度学
习的发展，基于图像处理的森林火灾检测已经成为了预防大规模森林火灾发生
的重要手段之一。目前，早期森林火灾探测模型存在检测方法模型参数量大、
对小目标检测精度低、假阳性率高等一系列问题。针对上述问题，本文提出了
一种基于GS-YOLOv5的轻量级早期森林火灾烟雾检测方法，主要研究内容如
下。
首先，利用GhostModule分别结合Conv模块与C3模块得到GhostConv
模块与C3Ghost与模块。GhostModule通过使用“部分卷积+线性变换”的方
式生成特征图。由于线性变换操作产生更少的参数量、需要更少的计算量，所
以使用GhostConv与C3Ghost代替YOLOv5中的部分Conv模块与C3模块降
低模型整体的参数量与所需的计算量。
其次，在具有特征提取功能的YOLOv5主干网络中引入了位置注意力机
制（CA）。通过将特征提取网络中最后一层输出的特征图进行空间上与位置
上相联系得到更准确的特征图。它可以生成横向和纵向的注意力图谱，每一份
特征图中的元素可以记录感兴趣对象在对应行列的存在情况。这种精细化的定
位手段极大提升了模型对于林火目标确切位置的识别能力，从而使得特征提取
更加精准，尤其是对于小尺寸目标的检测。
再次，本文提出了一种新型的Super-SPPF模块替代YOLOv5中的SPP模
块。Super-SPPF模块将特征提取网络的输出作为输入，并将输入分成两个分
支分别进行GhostConv操作。GhostConv可以在提取特征或升维降维的同时通
过GhostModule的使用降低模型参数量。Super-SPPF模块对其中一个分支进
行串行MaxPooling运算，通过选择较小的池化核来提高计算速度，再将两个
分支的输出进行融合，并将融合结果传递到特征融合结构。Super-SPPF模块保
留了更多语义信息从而降低了模型的误报率。
最后，使用渐进特征金字塔网络（AFPN）的特征融合结构取代原有的
-I-
哈尔滨理工大学工学硕士学位论文
PANet特征融合结构。AFPN结构有助于跨非相邻层级的直接特征融合，从而
防止相邻层级特征图之间的语义信息在传输和交互过程中的丢失或退化，降低
了检测模型的误报率。
为了验证所提方法的检测性能，本文搜集了大量早期林火样本建立了DL-
Fire数据集，进行模型的训练与测试。实验结果表明，本文所提方法的检测准
确率为95.9%相比于基准模型提高了1%，模型大小为10.58mb相比于基准模
型降低了33%。误报率由基准模型的12%降低到了6%。
关键词深度学习；森林火灾检测；轻量化；空间金字塔池化；注意力机制
-II-
哈尔滨理工大学工学硕士学位论文
Alightweightearlyforestfiresmokedetection
methodbasedonGS-YOLOv5
Abstract
Accuratedetectionofearlyforestfiresisofpositiveandimportantsignificance
forfirepreventionandcontrol.Withthedevelopmentofdeeplearning,forestfire
de