UAV画像での小さなオブジェクトの山火事検出のための強化された軽量ヨロックス

無人航空機（UAV）由来の空中画像に基づくターゲット検出技術は、森林火災パトロールと救助の分野に広く適用されています。ただし、UAVプラットフォームの特異性により、深刻な省略、低い検出精度、早期警告の有効性が低いなど、解決すべき重要な問題がまだあります。これらの問題に照らして、このペーパーでは、UAVが撮影した画像の森林火災を迅速に検出するための改善されたYoloxネットワークを提案しています。第一に、複雑な火災環境でのネットワークの機能抽出機能を強化するために、マルチレベルの特性抽出構造であるCSP-MLは、小ターゲット火災エリアのアルゴリズムの検出精度を改善するように設計されています。さらに、CBAMの注意メカニズムがネックネットワークに組み込まれており、バックグラウンドノイズと無関係な情報による干渉を減らします。第二に、Adaptive-Feature-ExtractionモジュールがYoloxネットワークの機能融合部品に導入され、融合プロセス中の重要な機能情報の損失を防ぎ、ネットワークの機能学習機能が向上します。最後に、CIOUの損失関数は、元の損失関数を置き換えるために使用され、負のサンプルの過度の最適化や勾配沈下が低い方向の過度の最適化などの問題に対処し、それによりネットワークの正のサンプルの効果的な認識を強化します。実験結果は、改善されたYoloxネットワークの検出性能が向上し、MAP@50とMAP@50_95がそれぞれ6.4％と2.17％増加し、従来のYoloxネットワークと比較して増加することを示しています。マルチターゲット炎と小ターゲット火炎シナリオでは、改良されたヨロモデルは96.3％のマップを達成し、それぞれ高速RCNN、SSD、Yolov5などの深い学習アルゴリズムを上回りました。省略率が低く、検出精度が高く、複雑な火災環境での小ターゲット検出タスクを処理することができます。これにより、UAVパトロールおよび高地の観点から救助申請をサポートできます。

Target detection technology based on unmanned aerial vehicle (UAV)-derived aerial imagery has been widely applied in the field of forest fire patrol and rescue. However, due to the specificity of UAV platforms, there are still significant issues to be resolved such as severe omission, low detection accuracy, and poor early warning effectiveness. In light of these issues, this paper proposes an improved YOLOX network for the rapid detection of forest fires in images captured by UAVs. Firstly, to enhance the network's feature-extraction capability in complex fire environments, a multi-level-feature-extraction structure, CSP-ML, is designed to improve the algorithm's detection accuracy for small-target fire areas. Additionally, a CBAM attention mechanism is embedded in the neck network to reduce interference caused by background noise and irrelevant information. Secondly, an adaptive-feature-extraction module is introduced in the YOLOX network's feature fusion part to prevent the loss of important feature information during the fusion process, thus enhancing the network's feature-learning capability. Lastly, the CIoU loss function is used to replace the original loss function, to address issues such as excessive optimization of negative samples and poor gradient-descent direction, thereby strengthening the network's effective recognition of positive samples. Experimental results show that the improved YOLOX network has better detection performance, with mAP@50 and mAP@50_95 increasing by 6.4% and 2.17%, respectively, compared to the traditional YOLOX network. In multi-target flame and small-target flame scenarios, the improved YOLO model achieved a mAP of 96.3%, outperforming deep learning algorithms such as FasterRCNN, SSD, and YOLOv5 by 33.5%, 7.7%, and 7%, respectively. It has a lower omission rate and higher detection accuracy, and it is capable of handling small-target detection tasks in complex fire environments. This can provide support for UAV patrol and rescue applications from a high-altitude perspective.