林业科学

作者：吴福明1,宋智豪1,王超1,符利勇2,3,业巧林1,*

单位：1. 南京林业大学信息科学技术学院　南京 2100372. 中国林业科学研究院资源信息研究所　北京 1000913. 国家林业和草原局森林经营与生长模拟重点实验室　北京 100091

关键词：森林防火,烟火检测,样本均衡,自适应,数据增强,信息融合

基金：张家口市崇礼区森林防火综合体系建设无人机巡护监测系统( DA2020001)

目的: 提出一种基于自适应样本均衡与信息融合的林火检测数据增强（SMA）方法，以解决因林火样本数据难以获取、各类别分布不均衡、场景表达能力不充分等导致林火检测效果不佳的问题。方法: 以河北省张家口市崇礼区采集的无人机林火图像为研究对象：1） 对无人机视频进行预处理，构建原始数据集；2） 采用类别统计、标注框中心化等方法分析数据存在的问题，如小目标居多、类别分布不均衡和标注框尺寸分散等；3） 针对类别分布失衡问题，引入自适应参数，实现样本动态调整；4） 为保证信息跨样本融合的有效性，提出新的参数指标IOA作为判定阈值，并给出合理参考值；5） 设计12组消融试验，以无人机采集数据为样本，根据控制变量原则，对比原始数据、随机数据增强、马赛克数据增强和SMA方法在SSD、YOLOv3、YOLOv4主流算法中的林火检测结果；6） 以MAP（平均查准率）为指标，评估不同数据增强方法在同一算法中的效果。结果: 消融试验结果显示，SMA方法在SSD、YOLOv3、YOLOv4算法中MAP分别为48.16%、82.02%、67.79%，相比原始数据分别提升12.14%、11.50%、36.83%，相比随机数据增强分别提升11.95%、4.86%、16.33%，相比马赛克数据增强分别提升1.06%、18.24%、1.79%。结论: 现有数据增强方法未能充分利用林火数据中蕴涵的信息，SMA方法引入自适应参数可解决样本分布不均衡问题，IOA指标引入能够实现数据跨样本融合。SMA方法在SSD、YOLOv3和YOLOv4算法中MAP相较传统方法均有提升，表现出对林火数据检测的有效性。

来源：2023年第6期

《林业科学》期刊编辑部

查看林业科学杂志2023年第6期