基于YOLOv5的森林火灾检测方法研究

摘 要：针对人工监测森林火灾困难等问题，提出一种基于YOLOv5的森林火灾检测方法，旨在提高火灾监测的效率和准确率。首先，对所使用的公开火灾图像数据集进行预处理；然后，通过模型训练提高森林火灾检测的准确率和实时性；最后，将YOLOv5s、YOLOv5m和YOLOv5l等3种网络模型进行评估对比。试验结果表明，YOLOv5l模型构建的森林火灾检测方法在火灾图像识别中体现出了较高的准确率，其准确率达到90%，检测速率提高了2.4%。

关键词：森林火灾检测；YOLOv5；深度学习；目标检测

中图分类号：S762.3 文献标志码：A 文章编号：1674-7909（2024）11-148-4

DOI：10.19345/j.cnki.1674-7909.2024.11.034

0 引言

森林火灾是一种具有毁灭性的自然灾害。传统的火灾检测手段依赖人工监视，容易出现盲区和漏报，且传统设备成本高，运行维护复杂。随着深度学习技术的不断进步，YOLO系列的目标检测模型取得了显著成就［1-2］。YOLOv5是一种高效的目标检测模型，具有快速、准确的特点，可在实时场景中快速识别目标。

传统的火灾检测主要依赖烟雾、温度和火焰传感器等，花费时间长且易受到环境影响，存在误报率高、盲区大的缺陷［3-4］。国外学者还利用深度学习算法［5］，对火灾相关数据进行分析建模，提高准确率和智能化水平。国内研究机构和企业也在尝试结合传感技术、深度学习等，积极探索智能化的火灾监测方法［6］。目前，在火灾传感器领域研发了一系列智能传感器产品［7］。文献［8］开发了一种先进的火灾预警装置，极大增强了火灾监测的准确性与信赖度。文献［9］提出了一种能够满足在建筑、地铁、地下车库等场所应用的火灾监测技术。

森林火灾的破坏性影响是全方位的，加强其防治对保卫民众的生命和资产、保持社会稳定具有重大意义。因此，笔者提出一个基于YOLOv5模型的森林火灾检测方法，对YOLOv5系列权重模型进行试验对比，选取综合性能好的模型，以提升火灾侦测的效率。

1 相关理论介绍

1.1 YOLOv5模型介绍

YOLOv5模型标志着YOLO系列在目标检测技术上的进一步发展，通过引入新的改进措施，优化了算法的效率和准确率。YOLOv5的系统框架包括输入端、核心处理单元Backbone、过渡层Neck及输出预测模块Prediction等4个主要部分。

1.1.1 输入端

输入端的主要目的是接收、预处理和准备图像数据，为算法的检测和识别任务提供必要的输入。

1.1.2 核心处理单元Backbone

Backbone网络利用卷积神经网络在多种空间分辨率上捕捉并融合图像特征，生成用于目标检测的深层次特征图。

1.1.3 过渡层Neck

在YOLOv5的框架中，Neck区域由多层级构成，这些层级位于主网络之后，负责在不同尺度上对特征进行深入的提取和综合，以优化目标检测的性能。

1.1.4 输出预测模块Prediction

该模块是网络的核心组成部分，其功能是产生目标检测的预测边界框及类别置信度。该检测头部由多级卷积层和全连接层构成，以输出目标的具体位置、所属类别和检测置信度。

1.2 YOLOv5的3个权重模型

YOLOv5通过单次前向传播来实现快速而准确的目标检测，最新版本提供了3种模型：小型s、中型m和大型l，其多样性使得YOLOv5能够灵活适应从简单到复杂的各种目标检测任务，进一步扩展了在目标识别领域的应用范围。

1.2.1 YOLOv5s模型

该模型体积小、参数简，在移动或嵌入式平台等资源受限时也能实现卓越的性能，准确率高且速率快，适合对即时性要求较高的应用场景。

1.2.2 YOLOv5m模型

YOLOv5m具有更精细的网络构架和更多的超参数，适用于检测准确率要求较高的应用场景。相比于YOLOv5s，其速度可能会略微降低，但在准确率和速度之间取得了平衡。

1.2.3 YOLOv5l模型

该模型有最多的网络层和参数，适于复杂场景和小目标检测，常用于对准确率要求极高的领域。但由于其较大的模型规模，YOLOv5l的速度可能会较慢，且对计算资源的要求也更高。

2 模型部署

2.1 整体设计

此研究提出的森林火灾检测方法包含从数据采集到模型部署的各个关键步骤，包括数据集收集、数据集标注、调整模型训练参数和模型训练。将YOLOv5系列权重模型进行试验对比，综合选取性能最优的模型，提高火灾侦测的效率和准确率。

2.2 数据集介绍

采用百度飞桨AI Studio的公开火灾图像数据集。该数据集共2 676张图像，将其按照训练集、验证集、测试集约3∶1∶1的比例进行划分，得到1 442张训练集，617张验证集，617张测试集。

使用labelimg对所有图像标注，框选标记图片中的火焰部分，分为fire和nofire两类。再从导出的.xml文件中提取出类别和坐标信息，转换成.txt格式的标签数据。每一行数据包括5个部分，第1个数据代表类别，后面4个表示坐标，火的类别用0表示。标注文件中包含目标类别、中心点坐标和宽高信息。

2.3 评估指标

2.3.1 准确率P

准确率是衡量预测准确性的指标，其值为系统准确检测到的火灾目标样本计数TP/（TP+系统将非火灾目标判定为火灾目标样本计数FP）。

2.3.2 召回率R

召回率衡量模型在辨识真实正样本上的成效，表示正确识别的实际正类别目标的比例，其值为TP/（TP+没有正确识别出火灾目标的样本数量FN）。

2.3.3 平均准确率AP

平均准确率是指P—R曲线下方的面积，用于评估目标检测算法的总体表现。通常使用积分进行求值，其值越大，表明模型的准确率越高。然而，平均准确率高并不代表算法在准确率和覆盖率之间取得了最佳平衡。因此，还需要用P—R曲线来评估算法。

2.3.4 平均准确率均值mAP

平均准确率均值综合反映了模型在各个类别中对目标的识别准确率，取值范围为0到1，越接近1表示性能越好，其计算公式见式（1）。

[mAP=1nk=1k=nAPk]" " " " " " " " " " " " " " "（1）

式（1）中：n为类别的总数，AP为类别k的平均准确率。

3 试验与分析

3.1 试验环境

输入的图像尺寸大小为640*640，批量设置大小设为16，总迭代次数为100次，其他环境配置如表1所示。

3.2 结果分析

3.2.1 Weights文件（权重值）

Weights文件通常用于存储深度学习模型的参数和权重，包含best.pt和last.pt两个文件。

best.pt用于存储训练过程中在验证集上效果最佳的模型权重，而last.pt用于存储模型在最终训练迭代完成后的状态。

3.2.2 F1_curve图表（F1曲线）

F1_curve图（见图1）揭示了F1-score与置信度之间的相关性。在置信度0.1到0.6区间内，F1-score较高且稳定，YOLOv5s、YOLOv5m和YOLOv5l的最高点分别为0.64、0.65和0.65。

3.2.3 P_curve图表（准确率与置信度的关联图）

置信度的增加通常意味着更高的检测准确率，如图2所示，YOLOv5s、YOLOv5m和YOLOv5l的准确率分别为0.917、0.876和0.900。

3.2.4 R_curve图表（召回率与置信度的关联图）

召回率与置信度的关联图反映了模型在不同召回率下的准确率表现，随着置信度降低，模型能更全面地检测到各个类别，此时YOLOv5s、YOLOv5m和YOLOv5l的检测准确率分别为0.85、0.91和0.87，如图3所示。

3.2.5 PR_curve图表（精确率与召回率的关联图）

准确率的提高往往导致召回率的下降，如图4所示，YOLOv5s、YOLOv5m和YOLOv5l模型的平均准确率均值分别为0.634、0.636和0.642。曲线下方的面积即为mAP，其衡量了模型的整体性能。

3.2.6 results文档（训练成果的可视化结果图）

图5是图像检测的可视化结果，横轴代表模型训练的周期（epoch）。图5以YOLOv5s模型为例。虽然局部不断上下波动，但整体波动呈稳步上升，检测准确率为0.900，召回率为0.87。

3.3 模型对比分析

对YOLOv5的3个权重模型在火灾数据集上的训练结果如表2所示。由于YOLOv5l在网络结构的深度和宽度上具有优势，其平均准确率均值高于另外2种模型，在准确率上的表现优于YOLOv5m，虽然略低于YOLOv5s，但综合权衡速度、准确率等指标，YOLOv5l模型整体上优于另外2种模型。

4 结束语

此研究提出一种基于YOLOv5的森林火灾检测方法，旨在利用深度学习帮助应对火灾安全管理的挑战。试验表明，该方法能够迅速精确地辨识出森林火灾场景中的火灾迹象，极大加强了紧急救援和火灾防治的效率。

参考文献：

［1］王晶磊.基于改进YOLOv5的火灾检测模型研究［D］.太原：中北大学，2023.

［2］王龙兴，刘为国，朱洪波.基于改进YOLOv5算法的火灾图像检测研究［J］.湖北民族大学学报（自然科学版），2022，40（2）：196-201.

［3］张培鸿.基于深度学习的火灾报警系统研究［D］.成都：电子科技大学，2023.

［4］章曙光，唐锐，邵政瑞，等.一种基于小波变换的YOLOv5火灾检测改进算法［J］.无线电工程，2023，53（10）：2303-2310.

［5］何盼霞，张梅，齐至家.基于改进YOLO v5的森林火灾检测算法研究［J］.兰州工业学院学报，2023，30（4）：73-78.

［6］LU B，WEI Y，DU H.Flame Detection based on Lightweight YOLOv5［J］.Journal of Research in Science and Engineering，2023，5（12）.

［7］XIE X，CHEN K，GUO Y，et al.A Flame-Detection Algorithm Using the Improved YOLOv5［J］.Fire，2023，6（8）：313.

［8］武慧，杨玉竹，卜显峰，等.基于改进YOLOv5的城市火灾检测算法研究［J］.无线电工程，2024，54（6）：1454-1461.

［9］GENG X，SU Y，CAO X，et al.YOLOFM：an improved fire and smoke object detection algorithm based on YOLOv5n.［J］.Scientific reports，2024，14（1）：4543-4543.