YOLO-MR: 一种面向无人机可持续智能林业监测的轻量级高效森林火灾检测框架

《Sustainability》:YOLO-MR: An Efficient Forest Fire Detection Framework with Lightweight Design for UAV-Based Sustainable Intelligent Forestry Monitoring

【字体: 大 中 小 】 时间:2026年07月18日 来源:Sustainability 4.1

编辑推荐:

  森林火灾对森林生态系统、生物多样性、碳汇及社会经济可持续发展构成严重威胁。及时准确的检测对于有效的早期预警和应急响应至关重要。然而,现有的基于深度学习的方法在无人机辅助林业监测场景下,常常难以平衡检测精度与计算效率。本研究提出YOLO-MR,一种基于YOLOv

  
森林火灾对森林生态系统、生物多样性、碳汇及社会经济可持续发展构成严重威胁。及时准确的检测对于有效的早期预警和应急响应至关重要。然而,现有的基于深度学习的方法在无人机辅助林业监测场景下,常常难以平衡检测精度与计算效率。本研究提出YOLO-MR,一种基于YOLOv8n的紧凑高效森林火灾检测框架,用于无人机辅助的智能林业监测。该方法整合了多尺度深度扩张空间金字塔快速池化模块(MDSPPF)、GhostConv、改进的ReC2f模块、额外的P2检测层以及PIoUv2损失函数,从而实现更有效的多尺度特征表示和改进的目标定位。利用公开的M4SFWD数据集与自建的UFFD数据集进行的评估验证了YOLO-MR的有效性和泛化能力。与YOLOv8n相比,YOLO-MR在M4SFWD数据集上的精确率(Precision)、召回率(Recall)、mAP50和mAP50-90分别提升了1.3%、2.1%、1.3%和2.1%;在UFFD数据集上相应提升了0.9%、1.8%、1.8%和2.5%。同时,所提模型仅需285万参数,比基线少5.3%,展现出更高的参数效率。实验结果表明,YOLO-MR在检测性能与计算效率之间实现了有效权衡,为无人机(UAV)辅助的森林火灾监测与早期预警提供了一种有前景的解决方案。通过紧凑高效的架构实现及时的火情检测,该框架支持可持续的智能林业监测,有助于生态系统保护与灾害预防,并促进可持续森林管理。
### 论文解读:YOLO-MR——面向无人机可持续智能林业监测的轻量级高效森林火灾检测框架

#### 1. 研究背景与问题

森林作为地球的“绿色心脏”和“生态屏障”,在气候调节、水源涵养、生物多样性维持及碳汇(carbon sequestration)中发挥核心作用。然而,受气候变化和人类活动加剧影响,全球森林火灾日趋频繁、规模扩大且破坏性增强,不仅直接摧毁森林资源、破坏生态系统结构与功能,还大量排放温室气体,进一步加剧气候变化,并对区域社会经济与人民生命财产安全构成重大威胁。传统监测方法包括人工巡护(效率低、覆盖有限、风险高)和卫星遥感(如向日葵-9、MODIS),虽能实现大范围监测,但受限于时空分辨率、气象条件及传输成本,存在数据延迟、预警精度不足等问题。近年来,无人机(UAV)遥感因其高成像精度与灵活部署成为火灾监测的有效工具,但数据判读仍依赖人工,限制了实时性与自动化水平。随着智能林业技术发展,UAV辅助巡检、边缘计算设备等对检测模型提出了高精度、低计算复杂度与实时处理能力的三重需求。现有基于深度学习的方法在复杂森林环境下常难以兼顾检测精度与计算效率,尤其在小目标(早期火焰、烟雾)检测、多尺度特征表示及背景干扰抑制方面存在挑战。因此,开发一种兼具高检测精度、高效架构与实时处理能力的轻量级模型,对于UAV辅助的野火监控、远程监测平台及边缘计算预警应用具有重要现实意义。

#### 2. 研究目标与结论

本研究旨在开发一种基于YOLOv8n的轻量级高效森林火灾检测框架,命名为YOLO-MR,用于UAV辅助的智能林业监测。该框架通过问题导向的架构优化策略,协同增强特征提取与多尺度特征表示,并改进边界框回归,以解决小目标检测、复杂背景干扰及目标尺度显著变化等挑战。实验在公开M4SFWD数据集(3974张图像,涵盖多种地形、天气与火情阶段)和自建UFFD数据集(6599张图像,来源于互联网与公开数据集,经人工筛选)上进行,按7:2:1划分为训练、验证、测试集。结果表明,YOLO-MR相比基线YOLOv8n,在M4SFWD上精确率(Precision)提升1.3%、召回率(Recall)提升2.1%、mAP50提升1.3%、mAP50-90提升2.1%;在UFFD上相应提升0.9%、1.8%、1.8%和2.5%,同时参数数量减少5.3%(仅285万)。该框架在检测性能与计算效率之间实现了有效权衡,为UAV辅助的森林火灾监测与早期预警提供了有前景的解决方案,支持可持续智能林业监测,促进生态系统保护与灾害预防。论文发表在《Sustainability》。

#### 3. 主要关键技术方法

研究人员采用以下关键技术方法:(1)GhostConv:以1×1卷积生成初始特征图,再通过线性变换产生更多特征图,降低计算冗余与参数量;(2)多尺度深度扩张空间金字塔快速池化模块(MDSPPF):利用多组不同扩张率(dilation rate)的3×3深度可分离扩张卷积并行处理,扩大感受野并增强多尺度特征表示,替代YOLOv8n中固定池化核的SPPF模块;(3)ReC2f模块:在C2f模块中引入结构重参数化卷积(RepConv),训练阶段使用多分支结构(3×3、1×1及恒等映射),推理阶段融合为单一3×3卷积,提升特征表达能力而不增加推理开销;(4)P2检测层:在特征融合中保留高分辨率空间信息,增强小目标(火焰/烟雾区域)检测能力;(5)PIoUv2损失函数:基于质量感知惩罚因子与非单调注意力机制,优化边界框回归,适应尺度变化与不规则形状目标。样本队列来源:公开M4SFWD数据集(UAV遥感森林火灾数据集)及自建UFFD数据集(UAV森林火灾数据集)。

#### 4. 研究结果

**4.1. YOLO-MR与YOLOv8n及其他YOLO模型的对比**
通过训练损失曲线与评估指标曲线分析,YOLO-MR在训练早期损失值下降更快,收敛后波动更小,且在精确率、召回率、mAP50和mAP50-90上均优于YOLOv8n及YOLO系列其他模型(YOLOv9至YOLOv13),表明所提改进显著提升了特征提取与目标定位性能。

**4.2. 消融实验**
在M4SFWD数据集上评估各模块贡献:GhostConv使参数量从3.01M降至2.82M,FLOPs从8.1G降至7.8G,精确率与召回率分别提升至0.836和0.809;MDSPPF模块在几乎不增加参数与计算量下将mAP50从0.866微提至0.867;ReC2f模块效果最显著,召回率从0.805提升至0.816,mAP50和mAP50-90分别达0.873和0.495;P2检测层使精确率、召回率、mAP50分别提升至0.840、0.813、0.875;PIoUv2单独引入改善不明显,但与其他模块组合贡献最终性能。集成所有模块的YOLO-MR取得最优性能:精确率0.842、召回率0.822、mAP50 0.877、mAP50-90 0.495,相比基线分别提升1.3%、2.1%、1.3%、2.1%,参数减少5.3%。

**4.3. 不同模型的对比评估**
在M4SFWD和UFFD数据集上,YOLO-MR与YOLO系列(v3t至v13)、YOLO-World、RT-DETR等对比。YOLO-MR在召回率、mAP50和mAP50-90上优于多数模型,且参数量仅2.85M,远低于RT-DETR的31.99M。在UFFD上同样保持一致改进,展示良好泛化能力。可视化分析显示,YOLO-MR在多目标、烟雾遮挡、远处小目标及低光照场景下均能准确检测,减少漏检与误检,边界框定位更精确。

**4.4. 计算效率评估**
YOLO-MR参数量2.85M(比YOLOv8n少5.3%),FLOPs为12.2G(因增强模块略有增加),GPU内存消耗约154.20 MiB,推理速度101.59 FPS,满足实时检测需求。相比RT-DETR,YOLO-MR推理速度更快,内存消耗更低。

**4.5. 统计分析及稳定性评估**
五次独立训练后,YOLO-MR在M4SFWD和UFFD数据集上的平均精确率、召回率、mAP50、mAP50-90均高于YOLOv8n,且标准差更小或相近,置信区间更窄,表明训练稳定性与可靠性更好。

#### 5. 总结讨论与结论

**讨论部分**:YOLO-MR在检测精度与模型复杂度之间取得良好平衡。消融实验验证各模块贡献,MDSPPF和P2层提升小目标检测,GhostConv降低冗余,PIoUv2改善定位精度。与现有方法相比,YOLO-MR不仅关注精度提升,还注重UAV监测场景下的性能-效率平衡。然而,在浓烟、强光照变化及高度杂乱背景下仍可能发生检测错误;当前仅基于可见光图像,限制了在恶劣天气下的鲁棒性;数据集与真实部署场景之间可能存在领域差异。

**研究结论**:研究人员提出YOLO-MR,一种基于YOLOv8n的紧凑型森林火灾检测模型,用于智能林业监测。该框架通过整合增强的多尺度特征表示、小目标检测强化及参数高效特征提取,在保持计算效率的同时提升检测性能。在两个森林火灾数据集上的实验证明YOLO-MR具有竞争力和鲁棒性,验证了其在UAV火灾监测中的有效性和泛化能力。尽管存在局限,未来研究将探索多模态数据融合、更广泛的环境条件评估及资源受限环境下的部署优化。从可持续发展视角,该框架通过更可靠及时的森林火灾检测,为可持续智能林业监测提供有效技术支持,有助于减少生态损害、保护森林生态系统与生物多样性,促进可持续森林管理。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号