Forest fire smoke detection method based on few-shot learning
-
摘要:目的 为解决由于森林火灾烟雾数据集样本量小、样本特征分散、烟雾图像占比小等特点导致的林火烟雾检测模型识别效果差、准确率低等问题，实现快速、准确识别检测森林火灾烟雾。方法 针对少样本森林火灾烟雾图像数据集的样本特征，本研究提出了一种基于多头注意力机制的森林火灾烟雾图像检测方法。该方法首先在训练阶段采用数据增强方法，扩充训练数据的数量同时降低过拟合风险；然后设计特征提取模块与特征聚合模块，在特征提取模块中引入多头注意力机制并探讨引入的合适位置，使模型更多地关注火灾局部特征，解决烟雾图像少造成的信息缺失问题；在特征聚合模块中使用FPN-PAN模块对图像的深层与浅层语义信息进行特征融合；最后，设置检测头模块输出实验结果。利用测试准确率、召回率、误报率、检测率和F1值等评价指标在少样本公共数据集和自建火灾烟雾少样本数据集上测试本方法的有效性。结果 在数据增强阶段同时增加马赛克数据增强和多尺度变换，可以得到更好的检测效果。在特征提取模块的第4个卷积模块后面添加1处多头注意力机制的模型性能最好。相较于现有的元学习长短时记忆网络、匹配网络和轻量级目标检测网络等方法，本方法有更好的检测效果，具体表现为准确率达到了98.79%，召回率98.28%，检测率97.33%，误报率仅为6.36%。结论 与现有的火灾烟雾检测模型相比，本方法具有更好的判别能力和泛化能力。Abstract:Objective In order to solve the problems of poor recognition effect and low accuracy of forest fire smoke detection model caused by small sample size, scattered sample features and small proportion of smoke images in forest fire smoke data set, rapid and accurate recognition and detection of forest fire smoke were realized.Method Aiming at the sample characteristics of the forest fire smoke image dataset with few samples, this study proposed a forest fire smoke image detection method based on multi-head attention mechanism. Firstly, data enhancement method was used in the training stage to expand the number of training data and reduce the risk of overfitting. Then the feature extraction module and the feature aggregation module were designed. The multi-head attention mechanism was introduced into the feature extraction module and the appropriate location was discussed to make the model pay more attention to the local features of the fire and solve the problem of information loss caused by fewer smoke images. In the feature aggregation module, FPN-PAN module was used for feature fusion of deep and shallow semantic information of images. Finally, the detection head module was set to output the experimental results. Test precision rate, recall rate, false alarm rate, detection rate and F1 value were used to test the effectiveness of this method on the small sample public data set and the self-built fire smoke small sample data set.Result The experimental results show that adding mosaic data enhancement and multi-scale transformation at the same time in the data enhancement stage can get better detection results. Models that add a multi-head attention mechanism after the fourth convolutional module of the feature extraction module performed best. Compared with the existing methods such as meta-learning short-duration memory network, matching network and lightweight target detection network, the proposed method had better detection effect. The accuracy rate reached 98.79%, the recall rate was 98.28%, the detection rate was 97.33% and the false positive rate was only 6.36%.Conclusion The experimental results show that the proposed method has better discriminative ability and generalization ability than the existing fire smoke detection models.
-
森林是一个国家的重要资源，在防治水土流失、改善生态环境方面发挥着重要作用，具有良好的生态效益和社会效益[1]。但是，一直以来森林不断遭受着病虫害的侵扰，大量的农药被用来防治病虫害的发生。在防治的同时，大量农药喷洒在林地上，部分农药残留渗入地下，经由河流汇入湖泊，不可避免对环境水体造成一定污染[2]。
拟除虫菊酯是一类广泛使用的杀虫剂，是衍生自菊花和植物花的除虫菊酯的合成衍生物[3]。它们通常被大量用于林业、农业等领域[4]。据报道，在中国，每年消耗3 700多吨拟除虫菊酯类农药，用于害虫防治[5]。大量拟除虫菊酯的使用会导致生态环境的污染，同时，如果人体长期过量接触拟除虫菊酯，会产生严重的健康问题，引发包括恶心、呕吐、呼吸抑制、精神变化、急性肾损伤等疾病症状[6]。因此，有必要对环境水体中的拟除虫菊酯进行检测。
由于样品的复杂性和低浓度性，需要进行样品预处理才能够进行检测。传统的萃取方法有液液萃取（LLE）[7]、索氏提取（Soxhlet extraction）[8]、固相萃取（SPE）[9]等。液液萃取易于使用，无需使用复杂的仪器执行。然而，高毒性有机溶剂的大量消耗和提取分析物的低选择性限制了液液萃取的使用。与液液萃取相比，固相萃取消耗较少量的有机溶剂，但相对昂贵且耗时[10]。因此，近年来的样本前处理技术不断向绿色化、微型化和简便化方向发展。
分散液液微萃取（DLLME）是常用的农药残留检测方法，具有操作简单、快速、成本低等优点。该方法由Rezaee等[11]于2006年提出来，主要包括两个步骤：萃取剂分散和回收。传统分散液液微萃取需要采用有机分散剂进行分散，既消耗了有机溶剂，又降低了分析物的分配系数。近年来不需要有机分散剂的辅助分散方法逐渐被开发出来，丰富了分散液液微萃取技术。具体分散技术包括手动摇晃[12]、涡旋[13]、超声[14]、微波[15]等。其中，手动摇晃因为重现性差而逐渐被其他方式代替，而其他几种方式都需要使用仪器进行操作，难以现场进行。2014年，Lasade-Aragones等人首次引入了泡腾辅助分散液液微萃取（EA-DLLME），它是通过酸和碳酸盐或碳酸氢盐发生泡腾反应，产生二氧化碳将萃取剂分散[16]。因其不受超声、涡旋等仪器限制，具有现场处理的可能，且具有环境副作用小的优点，越来越受到欢迎[17]。
最近，可转换亲水性溶剂（SHS）已被用作液相微萃取中的萃取剂[18]。中链脂肪酸被认为是可转换亲水性溶剂[19]，其机理是通过调节pH值实现可溶和不溶之间的转化[20]。而且，中链脂肪酸的钠盐和泡腾片都是可溶性固体粉末，泡腾反应能够促进可转换亲水性溶剂的分散和溶解，同时，泡腾片中过量的酸可以促使萃取剂从可溶性转变为不溶性，从而完成萃取过程。因此，将可转换亲水性溶剂与泡腾片结合非常利于微萃取过程的完成[17]。
萃取剂相的分离是液相微萃取技术的重要步骤，离心是常用的相分离方法，但是离心步骤涉及到离心机的使用，而大型仪器的存在使得前处理过程难以在现场操作[21]。基于此问题，研究者开发出多种现场处理方法。磁性纳米粒子（MNPs）分散在溶液中吸附萃取剂，借助于磁铁吸附作用实现汇聚，最终洗脱得到萃取剂，整个过程不需要使用大型仪器，方便现场操作[16]。另外，利用低密度溶剂会漂浮在溶液上层的性质，刘学科等使用1-十一烷醇作为萃取剂，采用移液管吸收上层液体的方法以实现现场处理[22]。最近，采用过滤方式进行相分离的方法也可以很好地在现场进行[23]。本课题组已制作具有良好亲油疏水性的过滤柱，采用过滤方式实现萃取剂的回收[24]。目前还没有研究采用泡腾片分散和过滤分离相结合的方法，来进行样品的现场前处理。
因此，在现场处理的基础上，本研究开发了一种基于可转换亲水性溶剂的泡腾片辅助分散液液微萃取结合气相色谱法，测定环境水中的拟除虫菊酯类农药。该方法按照一定配方压制泡腾片，用于萃取剂的分散，采用过滤方式进行相分离，成功完成了前处理步骤和气相色谱仪检测。整个提取过程不依赖任何特殊仪器，这使得该方法得以成功地应用于现场处理。目前，该方法已成功应用于北京市环境水的检测。
1. 材料与方法
1.1 试剂和材料
5种拟除虫菊酯类农药标准品（联苯菊酯、氟氰菊酯、氯氰菊酯、氰戊菊酯、溴氰菊酯）购自坛墨质量检测技术有限公司（江苏，中国），纯度均 > 98%。己酸钠（99%）、壬酸钠（98%）购自百灵威公司（北京，中国）。柠檬酸、磷酸二氢钠、碳酸氢钠、碳酸钠均购自麦克林公司（上海，中国）。SPE色谱柱购自安捷伦科技公司（美国）。聚丙烯吸油棉和聚丙烯无纺布购自苏州伊路发环保技术有限公司（江苏，中国）。
1.2 仪器与设备
安捷伦7890B型气相色谱仪（美国安捷伦科技公司，美国），配备电子捕获检测器；DB-5 MS型毛细管柱（30 m × 0.32 mm × 0.25 µm）；手动液压压片机购自鹤壁立信仪器有限公司（河南，中国）；Milli-Q超纯水系统（Millipore，美国）；万分之一天平；微量进样针；一次性注射器。
1.3 标准储备溶液和实际样品
使用色谱级乙腈，分别配制5种拟除虫菊酯标准品的标准溶液（2 000 μg/mL），并在4 ℃的冰箱中储存。将5种标准溶液等体积混合配制混合标准溶液。将混合标准溶液稀释至不同浓度，得到工作标准溶液。自来水、水库水和河水均采集于中国北京。水样收集在玻璃瓶中，避光储存。
1.4 泡腾片压制
使用万分天平称量0.499 2 g柠檬酸、0.405 6 g磷酸二氢钠、0.218 4 g碳酸氢钠和0.180 0 g己酸钠，加入到研钵中，手动研磨直至获得均匀细致的粉末。然后，将粉末放入直径12 mm模具中，使用手动液压压片机在1 MPa的压力下压制成泡腾片，取出泡腾片，干燥储存或直接使用。
1.5 自制过滤柱制备
自制过滤柱制备过程如图1所示，它由3部分组成：SPE外壳、吸油棉填料和适配器。先将1 mL SPE色谱柱裁剪至合适的高度，底部加入一个垫片；然后将吸油棉切成长条状，卷成圆柱形，填充到SPE柱中，起到过滤作用，在上部再压上一个垫片；最后将适配器插入色谱柱上方，获得自制过滤柱。
1.6 样品前处理过程
取10 mL水样品注入20 mL注射器中，注射器下端接转接头，加入已制备的泡腾片，待泡腾片完全反应、注射器中无气泡产生时，打开转接头，使用自制过滤柱过滤注射器中溶液，再使用50 mL注射器吹干自制过滤柱上残留水滴，最后使用200 μL乙腈洗脱得到分析物，进行气相色谱电子捕获检测器（GC-ECD）检测。
2. 结果与讨论
2.1 方法优化
2.1.1 萃取剂类型
萃取剂的选择朝着越来越绿色、环保、低毒等的方向发展，因此，本研究选择了两种可转换性溶剂（己酸钠和壬酸钠）进行优化，其他条件如下：脂肪酸盐的量为0.16 g，泡腾片成分包括0.499 2 g柠檬酸、0.405 6 g 磷酸二氢钠和0.218 4 g 碳酸氢钠，无盐，自制过滤柱（填料吸油棉，高度为2 cm，密度为60 mg/cm），洗脱剂乙腈200 μL。结果如图2所示，对样本进行显著性检验，P < 0.01，两组间差异极显著，而己酸钠具有更高的响应值，因此，己酸钠萃取效果更佳，用于后续的优化实验。
2.1.2 萃取剂用量
泡腾片中己酸钠的用量需要进行优化，以获得最佳的条件。在实验中，检测了不同用量己酸钠（0.16、0.18、0.20、0.22 g）对峰面积的影响，其他条件同上。如图3所示，不同萃取剂用量差异显著（P < 0.01），当萃取剂为0.16 g时，峰面积最大，随着萃取剂用量的增加，峰面积逐渐减小。因此，最终选择0.16 g己酸钠进行后续优化实验。
2.1.3 泡腾片的类型
泡腾反应对萃取剂的分散和萃取具有重要影响。不同类型的泡腾片将发生不同时长和强度的泡腾反应，从而影响最终的萃取效果。在实验中，我们选择了4种物质（柠檬酸，磷酸二氢钠，碳酸氢钠和碳酸钠）进行测定。4种方案如表1所示。泡腾片中的酸不仅与碳酸盐发生泡腾反应，而且与萃取剂反应，使萃取剂从可溶状态转变为不溶状态，完成萃取。基于该过程对酸的双重要求，具有较强酸性的柠檬酸成为最佳选择。实验中同时发现，柠檬酸酸性较强，反应迅速，反应时间过短，导致萃取剂分散不充分，萃取效果受到影响，所以，加入弱酸磷酸二氢钠作为调节剂，延缓反应的速度，延长反应的时间，使萃取剂在分散、转化和萃取过程更为充分。根据图4所示，P < 0.01表明差异极显著，综合A、B、C、D四个方案显示，方案A的反应速度和反应强度更为优化，萃取效果更佳。因此，泡腾片制备选择方案A（柠檬酸 + 磷酸二氢钠 + 碳酸氢钠 + 己酸钠）。
表 1 不同泡腾片成分方案Table 1. Scheme of different effervescent tablets编号 No. 方案 Scheme 反应时间 Reaction time/s A 柠檬酸 + 磷酸二氢钠 + 碳酸氢钠 + 己酸钠
Citric acid + sodium dihydrogen phosphate + sodium bicarbonate + sodium hexanoate60 B 柠檬酸 + 磷酸二氢钠 + 碳酸钠 + 己酸钠
Citric acid + sodium dihydrogen phosphate + sodium carbonate + sodium hexanoate80 C 柠檬酸 + 碳酸氢钠 + 己酸钠 Citric acid + sodium bicarbonate + sodium hexanoate 15 D 柠檬酸 + 碳酸钠 + 己酸钠 Citric acid + sodium carbonate + sodium hexanoate 30 2.1.4 酸碱比
萃取剂己酸钠很容易受到pH值的影响，因此有必要对泡腾片的酸碱比进行优化。根据酸碱电离理论，柠檬酸可产生3个H+，磷酸二氢钠可产生1个H+，碳酸氢钠和己酸钠可产生一个OH−。因此，根据不同的酸碱比（6∶2∶1∶1，8∶2∶1∶1，10∶2∶1∶1）进行优化。结果如图5所示，进行显著性分析，P > 0.05，差异性不显著，表明pH的变化能够对峰面积产生影响，但是目前范围变化影响不大。据图可知，在柠檬酸∶磷酸二氢钠∶碳酸氢钠∶己酸钠的比例为8∶2∶1∶1的情况下，可获得最佳峰面积。因此，泡腾片质量为0.499 2 g柠檬酸，0.405 6 g磷酸二氢钠、0.218 4 g碳酸氢钠、0.18 g己酸钠，进行下一步实验。
2.1.5 盐效应的影响
通过向水样中添加不同量的盐（0 ~ 10%, w/w）来调节盐的质量分数，从而评估盐效应带来的影响。如图6所示，随着盐质量分数的增加，不同农药的响应幅度显示出差异，联苯菊酯和氰戊菊酯P < 0.01，差异极显著，受盐效应影响较大，抑制作用明显；而氟氯氰菊酯、氰戊菊酯、溴氰菊酯P > 0.05，差异不显著，变化不大。总体上盐质量分数的增加起到了抑制作用。因此，最终选择零添加进行后续研究。
2.1.6 自制过滤柱填料类型
自制过滤柱是进行相分离的重要设备。而自制过滤柱的填料是影响分离效果的重要因素。吸油棉和无纺布被选作自制过滤柱的填料，二者都是聚丙烯材料，能够在过滤过程中吸附萃取剂，完成相分离，但是在亲脂性和疏水性的性能上存在差异，因此有必要对其进行优化。结果如图7所示，显著性检验P < 0.01，表明不同填料类型差异极显著，吸油棉效果显著高于无纺布。因此，吸油棉用于后续实验。
2.1.7 自制过滤柱填料的高度和密度
自制过滤柱填料的高度和密度会影响过滤性能。如果过滤柱填料过高，则需要消耗更多的洗脱剂，降低响应值；如果过滤柱填料过低，则容易无法完全保留过滤溶液中的萃取剂，影响回收效率，所以，选择合适的高度对于该方法具有重要影响。因此，研究了1.5、2.0和2.5 cm高度对峰面积的影响，结果如图8所示，显著性检验P > 0.05，差异不显著，考虑到在2 cm高度时，除联苯菊酯外，其他几种农药微弱高于其他条件。因此，选择了2.0 cm高度的自制过滤柱进行进一步研究。
如果过滤材料太紧，则会影响过滤速度；如果过滤材料太稀疏，萃取剂将很容易被冲洗掉。所以，有必要对过滤柱的密度进行优化。因此，在2.0 cm的高度条件下，研究了不同密度的填料（40、50、60、70 mg/cm）对峰面积的影响，结果如图9所示，显著性检验显示联苯菊酯、氰戊菊酯和溴氰菊酯P < 0.05，差异显著，峰面积呈现先增后减的趋势，在60 mg/cm处获得最佳效果。因此，最佳密度选择为60 mg/cm。
2.2 方法评价
为了评价所建立方法的性能，评估了包括线性范围、线性方程、相关系数、检测限、定量限、相对标准偏差和富集倍数在内的参数。在优化条件下进行研究，结果如表2所示，在5 ~ 500 μg/L的线性范围内，相关系数均 ≥ 0.999 0，线性关系良好。检出限和定量限分别为0.22 ~ 1.88 μg/L和0.75 ~ 6.25 μg/L。日内标准差和日间标准差分别低于6.1%和5.4%。富集倍数在65 ~ 108范围内。
表 2 5种菊酯的线性方程、相关系数及检出限Table 2. Linear equation, correlation coefficients and detection limits of five pyrethroids化合物
Compounds线性范围
Range of
linearity/
(μg·L−1)线性方程
Linearity
equation相关系数
Correlation
coefficient检出限
Limit of
detection/
(μg·L−1)定量限
Limit of
quantitation/
(μg·L−1)日内标准差
Intra-day
SD/%日间标准差
Inter-day
SD/%富集倍数
Enrichment
factor联苯菊酯 Bifenthrin 5 ~ 500 y = 94.8x − 217.5 0.999 0 0.22 0.75 6.1 0.8 108 氟氯氰菊酯 Cyfluthrin 5 ~ 500 y = 24.916x + 67.895 0.999 4 1.03 3.45 2.2 5.4 71 氯氰菊酯 Cypermethrin 5 ~ 500 y = 13.341x + 42.416 0.999 6 1.65 5.49 3.0 4.6 65 氰戊菊酯 Fenvalerate 5 ~ 500 y = 68.004x + 165.82 0.999 6 0.39 1.29 4.3 2.9 66 溴氰菊酯 Deltamethrin 5 ~ 500 y = 21.184x − 51.306 0.999 9 1.88 6.25 1.9 1.3 93 2.3 实际样品分析
为了进一步验证所开发方法的可靠性和适用性，本研究分析了包括自来水、库水、水在内的3种实际样品。添加质量浓度为0、50、200 μg/L，样品回收率总结于表3，空白样品与加标样品色谱图见于图10。结果显示：所有空白实际水样均未检测到农药残留，表明采样地水质较为纯净。加标样品的回收率为88.2% ~ 113.0%，相对标准偏差在4.5% ~ 11.8%之间，均在可接受范围。因此，该方法可以成功准确地检测环境中水样。
表 3 使用建立的方法对3种实际水样进行分析Table 3. Analytical performance of the proposed method for three real samples化合物
Compounds自来水 Tap water 水库水 Reservoir water 河流水 River water 添加水平
Spiked level/(μg·L−1)回收率
Relative recovery/%标准差
SD/%回收率
Relative recovery/%标准差
SD/%回收率
Relative recovery/%标准差
SD/%联苯菊酯
Bifenthrin50 92.3 8.3 94.5 4.5 105.1 6.8 200 113.0 5.7 97.8 8.1 107.6 10.0 氟氯氰菊酯
Cyfluthrin50 106.2 6.1 104.8 7.3 104.6 7.9 200 109.7 7.4 103.2 8.3 99.5 7.5 氯氰菊酯
Cypermethrin50 98.2 7.5 96.4 7.9 97.5 9.3 200 108.5 5.7 99.1 9.2 100.2 8.9 氰戊菊酯
Fenvalerate50 96.8 6.9 96.5 6.1 104.4 6.4 200 110.8 5.0 93.7 8.6 102.7 8.2 溴氰菊酯
Deltamethrin50 88.2 8.6 88.7 5.2 97.1 8.8 200 101.6 6.0 89.6 10.2 98.8 11.8 ![]()
图 10 空白样品(a)和加标样品(b)的气相色谱图添加质量浓度为50 μg/L；峰1为联苯菊酯；峰2为氟氯氰菊酯；峰3为氯氰菊酯；峰4为氰戊菊酯；峰5为溴氰菊酯。Spiked mass concentration, 50 μg/L; peak 1, bifenthrin; peak 2, cyfluthrin; peak 3, cypermethrin; peak 4, fenvalerate; peak 5, deltamethrin.Figure 10. Gas chromatogram of blank sample (a) and spiked sample (b)2.4 方法比较
为了体现现场分散液液微萃取结合气相色谱法（On-stie DLLME-GC）的优越性，该方法与已报道方法的几个重要参数进行了比较。如表4所示，研究发现该方法具有良好的线性范围、较低的检出限。同时，相比于前处理过程，固相萃取、分散固相萃取等方法都需要使用耗电设备，主要体现在在萃取剂的分散[25-26]和萃取剂的分离[27]两个步骤，Li等[25]使用磁力搅拌仪进行Fe3O4@TiO2的分散，Mi等[26]采用离心吸取上层液的方法进行相分离。与之前前处理方法相比，该方法成功地实现了整个样品前处理过程不使用耗电设备，从而实现了现场样品处理，大大减少大量样品运输带来的不便，减少了人力和物力的消耗。因此，On-site DLLME-GC-ECD被证明是一种经济实用、简单方便的方法，能够用于现场处理环境水样中的5种拟除虫菊酯类杀虫剂。
表 4 与其他方法在水中拟除虫菊酯测定中的比较Table 4. Comparison of the proposed method and some other methods for pyrethroids determination in water方法
Method检测器
Detector萃取剂
Extraction
solvent线性范围
Range of linearity检出限
Limit of
detection/
(μg·L−1)是/否使用耗电设备
Yes/no use of
power-consuming
equipment是/否现场
Yes/no on-site参考文献
Reference固相萃取
Solid phase extraction高效液相色谱仪
HPLCFe3O4@TiO2 25 ~ 2 500 2.8 ~ 6.1 是 Yes 否 No [25] 分散固相萃取
Dispersive solid
phase extraction高效液相色谱仪
HPLCβ-环糊精连接的
超支化聚合物
CD-HBP5 ~ 500
10 ~ 5000.96 ~ 2.06 是 Yes 否 No [26] 固相萃取
Solid phase extraction气相色谱仪
GCFe3O4-NH2@MIL-101(Cr) 0.002 ~ 2.000 0.005 ~ 0.009 是 Yes 否 No [27] 现场分散液液微萃取
On-site DLLME气相色谱仪
GC己酸钠
Sodium hexanoate5 ~ 500 0.22 ~ 1.88 否 No 是 Yes 本工作
This work3. 结 论
本研究发了一种基于现场处理的分散液液微萃取气相色谱法测定环境水中的5种拟除虫菊酯类杀虫剂。该方法采用泡腾片辅助分散方式，选择可切换亲水性溶剂作为萃取剂。影响此方法的相关因素进行了优化，在最佳条件下，样品的加标回收率为88.2% ~ 113.0%，相对标准偏差为4.5% ~ 11.8%，检出限在0.22 ~ 1.88 μg/L之间，定量限在0.75 ~ 6.25 μg/L之间。富集倍数为65 ~ 108。该方法具有毒性低，污染小，环境友好的优点，同时在萃取剂分散和回收过程不需要用电设备，操作简便，方便现场操作，减少运输带来的不便。最后，该方法成功检测了3种环境水样，具有应用于现场处理的广阔潜力。
-
![]()
图 1 基于特征学习的森林火灾烟雾检测整体结构
Figure 1. Overall structure of forest fire smoke detection based on few-shot learning
![]()
图 7 烟雾图像Grad-CAM和Guided Grad-CAM可视化结果
色柱代表能量数值，单位为J，颜色越红代表该像素区域对分类结果的重要性越高。The color column is the energy value, and the unit is J. The redder the color is, the more important the pixel region is to the classification result.
Figure 7. Grad-CAM and Guided Grad-CAM visualizations of smoke images
表 1 数据增强等不同训练方式实验结果对比
Table 1 Comparison of experimental results of different training methods such as data enhancement
编号
No.图像尺寸/像素
Image size/pixel批量大小
Batch size迭代轮数
Epoch随机旋转
Random
rotation平移
Shift缩放
Resize混合
Mixup马赛克
Mosaic多尺度变换
Multi-scale
transformation准确率
Accuracy rate/%召回率
Recall rate/%平均准确率
Mean accuracy
rate (mAP)/%1 1280 × 1280 32 5 000 √ 96.81 96.31 96.46 2 1280 × 1280 32 5 000 √ 96.26 97.07 96.78 3 1280 × 1280 32 5 000 √ 96.51 97.00 96.15 4 1280 × 1280 32 5 000 √ 96.82 97.31 97.46 5 1280 × 1280 32 5 000 √ 97.23 97.86 98.27 6 1280 × 1280 32 5 000 √ 98.00 97.66 97.87 7 1280 × 1280 32 5 000 √ √ 98.43 98.02 98.57 
下载: 导出CSV
表 2 不同学习网络的性能对比
Table 2 Performance comparison of different learning networks
方法
Method准确率
Accuracy rate/%误报率
False alarm rate/%检测率
Detection rate/%召回率
Recall rate/%F1值
F1-score元学习长短时记忆网络
Meta-learning long and short-term memory networks85.34 12.98 94.54 93.13 89.23 匹配网络 Matching networks 80.16 15.96 89.62 87.75 83.95 Faster RCNN 92.46 11.33 93.05 93.76 93.11 Yolov5 96.69 9.28 96.24 95.89 96.29 Yolov7 98.55 6.41 95.69 96.78 97.81 多头注意力原型网络
Multi-head attention-based prototypical network98.79 6.36 97.33 98.28 98.53
下载: 导出CSV
表 3 不同添加位置的性能对比
Table 3 Performance comparison for different add locations
添加位置
Adding location平均准确率
Mean accuracy
rate (mAP)/%召回率
Recall
rate/%准确率
Accuracy
rate/%Ori_Net 93.69 91.35 95.28 Multi_head_1 93.61 92.15 95.79 Multi_head_2 96.20 93.98 96.06 Multi_head_3 96.10 95.12 97.3 Multi_head_4 98.43 98.28 98.79 Multi_head_1-2 95.56 93.18 97.19 Multi_head_1-3 96.88 94.46 97.52 Multi_head_1-4 96.97 94.55 97.61 Multi_head_2-3 96.06 94.64 97.71 Multi_head_2-4 96.25 94.82 97.90 Multi_head_3-4 96.21 94.78 97.86 Multi_head_1-2-3 92.94 90.62 94.52 Multi_head_2-3-4 92.66 90.35 94.23 Multi_head_1-2-3-4 91.35 89.07 92.90
下载: 导出CSV
表 4 不同注意力模块的性能对比
Table 4 Performance comparison of different attention modules
方法
Method准确率
Accuracy rate/%误报率
False alarm rate/%检测率
Detection rate/%召回率
Recall rate/%F1值
F1-scoreCPU速度
CPU speed/msGPU速度
GPU speed/msCBAM 95.84 15.93 95.23 87.15 91.28 98 9.6 CTAM 96.82 13.94 95.63 91.73 94.21 96 9.5 MHA 98.79 6.36 97.33 98.28 98.53 90 9.3
下载: 导出CSV
-
[1] 陈小华. 由高被引论文的研究主题看森林防火的科研: 以《森林防火》为例[J]. 国家林业和草原局管理干部学院学报, 2022, 21(4): 48−53. Chen X H. Scientific research on forest fire prevention from the research themes of highly cited papers: take Forest Fire Prevention as an example[J]. National Academy of Forestry and Grassland Administration Journal, 2022, 21(4): 48−53.
[2] 祝玉华, 司艺艺, 李智慧. 基于深度学习的烟雾与火灾检测算法综述[J]. 计算机工程与应用, 2022, 58(23): 1−11. Zhu Y H, Si Y Y, Li Z H. Overview of smoke and fire detection algorithms based on deep learning[J]. Computer Engineering and Applications, 2022, 58(23): 1−11.
[3] 肖潇, 孔凡芝, 刘金华. 基于动静态特征的监控视频火灾检测算法[J]. 计算机科学, 2019, 46(6): 284−286. Xiao X, Kong F Z, Liu J H. Monitoring video fire detection algorithm based on dynamic characteristics and static characteristics[J]. Computer Science, 2019, 46(6): 284−286.
[4] Li P, Zhao W D. Image fire detection algorithms based on convolutional neural networks[J]. Case Studies in Thermal Engineering, 2020, 19: 100625. doi: 10.1016/j.csite.2020.100625
[5] Shahid M, Chien I F, Sarapugdi W, et al. Deep spatial-temporal networks for flame detection[J]. Multimedia Tools and Applications, 2021, 80(28/29): 35297−35318.
[6] Lee Y, Shim J. False positive decremented research for fire and smoke detection in surveillance camera using spatial and temporal features based on deep learning[J]. Electronics, 2019, 8(10): 1167. doi: 10.3390/electronics8101167
[7] Liu Z C, Zhang K, Wang C Y, et al. Research on the identification method for the forest fire based on deep learning[J]. Op-tik, 2020, 223: 165491.
[8] Chen Y Y, Chen K, Bai H, et al. An efficient fire detection algorithm based on multi-scale convolutional neural network[J]. Fire and Materials, 2021(1): 1−12.
[9] Gu K, Zhang Y, Qiao J. Vision-based monitoring of flare soot[C]//Yan R Q. Transactions on instrumentation and measurement. Tampa: IEEE, 2020: 7136−7145.
[10] Gu K, Xia Z, Qiao J. Deep dual-channel neural network for image-based smoke detection[C]//Yan R Q. Transactions on multimedia. Tampa: IEEE, 2020: 311−323.
[11] Gu K, Zhang Y, Qiao J. Ensemble meta-learning for few-shot soot density recognition[C]//Yan R Q. Transactions on industrial informatics. Tampa: IEEE, 2021: 2261−2270.
[12] Majid S, Alenezi F, Masood S, et al. Attention based CNN model for fire detection and localization in real-world images[J]. Expert Systems with Applications, 2022, 189: 116114. doi: 10.1016/j.eswa.2021.116114
[13] Li T T, Zhu H W, Hu C H, et al. An attention-based prototypical network for forest fire smoke few-shot detection[J]. Journal of Forestry Research, 2022, 33: 1493−1504. doi: 10.1007/s11676-022-01457-6
[14] 祝钧桃, 姚光乐, 张葛祥. 深度神经网络的小样本学习综述[J]. 计算机工程与应用, 2021, 57(7): 22−33. Zhu J T, Yao G L, Zhang G X. Survey of few shot learning of deep neural network[J]. Computer Engineering and Applications, 2021, 57(7): 22−33.
[15] 张毓, 高雅月, 常峰源. 小样本条件下基于数据扩充和ResNeSt的雪豹检测[J]. 北京林业大学学报, 2021, 43(10): 89−99. Zhang Y, Gao Y Y, Chang F Y. Panthera unica recognition based on data expansion and ResNeSt with few samples[J]. Journal of Beijing Forestry University, 2021, 43(10): 89−99.
[16] Dimitropoulos K, Barmpoutis P, Grammalidis N. Higher order linear dynamical systems for smoke detection in video surveillance applications[J]. IEEE Transactions on Circuits and Systems for Video Technology, 2017, 27(5): 1143−1154. doi: 10.1109/TCSVT.2016.2527340
[17] Lee G, Hong S, Cho D. Self-supervised feature enhancement networks for small object detection in noisy images[J]. IEEE Signal Processing Letters, 2021, 28: 1026−1030. doi: 10.1109/LSP.2021.3081041
[18] 王晓松, 杨刚. 一种融合聚类和分类算法的树木图像多目标优化分割方法[J]. 北京林业大学学报, 2018, 40(12): 124−131. Wang X S, Yang G. A multi-objective optimization segmentation method for tree image based on fusion clustering and classification algorithm[J]. Journal of Beijing Forestry University, 2018, 40(12): 124−131.
[19] Vaswani A, Shazeer N, Parmar N, et al. Attention is all you need[J]. Advances in Neural Information Processing Systems, 2017, 30: 1−15.
[20] Krstini D, Stipanicev D, Jakovcevi T. Histogram-based smoke segmentation in forest fire detection system[J]. Information Technology & Control, 2009, 38(3): 237−244.
[21] Russakovsky O, Deng J, Su H, et al. Imagenet large scale visual recognition challenge[J]. International Journal of Computer Vision, 2015, 115(3): 211−252. doi: 10.1007/s11263-015-0816-y
[22] 崔艳鹏, 王元皓, 胡建伟. 一种改进YOLOv3 的动态小目标检测方法[J]. 西安电子科技大学学报, 2020, 47(3): 1−7. Cui Y P, Wang Y H, Hu J W. Detection method for a dynamic small target using the improved YOLOv3[J]. Journal of Xidian University, 2020, 47(3): 1−7.
[23] 鞠默然, 罗海波, 王仲博, 等. 改进的YOLOV3 算法及其在小目标检测中的应用[J]. 光学学报, 2019, 39(7): 245−252. Ju M R, Luo H B, Wang Z B, et al. Improved YOLOV3 algorithm and its application in small target detection[J]. Acta Optica Sinica, 2019, 39(7): 245−252.
[24] Sun C, Ai Y, Wang S, et al. Mask-guided SSD for small-object detection[J]. Applied Intelligence, 2021, 51(20): 1−12.
[25] Lian J, Yin Y, Li L, et al. Small object detection in traffic scenes based on attention feature fusion[J]. Sensors, 2021, 21(9): 3031. doi: 10.3390/s21093031
[26] Selvaraju R R, Cogswell M, Das A. Grad-cam: visual explanations from deep networks via gradient-based localization[J]. International Journal of Computer Vision, 2020, 128: 336−359. doi: 10.1007/s11263-019-01228-7
[27] Woo S, Park J, Lee J Y, et al. CBAM: convolutional block attention module[C]//Vittorio F, Martial H, Cristian S, et al. Proceedings of the European conference on computer vision. Munich: ECCV, 2018: 3−19.
[28] Misra D, Nalamada T, Arasanipalai A U, et al. Rotate to attend: convolutional triplet attention module[C]//Vinay P N, Luc V G, Theo G, et al. Winter conference on applications of computer vision. Waikoloa: IEEE, 2021: 3138−3147.
-
期刊类型引用(4)
1. 李桂，曹文华，马建业，马波，王阳修，王秋月. 小麦秸秆覆盖量对坡面流水动力学特性影响. 农业工程学报. 2023(01): 108-116 . 
百度学术
2. 安妙颖，韩玉国，王金满，徐磊，王秀茹，庞丹波. 黄土丘陵区坡面薄层水流动力学特性及其对土壤侵蚀的影响. 中国农业大学学报. 2020(02): 142-150 . 百度学术
3. 李志刚，梁心蓝，黄洪粮，李和谋，赵小东. 坡耕地地表起伏对坡面漫流的影响. 水土保持学报. 2020(02): 71-77+85 . 百度学术
4. 杨坪坪，李瑞，盘礼东，王云琦，黄凯，张琳卿. 地表粗糙度及植被盖度对坡面流曼宁阻力系数的影响. 农业工程学报. 2020(06): 106-114 . 百度学术
其他类型引用(27)
计量
- 文章访问数: 740
- HTML全文浏览量: 192
- PDF下载量: 86
- 被引次数: 31
