消防科学与技术2023年8月第42卷第8期消防设备研究基于改进YOLOv5的林火检测技术研究王乃宇1,王琢1,2,张子超1,吴金霆1（1.东北林业大学机电工程学院，黑龙江哈尔滨150040；2.东北林业大学林业人工智能研究院，黑龙江哈尔滨150040）摘要：为提高林火检测的准确率和检测速度，增强林火检测模型的实用性，提出了一种改进YOLOv5的林火检测算法。该算法将改进后的MobileViT作为YOLOv5的骨干网络，使网络能够更有效地提取林火特征信息，同时为进一步降低模型复杂度，采用深度可分离卷积替代模型中的普通卷积，在训练阶段引入了Mosaic数据增强的方法，以提高模型的泛化性。结果表明：改进后模型的林火检测精确率提高了2.25%，mAP提高了4.48%，检测速度提高了4帧/s，检测准确率和检测速度均取得了良好的效果。改进后模型能够很好地检测林火，提高了林火检测模型的实用性。关键词：林火检测；YOLOv5；MobileViT；深度可分离卷积中图分类号：X932；S126文献标志码：A文章编号：1009-0029（2023）08-1117-04森林资源与人类社会息息相关，一旦发生火灾，生态环境会遭到破坏，严重影响人类的生活环境和经济，甚至威胁人们的生命安全和健康［1-2］。火焰检测对于林火的发现和扑灭有重要意义，利用神经网络结合图像处理技术检测火焰成为各国学者的研究热点。在目前的研究中，叶铭亮等［3］将KNN自注意力引入到SwinTransformer模型中，提高了火焰检测的准确率。张苗等［4］基于YOLOv3网络架构实现了火灾的实时检测。ZHAOS等［5］改进了YOLOv4和视觉背景提取器（ViBe）算法，降低了火灾检测的误检率。蒋文萍等［6］基于多重迁移学习得到的YOLOv5在检测火焰上取得了较为理想的效果。王国睿［7］改进了CSPDarknet53骨干网络，进行多尺度特征图融合，提高了YOLOv4的精度。研究表明，基于YOLO和Transformer的火焰检测能够较为快速地提取火焰的特征，但YOLO和Transformer在实用性、可靠性方面仍处于初级阶段。笔者提出了一种基于YOLOv5的网络模型，融合了Transformer算法的优势，在实时性与准确率中取得了良好的效果。1算法介绍1.1YOLOv5算法YOLOv5网络模型由4部分构成：输入层Input，骨干网络Backbone，颈部Neck，预测部分Prediction。YO⁃LOv5采用CSPDarknet作为骨干网络，通过堆叠CSP模块进行特征提取，颈部是模型的中间连接模块，将提取的特征图进行特征加强与特征融合后，传递给预测部分进行预测与分类，得到目标的预测信息。YOLOv5包含了5种模型：YOLOv5n、YOLOv5s、...
