团队介绍：依托陕西省信息通信网络及安全重点实验室、陕西省无线通信与信息处理技术国际联合研究中心，刘颖教授团队的王殿伟副教授在无人系统协同感知领域开展深入研究。无人机是未来低空经济的重要的载体，在物流快递、工业巡检、森林消防等领域得到广泛应用。在秦岭保护工作中，各类无人机与地面观测站协同工作实现秦岭山区森林火灾监视巡查，但目前巡飞无人机拍摄的海量影像数据主要依赖人工解读，存在解译效率低、鲁棒性差等问题。本研究采用人工智能技术，提出了一种无人机航拍图像火灾烟雾检测算法。该算法通过跨空间学习的特征交互注意力模块，使用并行子结构增强多层次语义信息，提升了特征提取能力。利用跨层级特征融合模块对不同尺度目标进行融合，提高了烟雾检测网络的稳健性，并给出双类标签映射策略，改善了不同类型的火灾烟雾检测时存在的分类冲突问题，在无人机航拍图像火灾烟雾检测任务上兼具检测精度和推理速度优势。该研究对于提升无人系统自主智能态势感知能力具有重要意义，可为我国低空经济的持续发展提供关键技术支撑。
一种无人机航拍图像火灾烟雾检测算法
王殿伟1，张新1，房杰1，李苑青1，许志杰2
(1. 西安邮电大学 通信与信息工程学院,陕西 西安 710121;2. 西交利物浦大学 智能工程学院,江苏 苏州 215123)
摘要:针对无人机视角下烟雾尺度变化剧烈以及烟雾自身颜色差异大的问题，提出一种无人机航拍图像火灾烟雾检测算法。构建Smoke-YOLO(You Only Look Once)网络。通过跨空间学习的特征交互注意力模块，使用并行子结构增强多层次语义信息，提升特征提取能力。利用跨层级特征融合模块对不同尺度目标进行融合，提高烟雾检测网络的稳健性。为解决现有公开烟雾数据集单一类别标注忽略烟雾类内差异的问题，给出双类别标签映射策略，自建双类别无人机航拍火灾烟雾图像数据集，并采用标签映射模块将双类别烟雾标签统一为烟雾类，在自定义的映射规则中解决统一烟雾类目标时存在的分类冲突问题。实验结果表明，所提算法在自建数据集上比原有YOLOv8模型的准确率、召回率、类别精度分别提升 4.4%、7%、6.7%，每秒检测帧数达到314.2，Smoke-YOLO网络在航拍图像火灾烟雾检测任务上具备高效的实时检测和精度优势。
关键词:烟雾检测;无人机航拍;注意力机制;多尺度特征融合;双类别标签映射策略
中图分类号: TN391.41;X932 文献标识码:A 文章编号: 2095-6533(2025)02-0066-11
A fire smoke detection algorithm for UAV aerial images
WANG Dianwei1, ZHANG Xin1, FANG Jie1, LI Yuanqing1, XU Zhijie2
(1. School of Communications and Information Engineering, Xi’an University of Posts and Telecommunications, Xi'an 710121, China; 2. School of Advanced Technology,Xi’an Jiaotong Liverpool University, Suzhou 215123, China)
Abstract:To address the challenges posed by the significant scale variations and color differences in smoke under drone perspectives,a fire smoke detection algorithm for drone aerial imagery is proposed. A Smoke-YOLO(You Only Look Once)network is built to enhance multi-level semantic information and improve feature extraction capabilities through a cross spatial learning feature interaction attention module and a parallel substructure. A cross-hierarchical feature fusion module is adopted to fuse targets of different scales and to improve the robustness of the smoke detection network.smoke detection;UAV aerial imagery;attention mechanism;multi-scale feature fusion;dual-category label mapping strategyTo overcome the limitation of single-category annotations in the existing smoke datasets, which overlook the intra-class variations, a dual-category label mapping strategy is introduced, and a label mapping module is developed to unify the dual smoke categories into a single smoke class, resolving classification conflicts with customizable mapping rules.Experiment results show that compared with the original YOLOv8 model, the proposed algorithm improves the accuracy, recall, and the category precision by 4.4%, 7%, and 6.7%,respectively on the customized dataset,with an FPS of 314.2. The Smoke-YOLO network demonstrates both real-time capability and high accuracy for aerial fire smoke detection tasks.
Keywords:smoke detection;UAV aerial imagery;attention mechanism;multi-scale feature fusion;dual-category label mapping strategy
基金项目:国家自然科学基金项目(62201454+62306235);西安市科学技术局社会发展创新示范项目(23SFSF0004);陕西省教育厅科学研究计划项目(23JK0670)
作者简介:王殿伟(1978—),男,吉林松原人,博士,西安邮电大学副教授,主要研究方向为计算机视觉、人工智能方向等。E-mail:wangdianwei@xupt.edu.cn
张新(1999—),女,陕西咸阳人,西安邮电大学硕士研究生,主要研究方向为深度学习、航拍图像火灾烟雾检测。E-mail:zx_19992024@163.com
引文格式:王殿伟,张新,房杰,等.一种无人机航拍图像火灾烟雾检测算法[J].西安邮电大学学报,2025,30(2):66-76.
WANG D W,ZHANG X, FANG J,et al.A fire smoke detection algorithm for UAV aerial images[J].Journal of Xi’an University of Posts and Telecommunications,2025,30(2):66-76.