基于多尺度特征提取的森林火灾图像目标检测算法研究

为何及早发现火情至关重要

森林火灾常常从微小的火苗或一缕缕几乎难以察觉的烟雾开始，容易与树木、云层或夜空融为一体。然而，及早捕捉这些微弱信号往往决定着是迅速受控的火情，还是摧毁生态系统并威胁城镇的灾难性大火。本研究提出了一种新的计算机视觉方法，帮助搭载在无人机和其他设备上的相机实时发现小而难辨的火情迹象，即便在复杂多变的林区环境中亦能有效检测。

从巡逻看守到智能监测

传统的森林火情监测依赖瞭望塔、巡逻或反应速度较慢、易漏报的简单传感器。近年来，深度学习——一种从海量数据中学习模式的人工智能技术——改变了我们分析图像的方式。对于森林场景，这意味着教会算法识别火焰和烟雾的典型形状与颜色。不过，现实的森林环境错综复杂：烟雾可能与云雾混淆，火焰在广阔景观中可能只是微小斑点，场景中物体尺度差异极大。现有系统在最关键的早期、微小火情检测方面经常表现欠佳。

同时识别大尺度与微小目标

研究人员在一种流行的实时检测框架YOLO的基础上改进，该框架通过扫描图像并在目标处绘制边界框来工作。他们的升级版本基于YOLOv9c，专门针对航拍和地面森林图像中存在的各种火情尺度进行设计。首先，他们重新设计了模型的“主干网”——提取视觉特征的部分，采用名为EGI的新模块。该模块将输入图像分成若干并行处理流，同时关注细节与更大形状，然后在重组时自动增强信息量大的模式并抑制诸如树木或云层等干扰背景。目标是在保持模型足够轻量以适配无人机或远程站点设备的同时，提高其捕捉细微火情的能力。

放大微小火焰与稀薄烟迹

为进一步改进早期检测，团队新增了一个专门关注极小目标的输出层，称为P2 head。该层配合一种智能“上采样”组件CARAFE工作，重建更高分辨率的特征图，使模型保留原本可能被平滑掉的细边缘与纹理。这些改进共同帮助系统突出显示出现在远景中的微小火焰和细薄烟线。研究者还通过采用更细致的预测框比较方法来优化模型学习如何绘制火情框，从而在训练过程中引导模型得到更精确的轮廓并减少定位误差。

在真实场景中的实地检验

该新方法在涵盖不同天气、昼夜、森林类型、地形和相机视角（包括无人机画面）的公开大型森林火灾图像数据集上进行了评估。改进后的模型不仅比基线YOLOv9c系统在火焰与烟雾检测上更准确，还优于若干其他知名的目标检测模型。它在提高检测精度上提升了若干个百分点，同时将内部参数数量减少近三分之一，并在边缘级图形硬件上保持超过25帧/秒的实时处理速度。值得注意的是，该方法在夜间场景、植被茂密覆盖以及烟雾与云层相似的背景等困难情况下表现出强劲性能。

对更安全森林的意义

对非专业读者而言，结论很明确：这项工作为森林防护提供了一双更智能的“眼睛”。通过结合多尺度视觉、对关键细节的关注以及对模型学习机制的精细调优，系统能够更早且更可靠地发现微小火源与细微烟雾，且误报更少。由于其能高效运行于轻量级硬件，可嵌入到持续监视大范围森林的无人机与远程站点中。在实际层面，这意味着更快的预警、更充裕的消防响应时间，以及更高的概率将小火苗阻止在未成灾之前。

引用: Wu, W., Zhou, X., Qin, J. et al. Research on target detection algorithm for forest fire images based on multi-scale feature extraction. Sci Rep 16, 12759 (2026). https://doi.org/10.1038/s41598-026-41994-2

关键词: 森林火灾检测, 深度学习, 目标检测, 无人机监测, 早期预警