基于边缘计算与迁移学习增强深度学习模型的野火火焰与烟雾检测
计算机视觉与模式识别
2025-01-16 v1 图像与视频处理
摘要
集成边缘计算能力的自主无人机(UAV)能够在设备端直接进行实时数据处理,显著降低了野火检测等关键场景中的延迟。本研究强调了迁移学习(Transfer Learning, TL)在提升用于识别野火烟雾与火焰的目标检测器性能方面的重要性,尤其是在训练数据有限的情况下,并探讨了迁移学习对边缘计算指标的影响。后者重点关注经迁移学习增强的 You Only Look Once (YOLO) 模型在使用边缘计算设备时的推理时间、功耗与能耗表现。本研究以 Aerial Fire and Smoke Essential (AFSE) 数据集作为目标数据集,采用 Flame and Smoke Detection Dataset (FASDD) 与 Microsoft Common Objects in Context (COCO) 数据集作为源数据集。我们探索了一种两阶段级联式迁移学习方法,以 D-Fire 或 FASDD 作为初始阶段目标数据集,以 AFSE 作为后续阶段目标数据集。通过微调,迁移学习显著提升了检测精度,在 AFSE 数据集上达到了最高 79.2% 的平均精度均值([email protected]),缩短了训练时间,并增强了模型的泛化能力。然而,级联式迁移学习并未带来显著改进,且单独的迁移学习也未能改善所评估的边缘计算指标。最后,本研究发现,在缺乏硬件加速的情况下,YOLOv5n 仍是一个强大的模型,其图像处理速度几乎是其较新版本 YOLO11n 的两倍。总体而言,研究结果证实了迁移学习在提升目标检测器精度方面的作用,同时表明仍需进一步改进以提升边缘计算性能。
引用
@article{arxiv.2501.08639,
title = {Detecting Wildfire Flame and Smoke through Edge Computing using Transfer Learning Enhanced Deep Learning Models},
author = {Giovanny Vazquez and Shengjie Zhai and Mei Yang},
journal= {arXiv preprint arXiv:2501.08639},
year = {2025}
}
备注
11 pages, 7 figures