秸秆燃烧检测主要是靠检测秸秆焚烧的产物来实现的,烟雾检测是秸秆燃烧检测的重要手段之一,也是近年来机器视觉领域研究的热点和难点。大面积、高强度的露天焚烧秸秆会对区域的空气质量以及当地的公共卫生安全造成损害。目前的秸秆焚烧监测主要采用火焰检测和烟雾检测两种方式。火焰的特征比较明显,和烟雾检测相比,检测火焰更容易实现,但是通常情况下,秸秆焚烧的中期才会产生火焰,所以当检测到火焰时,火势已经较大,无法起到早期预警的效果。烟雾作为秸秆焚烧的早期产物,可以作为秸秆焚烧监测的重要特征。本文对基于sentinel-2遥感数据的秸秆燃烧烟雾检测方法进行研究,主要研究内容如下:第一、针对目前没有针对遥感影像的公开的秸秆焚烧烟雾数据集问题,本文选取了4幅包含烟雾、云、植被、水体、裸土的影像来制作数据集。对这4幅影像进行重采样,波段合成,裁剪,打标签和数据增强等处理后,最终构建了一个秸秆焚烧烟雾数据集。第二、由于部分烟雾目标较小,在整个图像中只占据较小区域,容易造成漏检或误检等问题,针对此问题本文在YOLOv5s的主干网络末端加入了se注意力机制,依照权重对有用的特征进行提升,抑制权值不高的特征,从而提升模型预测的精确性。此外,还使用Mish激活函数来代替leaky Re LU激活函数。Mish函数及其导函数更平滑,在反向传播时,更容易进行梯度优化,从而使网络得到更好的准确性和泛化能力。实验结果表明,改进后的YOLOv5s模型的mAP75和mAP50分别为74.03%和94.69%,比原算法高出3.67%和1.15%。并且检测速度为476帧/秒,可以实现对秸秆焚烧烟雾的高精度、快速识别。第三、针对烟雾数据的背景复杂,云和背景的干扰容易导致模型产生误报等问题,本文对sentinel-2的各波段进行光谱特征分析,选出可分离度最佳的波段为4-8波段。将选出的波段和红、绿、蓝波段一起作为训练样本数据,通过增加信息来降低其他地物类型对烟雾检测的干扰。并且对YOLOv5s模型的输入结构和数据处理的相应函数进行修改,使模型适用于多光谱遥感影像。实验结果表明,在红、绿、蓝（RGB）三波段的基础上加上Band6后的精确率、召回率和mAP50都是最高的,较三通道（RGB）分别提升了6.06%、5.78%和8.22%。第四、本文对sentinel-2数据的60m、20m和10m空间分辨率的影像进行分析,分析了空间分辨率对模型识别的影响。
暂无评论