شناسایی دود در حیات وحش با بهبود الگوریتم YOLOX

آتش سوزی در جنگل ها یکی از پر هزینه ترین بلایای طبیعی در زمین است. دود به عنوان یک علامت هشدار اولیه برای آتش سوزی در جنگل ها عمل می کند و نشانه ای برای یک تهدید زیست محیطی جدی ایجاد می کند. تصاویر اولیه از دود تنها بخش کوچکی از کل مقدار دود را ثبت می کنند. به دلیل طبیعت نامنظم ، پراکندگی دود و ماهیت پویای محیط در حیات وحش، شناسایی دود با ویژگی های مبتنی بر پیکسل به امری پیچیده تبدیل می شود. ، یک شبکه سبک بهبود یافته که الگوریتم YOLOX را با ستون فقرات مبتنی بر شبکه Ghostnet ترکیب می کند، به عنوان راه حلی بهینه برای مساله شناسایی دود در مراحل اولیه آتش سوزی پیشنهاد شده است. نتایج نشان می دهد که رویکرد پیشنهادی معیار دقت را افزایش می دهد در حالی که به طور همزمان اندازه مدل، تعداد پارامتر ها، و زمان استنتاج را کاهش می دهد.

کلیدواژه ها:

، YOLOX ، ، شناسایی دود ، شناسایی اشیاء ، GhostNet ، شبکه های عصبی کانولوشنال ، الگوریتم های شناسایی یک مرحله ای