Key points are not available for this paper at this time.
الغابات هي مورد مهم لبقاء الإنسان، وحرائق الغابات تشكل تهديداً خطيراً لحماية الغابات. لذلك، فإن الكشف المبكر عن الحريق والدخان له أهمية خاصة. استنادًا إلى طريقة استخراج الميزات المحددة يدويًا، فإن دقة كشف حرائق الغابات باستخدام تقنيات التعلم الآلي محدودة، وهي غير قادرة على التعامل مع المشاهد المعقدة. في الوقت نفسه، فإن معظم طرق التعلم العميق يصعب تطبيقها بسبب التكاليف الحسابية العالية. لمعالجة هذه المشكلات، يقترح هذا البحث نموذجاً خفيفًا للكشف عن حرائق الغابات استنادًا إلى YOLOv8 (FFYOLO). أولاً، من أجل استخراج ميزات الحريق والدخان بشكل أفضل، تم اقتراح وحدة انتباه توسيع القنوات السابقة (CPDA). ثانياً، تم تصميم رأس الكشف الجديد المسمى رأس الكشف المختلط (MCDH). علاوة على ذلك، تم تقديم MPDIoU لتعزيز دقة الانحدار والتصنيف للنموذج. ثم، في قسم الرقبة، تم تطبيق وحدة GSConv خفيفة الوزن لتقليل المعلمات مع الحفاظ على دقة النموذج. أخيراً، تم استخدام استراتيجية تقطير المعرفة خلال مرحلة التدريب لتعزيز قدرة النموذج على التعميم وتقليل الاكتشاف الخاطئ. تظهر النتائج التجريبية أنه بالمقارنة مع النموذج الأصلي، يحقق FFYOLO mAP0.5 بنسبة 88.8% على مجموعة بيانات حرائق الغابات المخصصة، وهو أفضل بنسبة 3.4% من النموذج الأصلي، مع تقليل المعلمات بنسبة 25.3% وزيادة الإطارات في الثانية (FPS) بنسبة 9.3%.
درس يون وآخرون (سبت) هذا السؤال.