Mcan-YOLO: Un modelo mejorado de detección de incendios forestales y humo basado en YOLOv7

Los incendios forestales representan una amenaza significativa para los recursos forestales y la fauna. Para equilibrar la precisión y la eficiencia de parámetros en la detección de incendios forestales, este estudio propone un modelo mejorado, Mcan-YOLO, basado en YOLOv7. En la sección de cuello, se empleó la red de pirámide de características asintótica (AFPN) para capturar de manera efectiva la información a múltiples escalas, reemplazando el módulo tradicional. Además, la reensamblaje consciente del contenido de características (CARAFE) reemplazó el método de sobremuestreo convencional, reduciendo aún más el número de parámetros. El módulo de atención basado en normalización (NAM) se integró después del módulo ELAN-T para mejorar el reconocimiento de diversas características del humo del fuego, y se utilizó la función de activación Mish para optimizar la convergencia del modelo. Se construyó un conjunto de datos de humo de fuego real utilizando el algoritmo de similitud estructural media (MSSIM) para el entrenamiento y validación del modelo. Los resultados experimentales mostraron que, en comparación con YOLOv7-tiny, Mcan-YOLO mejoró la precisión en un 4.6%, el recall en un 6.5%, y mAP50 en un 4.7%, mientras que redujo el número de parámetros en un 5%. En comparación con otros algoritmos de vanguardia, Mcan-YOLO logró una mejor precisión con menos parámetros.