浪潮信息研究团队发表小烟雾检测模型论文，破解全球野火初期检测难题

编者按：元脑实验室致力于探索人工智能创新前沿，聚焦基础科学和创新技术突破，推动人工智能发展，加速行业应用快速落地。本篇小烟雾检测模型SSmokeDet研究成果转载自“元脑实验室”，相关技术论文入选了中科院一区top期刊《Engineering Applications of Artificial Intelligence》。

前不久，浪潮信息研究团队成功研发了全球首个小烟雾检测模型SSmokeDet，实现了小烟雾检测精度的大幅提升，填补了业内空白。根据测试结果，SSmokeDet 在各种环境下都优于当前最先进的目标检测模型和其他特殊的烟雾模型，小尺度目标检测准确率𝐴𝑃𝑆提高了10.2%，这将进一步提高人类对初期野火的检测防控水平，降低全球野火带来的危害。

补足卷积网络短板，让星星之火不再燎原

一项发表在英国《自然·生态学与进化》杂志上的研究显示，全球极端野火发生的频率和强度在过去20年增加了约一倍，2025年美国洛杉矶大火损失估计在2500亿美元以上，超过新西兰等中等国家一年的GDP总值。“星星之火，可以燎原”，野火，尤其是极端野火最好的防治方法是初期阶段就发现火情，在燎原之前扑灭。

初期阶段不一定有明火，但会产生少量烟雾，小烟雾检测是初期阶段野火识别的重要手段。小烟雾检测技术难度远远超过一般的烟雾检测，因为初期阶段的烟不仅非常少，在画面中几乎不可见，而且上升扩散后，呈现半透明、模糊边界的特征，还容易受到白云、雾气的干扰。随着AI技术的发展，机器视觉被用来识别烟雾，传统的机器视觉方案需要人工抽象烟雾特征进行识别，灵活性差，不能及时适应环境的变化，比如雾气干扰等。

近年来，基于深度学习的机器视觉技术路线已经出现了众多的研究成果。但是这些技术方案在识别“星星之火”的小烟雾效果非常不理想，因为目标识别主要基于卷积神经网络实现，卷积网络是对人类视觉的一种模拟，对目标图片的像素进行层层卷积计算，提取特征，从而将图片中的目标事物识别出来。卷积网络带有人类视觉的弱点，层层提取的过程中会忽略小烟雾等局部特征和微量语义，从而“看不见”小烟雾。同时，很多特征提取模块偏向于采用Maxpool算法，只对最大值敏感，更倾向于检测图像的剧烈变化，对于颜色浅淡、透明或者半透明的小烟雾检测效果不理想。

SSmokeDet模型由骨干网络SNet、路径聚合网络PAN和自协作检测头SCHead（Self-Cooperation Head）组成。SSmokeDet基于全面改进的卷积网络设计而成，通过感受野控制、上下文信息学习和多尺度特征交流，利用低层特征来补充高层特征遗漏的小烟雾信息，系统性弥补了卷积神经网络容易遗漏微量语义信息的短板，增强了对小目标、模糊目标的识别能力，从而实现了有效的小烟雾检测。