[发明专利]一种语义分割的森林火灾检测方法、控制器及存储介质

权利要求书

1.一种语义分割的森林火灾检测方法，其特征在于，包括：

采集森林火灾遥感图像，建立森林火灾遥感图像数据集；

构建对抗样本生成模型；

把所述森林火灾遥感图像输入到所述对抗样本生成模型，得到具有噪声干扰的森林火灾遥感图像，把所述具有噪声干扰的森林火灾遥感图像增加到所述森林火灾遥感图像数据集中；

把所述森林火灾遥感图像数据集的所述森林火灾遥感图像输入到语义分割网络进行训练，得到最优语义分割网络；

把所述森林火灾遥感图像输入到所述最优语义分割网络，得到森林火灾足迹信息；

其中，所述构建对抗样本生成模型如公式(1)所示：

S＝{δ:||δ||_∞≤ε}                                         (2)

其中，x_i表示输入的所述森林火灾遥感图像，y_i表示标签集，i∈(1,2.....N),表示N个样本；δ表示叠加在所述森林火灾遥感图像的扰动，f_θ表示自带参数θ的神经网络模型；L是损失函数，S是扰动集，如公式(2)所示；ε表示干扰所述森林火灾遥感图像像素的变化量的绝对值的最大值，max表示寻找使所述损失函数最大的干扰，min表示对所述神经网络模型进行优化的最小化；

所述语义分割网络包括编码步骤和解码步骤，所述编码步骤包括对所述森林火灾遥感图像进行粗卷积，所述粗卷积为对所述森林火灾遥感图像输出特征图y上的每个位置i和卷积核w，在输入特征图x上进行如公式(3)的转换，

其中r表示在采样点之间引入r-1个零，k表示所述卷积核w的感受野大小为k×k；

其中，所述语义分割网络中图像分割损失函数的表达式如公式(4)所示：

l_t的表达式如公式(5)所示：

其中，M_t是真实图像像素值，是预测的图像与M相同位置的像素值，L_sm表示所有像素的总的损失值，t是图像的像素的个数，这里和是在位置(i,j)属于c类的真实值和预测的概率，即属于森林火灾区域足迹的像素类。

2.根据权利要求1所述的语义分割的森林火灾检测方法，其特征在于，所述编码步骤还包括对所述森林火灾遥感图像进行空洞卷积步骤，所述空洞卷积步骤包括:

对所述森林火灾遥感图像进行第一空洞卷积得到第一空洞卷积图像、

对所述森林火灾遥感图像进行第二空洞卷积得到第二空洞卷积图像、

对所述森林火灾遥感图像进行第三空洞卷积得到第三空洞卷积图像、

对所述森林火灾遥感图像进行第四空洞卷积得到第四空洞卷积图像、

对所述森林火灾遥感图像进行特征图池化得到特征图池化图像，

所述第一空洞卷积的大小为1*1，空洞率为1，所述第二空洞卷积的大小为3*3，空洞率为6，所述第三空洞卷积的大小为3*3，空洞率为16，所述第四空洞卷积大小为3*3，空洞率为32。

3.根据权利要求2所述的语义分割的森林火灾检测方法，其特征在于，还包括把所述第一空洞卷积图像、所述第二空洞卷积图像、所述第三空洞卷积图像、所述第四空洞卷积图像和所述特征图池化图像输入到1*1卷积核进行卷积，得到特征图f，所述特征图f的输出通道为1。

4.根据权利要求3所述的语义分割的森林火灾检测方法，其特征在于，所述解码步骤包括：

把所述森林火灾遥感图像输入到1*1卷积核进行低层特征处理，得到低层特征图；

把所述特征图f进行4倍上采样，得到上采样特征图；

使用concat函数连接所述上采样特征图和所述低层特征图，得到连接后的特征图。

5.根据权利要求4所述的语义分割的森林火灾检测方法，其特征在于，所述解码步骤还包括：

把所述连接后的特征图输入到3*3卷积核进行细化特征处理，得到细化特征图；

把所述细化特征图进行4倍上采样，得到上采样细化特征图。