[发明专利]一种森林火灾图片实时分割和火灾边缘点监测算法

权利要求书

1.一种森林火灾图片实时分割和火灾边缘点监测算法，其特征在于，所述算法包含下述步骤：

S1、搭建MobileNet网络模型，该网络结构的基本单元为深度可分离卷积；

S2、构建注意力模块，分别为通道注意力模块和空间注意力模块；

S3、构造一个注意力残差网络，将得到的空间注意力特征与原特征使用残差得到微调后的图片特征；

S4、构造深度注意力模块，加入深度度可卷积模块，再连接pointwise convolution，最后加入S3获得的注意力残差模块；

S5、构建MobileCBAM-Net网络模型，以S1搭建的MobileNet做为基础的网络架构，以S2、S3、S4为组件组合成MobileCBAM-Net，提取森林火灾的图片特征；

S6、将火情图片输入到S5构建的MobileCBAM-Net网络模型中，将具有火请的区域的像素点赋值为红色，不是火情区域的像素点赋值为黑色，从而将图片中的火情区域分割出来；

S7、计算火情边界点像素，获得S6中分割后的图片，如果一个像素的四周有一个点不是红色，则该点为边界点像素，否则为非边界点像素；

S8、计算飞机的横向纵向距离，对输入的飞行夹角进行处理，使之转换成所需要的正夹角，结合飞机和吊舱的俯仰角和飞机飞行高度计算出飞机的横向纵向距离；

S9、计算图像中心点经纬度坐标，结合飞机经纬度与S8中的结果计算出图像中心点经纬度坐标；

S10、计算火情边界点经纬度，获取到S7中的边缘点像素和S9中图像的经纬度，计算左上角的经纬度，根据左上角的经纬度，计算其余三个点的经纬度，从而得到边界点的经纬度。

2.根据权利要求1所述的森林火灾图片实时分割和火灾边缘点监测算法，其特征在于：所述S1中，深度可分离卷积具体可以分为两个操作depthwise convolution和pointwiseconvolution。

3.根据权利要求2所述的森林火灾图片实时分割和火灾边缘点监测算法，其特征在于：depthwise convolution卷积操作与标准的卷积操作不同，depthwise convolution卷积操作对每一个通道使用的卷积核不同，一个卷积核对一个通道进行卷积。

4.根据权利要求1所述的森林火灾图片实时分割和火灾边缘点监测算法，其特征在于：所述S5中，MobileCBAM-Net包括三个模块注意力模块、残差网络、深度可分离卷积；首先建立两个注意力模块，分别为通道注意力模块和空间注意力模块。

5.根据权利要求4所述的森林火灾图片实时分割和火灾边缘点监测算法，其特征在于：通道注意力模块输入为多通道特征图，同时经过一个最大池化层和平均池化层；将得到的结果分别输入到shared MLP网络中，然后再同时经过一个最大池化层和平均池化层，将其两者的结果相加，最后通过激活函数后获得调整后的通道注意力特征。

6.根据权利要求5所述的森林火灾图片实时分割和火灾边缘点监测算法，其特征在于：空间注意力模块输入为调整后的通道注意力特征，进行空间上的特征提取，先经过一个最大池化，再通过一个平均池化层后，添加一个激活函数得到空间注意力特征。

7.根据权利要求6所述的森林火灾图片实时分割和火灾边缘点监测算法，其特征在于：将得到的空间注意力特征与原特征使用残差得到微调后的图片特征；MobileCBAM-Net模型优点是可以兼顾空间和通道的特征，是一个轻量级的网络；满足森林火灾图片分割快速获取结果的需求，速度在1到2秒之间。