[发明专利]一种基于轻量级无锚检测模型的可见光森林火灾检测方法

说明书

一种基于轻量级无锚检测模型的可见光森林火灾检测方法，标注红外森林火灾图像数据集各图像中火焰的位置和类别信息，得到火焰数据集，并划分训练集、验证集和测试集；构建改进的轻量级无锚检测神经网络，利用主干特征提取网络MobileNetv3g及多尺度最大池化操作提取火灾特征，利用D‑PANet对特征层由深至浅对火灾的特征进行加强特征融合；之后传入ASFF模块进行自适应空间特征融合，使用解耦头解码预测的火焰目标类别信息和位置回归信息进行多尺度预测，得到预测结果；将预测结果进行得分排序和非极大值抑制筛选，筛选出一定区域内得分最高并满足置信度的预测框，由此得到最终的火灾预测结果，本发明具有良好的检测效果。

技术领域

本发明属于深度学习图像处理技术领域，具体涉及一种基于轻量级无锚检测模型的可见光森林火灾检测方法。

背景技术

森林火灾是一种突发性强、破坏力大、发生范围广和扑救困难的自然灾害。它不仅烧毁林木，破坏森林环境，还严重影响到了森林生态系统的稳定与平衡，威胁人民群众的生命财产安全。随着成像技术与计算机视觉技术的不断发展，基于图像的火灾检测技术成为一大研究热点。它不仅可以满足远距离火灾探测的要求，还能够给出详细的火情信息，有利于森林火灾的及时发现与扑救。可见光图像中的火灾目标特征非常复杂，采用传统算法难以得到理想的检测效果。近年来，深度学习的方法在目标检测领域展现出了卓越的性能，为森林火灾检测提供了新的思路。常用的深度学习算法中，YOLO系列算法由于其不可比拟的快速性与准确性，被广泛应用于目标检测领域。

采用基于深度学习的方法进行森林火灾检测虽然会得到较高的检测精度，但由于需要对深度学习的模型进行训练，因此对配置的要求会比较高。然而，森林火灾检测系统常搭载于巡检台或无人机等移动设备上，对设备的配置要求不能过高。针对以上问题，本发明将YOLO系列中最新的无锚结构YOLOX作为基本框架，引入改进的轻量级网络MobileNetv3g，建立一种轻量级的无锚可见光林火检测模型，使得模型可以较好地搭载在移动设备上，并能够得到较精确的检测结果。

发明内容

有鉴于此，本发明的主要目的在于提供一种基于轻量级无锚检测模型的可见光森林火灾检测方法。

为达到上述目的，本发明的技术方案是这样实现的：

一种基于轻量级无锚检测模型的森林火灾检测方法，包括以下步骤：

步骤1，获取红外森林火灾图像数据集，标注各图像中火焰的位置和类别信息，得到火焰数据集，对标注后的每幅图像进行预处理，并划分训练集、验证集和测试集；

步骤2，构建改进的轻量级无锚检测模型，利用主干特征提取网络MobileNetv3g对输入图像进行火灾特征提取，得到三个有效特征层Feature1、Feature2与Feature3；

步骤3，对有效特征层Feature3通过空间金字塔池化模块SPP进行多尺度最大池化处理；

步骤4，将有效特征层Feature1、Feature2与Feature3输入到加强特征提取网络D-PANet，对特征层由深至浅进行加强特征融合，然后使用下采样将浅层的位置信息传递到深层特征中，与深层的语义信息相融合，输出特征层Level1、Level2与Level3；

步骤5，将特征层Level1、Level2与Level3传入自适应空间特征融合模块ASFF进行自适应空间特征融合，然后使用1×1卷积压缩到原来的通道数，输出特征层ASFF-1、ASFF-2与ASFF-3；

步骤6，将特征层ASFF-1、ASFF-2与ASFF-3输入到预测网络中，进行多尺度预测，使用解耦头解码预测的目标类别信息和位置回归信息，得到预测结果；

步骤7，将预测结果进行得分排序和非极大值抑制筛选，筛选出一定区域内得分最高并满足置信度的预测框，由此得到最终的火灾预测结果。