一种基于深度学习的森林火灾检测方法技术

本发明专利技术公开了一种基于深度学习的森林火灾检测方法，涉及火灾检测技术领域；它的方法如下：使用数据增强方法对训练集中的森林火灾数据集进行数据扩充与增强，将处理后的数据输入特征提取网络，将提取到的特征输入到改进后的YOLOv7网络中，进行训练，并输出检测与识别结果；本发明专利技术针对森林火灾场景复杂多变、且森林火灾数据集样本较少的问题，深入研究多种数据增强方法，最后采用Mosaic9数据增强方法对所用森林火灾数据集进行扩充与增强；改进的YOLOv7模型使用的主干特征提取网络的参数依旧很大，使用轻量级框架网络替换YOLOv7原有的特征提取网络，通过使用更少的计算量来加快检测的速度。测的速度。测的速度。

【技术实现步骤摘要】
一种基于深度学习的森林火灾检测方法


[0001]本专利技术属于火灾检测
，具体涉及一种基于深度学习的森林火灾检测方法。

技术介绍

[0002]森林是不仅是大自然宝贵的资源，还为人类的生活提供了大量的原材料，更重要的是它在净化水源、阻挡风暴、预防水土流失等方面发挥着重要的作用。同时森林还是大量稀有动物的家园，是地球生态系统中至关重要的一份子。然而近年来随着全球气候变化异常，生态环境不断恶化，森林火灾的发生也愈加频繁。近两年全球各地发生了多起火灾。
[0003]早期的森林火灾检测主要依靠人力和机械设备完成对森林的巡检，比如通过人力巡检、摄像头、瞭望塔等设备来监测，依靠人力巡逻检测有无火灾的发生，利用瞭望塔的设备远距离监测，通过给林区安装摄像头来检测森林火灾，通过飞机航视来监测，卫星监测等等。但它们都有一些不可克服的缺点，导致在实际的森林火灾检测过程中产生障碍。
[0004]对于森林火灾烟雾检测主要面临以下几种困难：(1)火灾烟雾和火焰没有固定的形态，个体形状差异非常大，这导致了标注数据集和检测数据的困难；(2)自然界中会存在一些干扰物体，它们的外观形状和目标物体很相似，比如云和白烟，这也给目标检测提出了挑战；(3)样本稀少没有数量足够且权威的数据集，森林环境的背景差异较大，在采集数据时很难将所有的背景都包括在内。

技术实现思路

[0005]为解决
技术介绍
中的问题；本专利技术的目的在于提供一种基于深度学习的森林火灾检测方法。
[0006]本专利技术的一种基于深度学习的森林火灾检测方法，它的方法如下：
[0007]步骤一：使用数据增强方法对训练集中的森林火灾数据集进行数据扩充与增强，作为整个训练网络的输入；
[0008]步骤二：将处理后的数据输入特征提取网络，对森林火灾图片数据进行特征提取，由于加入了跨阶段特征融合策略，有效减少特征提取过程中产生冗余的可能性；
[0009]步骤三：将提取到的特征输入到改进后的YOLOv7网络中，进行训练，得到森林火灾检测的模型；
[0010]步骤四：将测试集图像输入至改进后的同一网络中，调用训练得到的森林火灾检测的模型对测试集中图像进行检测与识别，并输出检测与识别结果。
[0011]与现有技术相比，本专利技术的有益效果为：
[0012]一、针对森林火灾场景复杂多变、且森林火灾数据集样本较少的问题，深入研究多种数据增强方法，最后采用Mosaic9数据增强方法对所用森林火灾数据集进行扩充与增强。
[0013]二、针对目标检测过程中小目标像素少、覆盖面积小、信息少，容易出现漏检情况的问题，提出了一种改进的YOLOv7目标检测模型。
[0014]三、改进的YOLOv7模型使用的主干特征提取网络的参数依旧很大，使用轻量级框架网络替换YOLOv7原有的特征提取网络，通过使用更少的计算量来加快检测的速度。
附图说明
[0015]为了易于说明，本专利技术由下述的具体实施及附图作以详细描述。
[0016]图1为本专利技术中MP框架改进后的框图；
[0017]图2为本专利技术中改进后的网络结构模型。
具体实施方式
[0018]为使本专利技术的目的、技术方案和优点更加清楚明了，下面通过附图中示出的具体实施例来描述本专利技术。但是应该理解，这些描述只是示例性的，而并非要限制本专利技术的范围。本说明书附图所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本专利技术可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本专利技术所能产生的功效及所能达成的目的下，均应仍落在本专利技术所揭示的
技术实现思路
能涵盖的范围内。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本专利技术的概念。
[0019]在此，还需要说明的是，为了避免因不必要的细节而模糊了本专利技术，在附图中仅仅示出了与根据本专利技术的方案密切相关的结构和/或处理步骤，而省略了与本专利技术关系不大的其他细节。
[0020]本具体实施方式采用以下技术方案：
[0021]一、数据增强方法：
[0022]在深度学习中，深度网络需要大量的训练数据来很好地归纳和达到良好的准确性。但在某些情况下，图像数据不够大。在这种情况下，需要使用一些技术来增加的训练数据，人为的创建训练数据，使用如随机旋转、位移、剪切和翻转等技术处理给定的数据在对训练数据进行训练时，训练样本的多样性可直接影响到训练模型的检测与识别结果，对样本数据进行扩充与增强，可减少训练过程中由于数据不足或是数据样本中各类别数量差异较大导致的模型精度较差的问题，对数据集进行数据增强，可平衡各类别样本之间的数量差异。
[0023]采用的Mosaic9数据增强模块，是Mosaic数据增强的增强版，多达九幅图像可以被随机缩放、随机裁剪和随机排列，使九张图像合并成一个图像。Mosaic9数据增强使得增强后的图片能够拥有9张图片的信息，相当于变相的提高了单次训练批次的数量。同时，Mosaic9数据增强相对于Mosaic数据增强在小目标检测效果上有一定的提高。
[0024]二、改进K
‑
means聚类算法：
[0025]传统的K
‑
means聚类算法对初始聚类中心的确定具有随机性，同时也可能会选到孤立点或噪声点,这样可能会导致聚类结果与样本数据集的真实分布不一致，得不到正确的聚类结果。因此根据样本空间的紧密程度最高(即方差最小)的原则，提出了再采用引入权重后的平均距离作为半径,选取K个位于不同区域的初始聚类中心，提出了结合样本密度和权重改进的K
‑
means聚类算法根据方差最小的原则优化初始聚类中心的选择可以避免其随机性，同时初始聚类中心从相距较远的簇中选取从而避免其位于同一簇中，引入权重是
为了减少离群点对聚类结果的影响。基本步骤：
[0026]1.输入数据集M＝{x1,x2,x3,
…
,x
n
},分类数K，输出K个聚类簇。
[0027]2.确定初始聚类中心，计算出每个样本点的方差,找到方差最小的样本点x
1i
作为初始聚类中心，计算出样本数据点平均欧氏距离作为为半径，得到第一个聚类集合M1，M1＝{d(x
j
,x
i1
)<cmean,j＝1,2,...,n}。
[0028]3.令M＝M
‑
M1，在新的数据集中找到方差最小的样本点x
2i
作为聚类中心，以样本点平均距离为半径,得到第二个聚类集合M2，M2＝{d(x
j
,x
i2
)<cmean,j＝1,2,...,n}。
[0029]4.重复上述步骤，直到找到K个互不相交的集合。
[0030]三、改进YOLOv7算法：
[0031]YOLOv7网络主要包含了Input(本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的森林火灾检测方法，其特征在于：它的方法如下：步骤一：使用数据增强方法对训练集中的森林火灾数据集进行数据扩充与增强，作为整个训练网络的输入；步骤二：将处理后的数据输入特征提取网络，对森林火灾图片数据进行特征提取，由于加入了跨阶段特征融合策略，有效减...

【专利技术属性】
技术研发人员：范书坡，李双全，
申请(专利权)人：哈尔滨理工大学，
类型：发明
国别省市：