【技术实现步骤摘要】
本专利技术属于深度学习领域，尤其是涉及一种基于改进yolov5的小目标森林火灾识别方法。
技术介绍
1、森林火灾是摧毁森林的首要自然灾害之一，全球每年都会发生森林火灾，这种火灾通常持续时间长且较难扑灭，对林业生产造成了严重的危害。2021年我国发生了616起森林火灾，波及面积超过4000hm2。如果能在森林火灾即将发生或者初期阶段就发现并加以遏止，就可以尽量利用最少的资源来防止森林大火灾的发生，并避免在后期可能出现的危害。由于受制于技术水平的限制，在早些时候，人类通常运用传统方法来检测森林火灾，如在我国早期使用的方法就是在地面进行人工巡逻，从而了解是否发生了火灾。除此之外，还有一些其他传统的森林火灾检测方法，比如瞭望塔监测、遥感技术和航空巡逻等等。然而，这些传统的检测方法各自存在着不同的缺陷，例如：人工巡逻和瞭望塔检测效率低下、人力成本高昂，卫星遥感需要每隔1-2天才能提供一次完整的地球图像，无法实现快速实时探测。
2、在深度学习技术得到迅猛发展之后，越来越多的学者将目标检测方法用于森林火灾的检测。为了解决在森林火灾初期火灾目标的尺寸较小，神经网络模型无法学习到有效的信息，导致小目标森林火灾识别精度低的问题，本专利技术提出了一种基于改进yolov5的小目标森林火灾识别方法。
技术实现思路
1、鉴于以上所述现有技术的缺点，本专利技术的目的在于提供一种基于改进yolov5的小目标森林火灾识别方法，该方法包括以下步骤：
2、步骤一：对森林火灾图像进行预处理，将预处
3、步骤二：构建基于改进yolov5的小目标森林火灾卷积神经网络模型；
4、步骤三：将预处理后的训练集输入到所构建基于改进yolov5的小目标森林火灾卷积神经网络模型中进行训练，得到训练好的网络模型；
5、步骤四：将测试集图像输入训练好的模型中进行测试，即可得到森林火灾目标识别的测试结果；
6、其中，所述的基于改进yolov5的小目标森林火灾卷积神经网络模型包括输入端、主干部分、颈部和输出端。
7、所述的输入端包括mosaic数据增强、自适应锚框计算和自适应图片缩放。
8、所述mosaic数据增强包括对图片的随机缩放、随机裁剪、随机排布的方式进行拼接。
9、所述自适应锚框计算为设定初始设定长宽的锚框，在网络训练中，网络在初始锚框的基础上输出预测框，进而和真实框groundtruth进行比对，计算两者差距，再反向更新，迭代网络参数。锚框大小设置一共为4个，大小设定为[4,5，8,10,22,18]、[10,13，16,30，33,23]、[30,61，62,45，59,119]、[116,90，156,198，373,326]
10、所述自适应图片缩放为将原始图片统一缩放到640*640，再送入神经网络中。
11、所述的主干部分网络的具体步骤为：
12、通过将经过输入端处理的图片输入到foucs结构，原始640*640*3的图像输入focus结构，采用切片操作，先变成320*320*12的特征图，再经过一次32个卷积核的卷积操作，最终变成320*320*32的特征图。
13、通过将经过foucs结构处理后的结构输入到四个特征提取层。四个特征提取层位于主干部分cspdarknet的不同位置，分别位于上层、中间层、中下层和底层，当输入的shape为(640,640,3)的时候，四个特征提取层的向颈部输出的shape分别为feat0＝(160,160,128)、feat1＝(80,80,256)、feat2＝(40,40,512)、feat3＝(20,20,1024)。
14、所述的颈部部分网络的具体步骤为：
15、通过feat3＝(20,20,1024)的特征层进行一次1×1卷积(cbs模块)调整通道后获得p3，p3进行上采样upsampling2d后与feat2＝(40,40,512)特征层进行concat，然后使用c3_1f模块进行特征提取获得p3_1f，此时获得的特征层为(40,40,512)。
16、通过p3_1f＝(40,40,512)的特征层进行一次1×1卷积(cbs模块)调整通道后获得p2，p2进行上采样upsampling2d后与feat1＝(80,80,256)特征层进行结合，然后使用c3_1f模块进行特征提取获得p2_1f，此时获得的特征层为(80,80,256)。
17、通过p2_1f＝(80,80,256)的特征层进行一次1×1卷积(cbs模块)调整通道后获得p1，p1进行上采样upsampling2d后与feat1＝(160,160,128)特征层进行结合获得p0，此时获得的特征层为(160,160,128)。
18、通过p0＝(160,160,128)的特征层使用c3_1f模块进行特征提取获得p0_out，p0_out分为两条支路，一条支路进行预测获得(160,160,128)的预测结果，另一条支路进行一次3×3卷积进行下采样，下采样后与p1堆叠获得p1_concat，此时获得的特征层为(80,80,256)。
19、通过p1＝(80,80,256)的特征层使用c3_1f模块进行特征提取获得p1_out，p1_out分为两条支路，一条支路进行预测获得(80,80,256)的预测结果，另一条支路进行一次3×3卷积进行下采样，下采样后与p2堆叠获得p2_concat，此时获得的特征层为(40,40,512)。
20、通过p2＝(40,40,512)的特征层使用c3_1f模块进行特征提取获得p2_out，p2_out分为两条支路，一条支路进行预测获得(40,40,512)的预测结果，另一条支路进行一次3×3卷积进行下采样，下采样后与p1堆叠获得p3_concat，此时获得的特征层为(20,20,1024)。
21、通过p3＝(20,20,1024)的特征层使用c3_1f模块进行特征提取获得p3_out，输出端对p3_out进行预测获得(20,20,1024)的预测结果。
22、所述的输出端包括bounding box损失函数和nms非极大值抑制。
23、如上所述，本专利技术的一种基于改进yolov5的小目标森林火灾识别方法，具有以下有益效果：
24、(1)将spp模块改进为csp-sppfp模块加融合更多的特征，能够实现更丰富的梯度组合减少计算量，不仅能获得更大的感受野还能更好地保留小目标森林火灾的全局信息。
25、(2)加入了triplet注意力机制，能获取更多特征信息，帮助模型更加精准地定位和识别小目标火灾。
26、(3)在yolov5模型的基础上增加一个小目标检测层,通过增加模型对细粒特征的分辨能力，从而增强模型对小目标的检测效果。
本文档来自技高网...【技术保护点】
1.一种基于改进YOLOv5的小目标森林火灾识别方法，其特征在于，该方法包括以下步骤：
2.根据权利要求1所述的基于改进YOLOv5的小目标森林火灾识别方法，其特征在于，所述卷积神经网络模型包括输入端、主干部分、颈部和输出端。
3.根据权利要求2所述的基于改进YOLOv5的小目标森林火灾识别方法，其特征在于，所述输入端操作包括Mosaic数据增强、自适应锚框计算和自适应图片缩放。
4.根据权利要求3所述的基于改进YOLOv5的小目标森林火灾识别方法，其特征在于，所述主干部分网络的具体步骤为：
5.根据权利要求2所述的基于改进YOLOv5的小目标森林火灾识别方法，其特征在于，所述颈部部分网络的采用了FPN结构，在颈部网络中的C3_1F模块中也加入了Triplet注意力模块。
6.根据权利要求2所述的基于改进YOLOv5的小目标森林火灾识别方法，其特征在于，所述输出端操作包括Bounding box损失函数和nms非极大值抑制。
7.根据权利要求3所述的基于改进YOLOv5的小目标森林火灾识别方法，其特征在于，所
8.根据权利要求3所述的基于改进YOLOv5的小目标森林火灾识别方法，其特征在于，所述自适应锚框计算为设定初始设定长宽的锚框，在网络训练中，网络在初始锚框的基础上输出预测框，进而和真实框groundtruth进行比对，计算两者差距，再反向更新，迭代网络参数，锚框大小设置一共为4个，大小设定为[4,5，8,10,22,18]、[10,13，16,30，33,23]、[30,61，62,45，59,119]、[116,90，156,198，373,326]。
9.根据权利要求4所述的基于改进YOLOv5的小目标森林火灾识别方法，其特征在于，所述自适应图片缩放为将原始图片统一缩放到640*640，再送入神经网络中；
10.根据权利要求6所述的基于改进YOLOv5的小目标森林火灾识别方法，其特征在于，所述Bounding box损失函数采用CIOU_Loss做Bounding box的损失函数；
...【技术特征摘要】
1.一种基于改进yolov5的小目标森林火灾识别方法，其特征在于，该方法包括以下步骤：
2.根据权利要求1所述的基于改进yolov5的小目标森林火灾识别方法，其特征在于，所述卷积神经网络模型包括输入端、主干部分、颈部和输出端。
3.根据权利要求2所述的基于改进yolov5的小目标森林火灾识别方法，其特征在于，所述输入端操作包括mosaic数据增强、自适应锚框计算和自适应图片缩放。
4.根据权利要求3所述的基于改进yolov5的小目标森林火灾识别方法，其特征在于，所述主干部分网络的具体步骤为：
5.根据权利要求2所述的基于改进yolov5的小目标森林火灾识别方法，其特征在于，所述颈部部分网络的采用了fpn结构，在颈部网络中的c3_1f模块中也加入了triplet注意力模块。
6.根据权利要求2所述的基于改进yolov5的小目标森林火灾识别方法，其特征在于，所述输出端操作包括bounding box损失函数和nms非极大值抑制。
7.根据权利要求3所述的基于改进yolov5...
【专利技术属性】
技术研发人员：黄建华，罗明明，孙希延，纪元法，符强，王守华，严素清，于政尧，万逸轩，
申请(专利权)人：桂林电子科技大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。