一种轻量级小目标森林火灾检测模型的训练方法及系统

本技术涉及森林火灾检测，特别涉及一种轻量级小目标森林火灾检测模型的训练方法及系统。

背景技术：

1、传统的火灾检测方法主要依靠人工巡逻和地面监测设备，但这些方法覆盖范围有限，响应速度慢，难以及时发现和控制火灾。随着科技的发展，计算机视觉技术在森林火灾检测中逐渐发挥重要作用。计算机视觉技术利用图像处理和模式识别算法，从摄像头、无人机和卫星拍摄的图像或视频中提取有用信息，自动识别和定位火灾。这种技术可以大幅提升火灾检测的准确性和效率，实现火灾的早期预警和快速响应，减少火灾带来的损失。目前，常用的计算机视觉方法包括卷积神经网络（cnn）、目标检测算法（如yolo、faster r-cnn）以及图像分割技术（如u-net）。通过深度学习算法对大量火灾图像进行训练，这些方法能够识别火焰和烟雾特征，特别是在无人机和卫星的辅助下，可以对大范围区域进行实时监控，提供高精度的火灾图像数据。

2、尽管计算机视觉技术在森林火灾检测中展现了巨大的潜力，但仍存在一些缺陷和不足。第一，火灾检测的准确性受到环境条件的影响。在复杂的森林环境中，光照变化、树木遮挡和烟雾扩散等因素会干扰图像质量，导致检测算法误报和漏报，此外，阴影、雾霾和云层等自然现象也会对火灾识别造成干扰，增加了检测的难度，降低了检测算法速度。第二，现有火灾检测模型在处理小目标火灾时的能力不足也是一个重要问题。小范围的火源在初期往往不易被传统检测算法捕捉到，这些算法通常对大面积火灾表现良好，但在检测初期的小火点时，容易出现漏报，从而错失最佳灭火时机。第三，现有火灾检测系统的实时性和响应速度仍需提高。尽管深度学习算法能够快速处理图像数据，但在大范围区域的实时监测和预警方面仍存在挑战，需要进一步优化算法和提高计算资源的利用效率。

技术实现思路

1、基于此，本技术提出一种轻量级小目标森林火灾检测模型的训练方法及系统，旨在能够快速准确地对小目标森林火灾进行检测。

2、本技术的第一方面提供了一种轻量级小目标森林火灾检测模型的训练方法，所述方法包括:

3、获取关于森林火灾的初始图像数据集，并对所述初始图像数据集进行数据增强；

4、构建starelan网络，将所述starelan网络作为yolov9模型中特征提取的主网络，并对yolov9模型进行缩小调整，以轻量化所述yolov9模型；

5、在轻量化的所述yolov9模型中增设小目标检测头，并在所有检测头中引入lsk注意力机制，以捕捉小目标森林火灾；

6、构建inner-ciou损失函数，将所述inner-ciou损失函数作为轻量级小目标森林火灾检测模型的最终损失函数；

7、根据所述inner-ciou损失函数，将数据增强后的所述初始图像数据集对所述轻量级小目标森林火灾检测模型进行检测训练。

8、与现有技术相比，本技术提供的一种轻量级小目标森林火灾检测模型的训练方法，该训练方法一方面提出了一种轻量型特征提取网络，以适用于嵌入式设备，在该轻量型特征提取网络中包括starelan网络，将starelan网络作为yolov9模型中的特征提取网络，以增大感受野，减小模型参数，starelan网络是轻量高效网络架构，在保持轻量和快速响应的同时能够满足高精度需求；另一方面增加小目标检测头，以增强对小目标森林火灾的检测能力，通过使用lsk注意力机制，提高检测精度、处理复杂背景、增强特征表达、提升上下文信息捕捉能力，并且使用inner-ciou替换yolov9的ciou的损失函数，进一步增强了对小目标森林火灾的检测能力。因此，本技术基于该训练方法得到森林火灾检测模型能够快速准确地对小目标森林火灾进行检测。

9、作为第一方面的一种可选实施方式，构建inner-ciou损失函数，所述inner-ciou损失函数用于优化训练所述森林火灾检测模型，其中，构建的inner-ciou损失函数的公式为：

10、，

11、其中，表示最终的inner-ciou损失，表示ciou损失，iou表示预测框与目标框的交并比，代表辅助框的iou值，其中，

12、，

13、，

14、，

15、其中，，

16、，

17、，

18、，

19、其中，inter代表真实框对应的辅助框与预测框对应的辅助框相交部分的面积，union代表真实框对应的辅助框与预测框对应的辅助框二者并集的面积,、表示真实框的宽和长，(，)代表真实框的中心坐标，(,)代表锚框的中心坐标，w、h分别表示锚框的宽和高,ratio是对应的尺度因子，、分别代表真实框对应的辅助框的横坐标,、分别代表真实框对应的辅助框的四个顶点的纵坐标,分别代表预测框对应的辅助框的横坐标，、分别代表预测框对应的辅助框的纵坐标。

20、作为第一方面的一种可选实施方式，将所述starelan网络作为yolov9模型中特征提取的主网络的提取过程包括：

21、输入初始张量进行1*1的逐点卷积，接着经过批归一化和silu激活函数，将输出的初始张量沿通道维度均匀分割张量一和张量二，将张量二输入bandblock结构得到张量三，将张量一、张量二和张量三沿通道维度相乘，再进行1*1的逐点卷积，批归一化和silu激活，得到starelan网络的张量输出。

22、所述将张量二输入bandblock结构得到张量三的过程包括：

23、输入所述张量二，先进行1*7的条形卷积，经过批归一化和silu激活函数，接着进行7*1的条形卷积，经过批归一化和silu激活函数，得到输出所述张量三。

24、作为第一方面的一种可选实施方式，对yolov9模型进行缩小调整的调整过程包括：

25、调整所述yolov9模型的通道缩放因子和深度缩放因子,使网络通道数减少为原来的四分之一以及使重复次数缩小为原来的三分之一。

26、作为第一方面的一种可选实施方式，在轻量化的所述yolov9模型中增设小目标检测头，并在所有检测头中引入lsk注意力机制的过程包括：

27、在轻量化的所述yolov9模型中设置检测头数量为n,其中，增设的小目标检测头数量为m，且m<n ，当输入的图像数据集通过所述starelan网络进行特征提取后，分别输入starelan网络对应的检测头，通过panet网络进行特征融合后，在每个检测头中根据lsk注意力机制得到n个特征图层,其中，n个特征图层中表示检测到小目标森林火灾的特征图层有m个。

28、所述lsk注意力机制的处理过程包括：

29、输入starelan网络的输出张量,通过深度可分离卷积输出为注意力图一,注意力图一通过膨胀卷积输出为注意力图二，注意力图一和注意力图二通过卷积将通道数减半,然后通过特征融合将注意力图一和注意力图二在通道维度上连接得到注意力图,计算注意力图的平均值注意力和最大值注意力，在通道维度上进行连接得到输出一,输出一进行卷积，并通过sigmoid激活函数，得到通道注意力权重,所述注意力图一和所述注意力图二分别乘以所述通道注意力权重，在通道维度上进行加权求和，得到加权后的特征图,加权后的特征图通过卷积恢复原始通道数,starelan网络的输出张量和加权后的特征图相乘，得到lsk注意力机制的输出。

30、本技术实施例的第二方面提供了一种轻量级小目标森林火灾检测模型的森林火灾检测方法，所述森林火灾检测方法包括：获取关于森林火灾的初始图像，并将所述初始图像输入上述轻量级小目标森林火灾检测模型中，输出检测结果。

31、本技术实施例的第三方面提供了一种轻量级小目标森林火灾检测模型的训练系统，所述系统包括：

32、数据获取模块，用于获取关于森林火灾的初始图像数据集，并对所述初始图像数据集进行数据增强；

33、轻量型特征提取模块，用于构建starelan网络，将所述starelan网络作为yolov9模型中特征提取的主网络，并对yolov9模型进行缩小调整，以轻量化所述yolov9模型；

34、小目标检测模块，用于在轻量化的所述yolov9模型中增设小目标检测头，并在所有检测头中引入lsk注意力机制，以捕捉小目标森林火灾；

35、损失计算模块，用于构建inner-ciou损失函数，将所述inner-ciou损失函数作为轻量级小目标森林火灾检测模型的最终损失函数；

36、结果输出模块，用于根据所述inner-ciou损失函数，将数据增强后的所述初始图像数据集对所述轻量级小目标森林火灾检测模型进行检测训练。

37、本技术实施例的第四方面提供了一种计算机设备，所述计算机设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的处理程序，所述处理程序被所述处理器执行时实现上述一种轻量级小目标森林火灾检测模型的训练方法。

38、本技术的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本技术的实施例了解到。