基于GS-YOLOv5的森林火灾检测方法

本发明涉及目标检测领域，主要涉及一种基于gs-yolo v5的森林火灾检测方法。

背景技术：

1、收到全球变暖的影响，森林火灾也频繁的在世界各地发生。每一次森林火灾的发生都是对当地生态系统的一次严重打击，同时也会危害人民的生命财产安全。鉴于森林火灾蔓延迅速，需要在火灾发生早期对其进行检测。针对火焰检测，可以通过传感器和红外或紫外探测器。但是，森林的火灾的检测环境广阔、复杂。传统的火焰检测技术会受到更多的干扰，所需要的成本更高。并且无法提供火灾发生位置的空间信息。卫星遥感可以更好提供大型火灾检测结果，但是对于森林火灾早期的检测较差。

2、随着深度学习的不断发展，基于深度学习的森林火灾检测方法被提出。深度学习算法的无监督特征学习不仅解决了人工提取特征的难题，识别精度与速度也远远超越了传统算法。作为一种单级探测器，yolo系列的每代算法都保持了准确度与速度的良好结合。redmond等人在2016年提出了第一个版本(yolo)，这被认为是实时目标检测/跟踪的突破。之前的对象检测器(如r-cnn和fast r-cnn)依赖于区域建议，以建议给定图像中的潜在对象边界框，然后是边界框分类，以对其中的对象进行分类，最后是边界框细化和重复删除。尽管这些框架取得了巨大的成功，但它们的体系结构相当复杂。例如，前面的每个组件都需要单独训练，而推理仍然很慢。为了解决这些瓶颈，yolo从回归的角度解决了目标检测问题，之前的组件在单个网络中联合执行。这大大减少了推理开销和假警报。此外，yolo还表现出很高的泛化能力。

3、但相比于其他目标检测，森林火灾的数据集内的图片更为复杂、干扰因素更多。图像中的夕阳、枫叶、雾气等都有可能干扰到检测，从而导致检测的假阳性率过高。上述算法为了提高检测速度，牺牲了特征提取层的精度从而达不到理想的检测精度。

技术实现思路

1、本发明要解决的技术问题在于，针对数据集中干扰过多使得森林火灾检测假阳性率过高和特征提取不足导致精确度达不到预期目标等问题，提供了一种基gs-yolo v5的森林火灾检测方法。

2、本发明解决其技术问题所采用的技术方案，主要包括以下步骤：

3、在本发明中，首先将数据集图片经过数据增强的方法处理后构造虚拟样本，并将虚拟样本与原始数据进行混合共同形成新数据集，此时新数据集样本数量为原始数据集的1.5倍。将新数据集送入网络进行训练，随着样本数量的增加，检测精度满足不了需求。

4、其次，本文对yolo v5网络结构进行改进，在backbone网络最后的c3块后加入一个位置注意力块(ca，coordinate attention)，可将其视为一个增强算法学习特征表达能力的计算单元，能够准确地定位图像中感兴趣对象的位置且不会显著增加参数量。使用一种新型的super-sppf模块，其借鉴了csp结构在避免图像处理造成失真的同时，保留了更多的语义信息，从而降低了检测方法的假阳性率。通过串行的softpooling与ghostconv结构，提升了检测速度并降低了模型的参数量。

5、本发明的有益效果是，通过应用数据增强的算法给算法加入人为噪声，有效缓解训练过程中出现的假阳性率过高的现象；通过在yolo v5网络内部的backbone部分中的最后一个c3层之后加入位置注意力机制，经过训练，能够对特征图不同空间与通道位置进行权重的赋值，进而区分判别性特征与非判别性特征，能够提升整体的特征提取能力，且根据特征的重要性赋予权重，保证提取的特征信息的完整性，最终提升森林检测中小目标的精度。再应用super-sppf结构，保留了特征图更多的语义信息，从而提高了运算速度。通过在主干网络与super-sppf块中结合ghost module的思想，降低模型的参数量。

技术特征：

1.一种基于gs-yolo v5的森林火灾检测算法，主要包括以下步骤：s01)把所得的数据集进行数据增强(例如，饱和度、马赛克、色调、图片翻转)，使用labelimg软件进行数据集标注；s02)将总数据集按照8:1:1的比例化为训练集、验证集、测试集。接下来把所有数据集的图片输入到gs-yolov5网络中；s03)将网络中的sppf替换为super-sppf块，同时在主干网络中的倒数第三层引入位置注意力机制，同时将c3块与ghostmodule结合得到c3ghost块并对网络中的c3块进行替换；s04)统一归一化后的训练集、测试集图片输入到加入gs-yolo v5网络中进行训练。

2.根据权利要求1所述的森林火灾检测算法，其特征在于，所述s1中，使用opencv对图像进行数据增强，模拟摄像头在野外的拍摄场景从而提高算法的鲁棒性。

3.根据权利要求1所述的森林火灾检测算法，其特征在于，所述s3中，使用super-sppf模块对网络进行改进：在sppf原有的基础上，增加了一条分支使其构成残差网络的结构；在输入端依次添加卷积核为1×1、3×3、1×1的ghost conv块，在串行池化层的输出端依次添加卷积核大小为1×1、3×3的ghost conv块；在新增的分支中添加卷积核为1×1的ghostconv块；使用串行的softpooling块替换原有的并行maxpooling块。

4.根据权利要求1所述的森林火灾检测算法，其特征在于,所述s3中，使用位置注意力机制同时获取通道间关系以及长距离的位置信息，在少量增加参数量的同时提高检测精度。

5.根据权利要求1所述的森林火灾检测算法，其特征在于,所述s3中，在c3模块的卷积层中引入了ghost module，增加了模型的非线性跟泛化能力，同时大大降低了模型的参数量。

技术总结
本发明公开一种基于GS‑YOLO v5的森林火灾检测方法。首先使用翻转、人为添加噪声等方法扩充数据集，同时添加云、雨、雾、夕阳等数据集，通过上述两种方法增加数据量并在一定程度上提高了算法的鲁棒性；其次，本文提出了一种新型的Super‑SPPF模块，其借鉴了CSP结构在避免图像处理造成失真的同时，保留了更多的语义信息，从而降低了检测方法的假阳性率。然后，通过串行的SoftPooling与GhostConv结构，提升了检测速度并降低了模型的参数量。最后，在YOLOv5的Backbone中引入了位置注意力(CA)模块来获取通道与空间之间的关系，使得网络可以更准确地获取感兴趣的位置信息，进一步提升了早期火灾的检测精度。为了验证所提出方法的性能，本发明建立了DLFire数据集，通过收集大量的干扰样本提高了模型的鲁棒性并有效地降低了假阳性率。

技术研发人员：陈寅生,李家豪,张莹
受保护的技术使用者：哈尔滨理工大学
技术研发日：
技术公布日：2024/1/15