本发明属于火灾检测，具体涉及一种基于深度学习的森林火灾检测方法。
背景技术：
1、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。
2、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。
3、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
1、为解决背景技术中的问题；本发明的目的在于提供一种基于深度学习的森林火灾检测方法。
2、本发明的一种基于深度学习的森林火灾检测方法，它的方法如下：
3、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；
4、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；
5、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；
6、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。
7、与现有技术相比，本发明的有益效果为：
8、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。
9、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。
10、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。
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：