一种基于多元复合深度学习的森林火灾监测方法与流程

本发明属于森林火灾监测，尤其是涉及一种基于多元复合深度学习的森林火灾监测方法。

背景技术：

1、随着气候暖干化现象日益严重，人类活动对森林干扰持续增加，多方因素导致森林火灾频发，对于森林火灾的类型、火灾发展阶段进行监测对于火灾扑救有着重要的意义。

2、近年来，物联网、大数据和以机器学习为代表的人工智能技术的快速发展，为森林火灾的监测预警提供了契机。当前对于森林多类型火灾的监测方法主要采用基于历史森林火灾数据、物联网数据、地理环境数据等，采用物联网数据传输关键技术、频谱分析技术、机器学习算法等建立森林火灾检测模型，当前的检测模型存在以下问题：第一，偏重数据统计，轻森林火灾演化规律：采用历史火灾数据与地理数据进行火险因子分析，使得对于尚未发生或鲜有发生火灾的森林区域适用性较差；且森林地区地理数据通常更新周期较长，无法完成和历史森林火灾的时间尺度完成匹配。第二，极易受到环境噪声影响：在采用噪声频谱分析技术进行森林火灾分类时，火灾噪声频谱趋势线在受到环境噪声影响时极易改变振幅走向，造成分类错误。第三，现有技术主要侧重对森林火灾的分类，但对不同类型的森林火灾的发展阶段尚未进行有效判断。

技术实现思路

1、有鉴于此，本发明旨在提出一种基于多元复合深度学习的森林火灾监测方法，以期解决上述部分技术问题中的至少之一。

2、为达到上述目的，本发明的技术方案是这样实现的：

3、本发明第一方面提供了一种基于多元复合深度学习的森林火灾监测方法，包括以下步骤：

4、s1、采集历史火灾图片生成历史火灾数据集；

5、s2、使用历史火灾数据集训练yolo-v8卷积神经网络模型得到森林火灾检测模型；

6、s3、采集实时火灾图片，将实时火灾图片输入至森林火灾检测模型；

7、s4、通过时空积网络提取s3中识别出火灾种类的实时火灾图片的时空特征；

8、s5、输出实时火灾图片对应的火灾种类和火灾发展阶段。

9、进一步的，所述s1中，通过多维信息地基传感器阵列获取监控图像信息，收集整理带有火灾的监控图像信息并截取不同场景下的历史火灾图片，使用labelme软件对图片进行数据标注历史火灾图片的火灾类型，将标注完毕的历史火灾图片生成历史火灾数据集；

10、历史火灾数据集按照6:4比例分为训练集和测试集；

11、采集实时火灾图片的过程如下：通过多维信息地基传感器阵列获取监控图像信息，收集整理带有火灾的监控图像信息并截取不同场景下的实时火灾图片；

12、监控图像信息包括红外图像信息、热像图信息、可见光图像信息。

13、进一步的，所述yolo-v8卷积神经网络模型包括输入端、骨干网络backbone、neck模块和输出端；

14、所述输入端包括：

15、马赛克数据增强模块：其被配置为将多张火灾图片拼接成一个大火灾图片；

16、自适应锚框计算模块：其被配置为根据数据集的特征分布，计算锚框的大小和比例；

17、自适应灰度填充模块：其被配置为对输入图像进行灰度填充，以保持输入图像的大小一致性；

18、所述骨干网络backbone包括：

19、conv模块：其被配置为提取图像的低级和中级特征。

20、c2f模块：其被配置为对残差特征进行学习的主要模块，通过更多的分支跨层连接，丰富模型的梯度流，提高特征表示能力。

21、sppf模块：其被配置为实现空间金字塔池化特征，在不同尺度上提取特征；

22、所述neck模块采用pan结构，通过多个子分支的特征融合，整合不同尺度的特征信息；

23、所述输出端将分类和检测过程进行解耦，主要包括损失计算和目标检测框筛选；

24、损失计算用于计算预测框和真实框之间的损失，包括分类损失和边界框回归损失；

25、目标检测框筛选根据阈值和非极大值抑制算法，筛选出具有高置信度的目标检测框。

26、进一步的，所述yolo-v8卷积神经网络模型还包括ecam结构，ecam结构包括：高效通道注意力模块，其被配置为通过全局平均池化操作获取通道的全局平均特征向量，通过全连接层将全局平均特征向量映射到一个维度，并再映射回原始维度，得到通道注意力权重；

27、协调空间注意力模块，其被配置为在水平和垂直方向上对每个通道进行特征编码。

28、进一步的，所述s3中采集实时火灾图片，将实时火灾图片输入至森林火灾检测模型，输出实时火灾图片对应的火灾种类。

29、进一步的，所述s4中通过时空卷积网络提取s3中识别出火灾种类的实时火灾图片的时空特征，在时空卷积网络结构之前增加图神经网络结构来表现像素之间的关系；

30、时空卷积网络的每个基本单元均包括一个空间图卷积模块和一个时间图卷积模块。

31、进一步的，在空间图卷积层中加入图注意力模块，图注意力模块根据火灾趋势样本计算出图注意力矩阵；

32、在空间图卷积层后添加通道注意力模块，注意力模块的工作流程如下：

33、a1、对输入数据进行降维或压缩的操作，将输入矩阵转换为矩阵z；

34、a2、全连接层将矩阵z作为输入，并应用权重矩阵w1和w2进行计算，得到输出矩阵s；

35、a3、将输出矩阵s与原始输入进行相乘，并通过残差方式相加。

36、本发明第二方面提供了一种电子设备，包括处理器以及与处理器通信连接，且用于存储所述处理器可执行指令的存储器，所述处理器用于执行上述第一方面所述的方法。

37、本发明第三方面提供了一种服务器，包括至少一个处理器，以及与所述处理器通信连接的存储器，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述处理器执行，以使所述至少一个处理器执行如第一方面所述的方法。

38、本发明第四方面提供了一种计算机可读取存储介质，存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现第一方面所述的方法。

39、相对于现有技术，本发明所述的一种基于多元复合深度学习的森林火灾监测方法具有以下有益效果：

40、（1）本发明所述的一种基于多元复合深度学习的森林火灾监测方法，通过将实时火灾图片输入至森林火灾检测模型预测出森林火灾的发展阶段，便于后续采取相应的灭火措施，提高了灭火效率。

41、（2）本发明所述的一种基于多元复合深度学习的森林火灾监测方法，不需要过度依赖历史火灾数据以及区域、时间限制，采用图像检测方法，降低背景环境干扰，使得训练出的森林火灾检测模型更加具有普适性。

42、（3）本发明所述的一种基于多元复合深度学习的森林火灾监测方法，为了降低模糊背景对森林火灾检测造成的干扰，抑制冗余和干扰信息，提高模型对森林火灾检测及其分类的准确率，在原始骨干网络中引入了ecam注意力机制，提高了模型对重要特征的关注程度，降低模型的复杂度，也在准确定位森林火灾时保留精确的位置信息。

43、（4）本发明所述的一种基于多元复合深度学习的森林火灾监测方法，在进行森林火灾发展阶段判定时，时空卷积网络（st-gcn）中引入多注意力机制，有效地增强了模型特征提取的能力，进一步提高了对不同类型森林火灾的发展阶段的预测结果。