System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于森林火灾检测,尤其涉及一种面向嵌入式设备的轻量化森林火灾检测模型设计方法。
技术介绍
1、森林火灾是森林最危险的敌人,也是林业最可怕的灾害,它给森林带来了无法估量的危害。随着嵌入式设备在各个领域的广泛应用,对于在嵌入式设备上部署高效且准确的森林火灾检测算法的需求日益增加。目前较广泛使用的森林火灾检测方法大多依赖于结构复杂、参数量庞大的深度学习模型,这些模型在嵌入式设备上部署面临计算资源受限、存储容量受限等挑战。因此,设计一种面向嵌入式设备的轻量化森林火灾检测模型成为一项迫切的需求。
2、现有的针对森林火灾的检测方法有以下几种。
3、目前,常用的森林火灾检测技术包括多传感器技术、卫星遥感技术和基于深度学习的森林火灾检测技术等。其中,多传感器技术利用分布在森林中的传感器对山火产生的烟雾进行检测以获得传感数据,并通过通信链路将传感器数据传给后台进行山火的研判。然而,复杂的森林环境往往会使多传感器的协同工作产生数据丢失和通信延迟等问题,导致山火误报率高,不利于火灾的及时发现和扑灭。卫星遥感技术则通过监测火灾周围环境的变化识别火灾的发生,可避免多传感器误报率高的问题。然而,该技术由于自身运行周期的限制,难以对山火进行及时检测,不利于森林火灾的迅速扑灭。基于深度学习的森林火在检测算法通过对大量数据进行训练,建立火灾检测模型。这些模型可以学习数据中的火焰和烟雾特征来实现对火灾的准确识别。但传统深度学习模型在嵌入式设备上运行时对计算资源的需求较高,导致实时性和效率较为低下;其次,大型模型的参数量和计算量庞大
4、因此,实际的使用中迫切需要一种在嵌入式设备上高效运行的轻量级森林火灾检测模型,以满足实时性、计算资源和存储容量等方面的限制,并保持足够的检测准确度。本专利技术专利致力于解决这些挑战,提出一种创新的、适用于嵌入式设备实时检测森林火灾的解决方案。
5、森林火灾是森林最危险的敌人,也是林业最可怕的灾害,它给森林带来了无法估量的危害。随着嵌入式设备在各个领域的广泛应用,对于在嵌入式设备上部署高效且准确的森林火灾检测算法的需求日益增加。目前较广泛使用的森林火灾检测方法大多依赖于结构复杂、参数量庞大的深度学习模型,这些模型在嵌入式设备上部署面临计算资源受限、存储容量受限等挑战。因此,设计一种面向嵌入式设备的轻量化森林火灾检测模型成为一项迫切的需求。
6、传统深度学习模型在嵌入式设备上运行时对计算资源的需求较高,导致实时性和效率较为低下;其次,大型模型的参数量和计算量庞大,超出了嵌入式设备的计算能力和存储容量,限制了模型的部署;最为重要的是,森林火灾的检测通常需要实时响应,而常规模型的复杂性往往会造成推断时间的延迟,无法及时检测火灾的发生。
7、因此,实际的使用中迫切需要一种在嵌入式设备上高效运行的轻量级森林火灾检测模型,以满足实时性、计算资源和存储容量等方面的限制,并保持足够的检测准确度。本专利技术专利致力于解决这些挑战,提出一种创新的、适用于嵌入式设备实时检测森林火灾的解决方案。
8、通过上述分析,现有技术存在的问题及缺陷为:
9、传统深度学习模型在嵌入式设备上运行时对计算资源的需求较高,导致实时性和效率较为低下;其次,大型模型的参数量和计算量庞大,超出了嵌入式设备的计算能力和存储容量,限制了模型的部署;最为重要的是,森林火灾的检测通常需要实时响应,而常规模型的复杂性往往会造成推断时间的延迟,无法及时检测火灾的发生。
技术实现思路
1、针对现有技术存在的问题,本专利技术提供了一种面向嵌入式设备的轻量化森林火灾检测模型设计方法。
2、本专利技术是这样实现的,一种面向嵌入式设备的轻量化森林火灾检测模型设计方法包括:
3、步骤一,采集包含火焰和烟雾的森林火灾图像样本;
4、步骤二,添加太阳和白云负样本,增强网络对火焰、太阳、烟雾及白云的区分度;
5、步骤三,对收集的完整数据集采用暗阴影通道去雾算法进行预处理,并标注预处理后的图像样本;将标注后的图像样本按比例划分为训练集和测试集;
6、步骤四,设计轻量化yolo-lf模型结构,所述设计的轻量化yolo-lf模型降低了参数量和计算复杂度;提出的超轻量化特征提取网络和多尺度特征融合结构可以在不引入新参数的前提下提高轻量化之后的精度;
7、步骤五,训练模型,得到训练好的模型权重;将训练好的模型权重加载到网络中,并部署到嵌入式设备中,实时检测森林火灾的发生。
8、进一步,所述轻量化yolo-lf模型的结构包括:
9、1)考虑到远距离小尺度火焰和烟雾在图片中占有比例较小,特征不明显的情况,在模型的输入端使用归一化的方式获得处理后相同大小的目标图片;
10、2)使用空洞卷积获得感受野较大的深层特征,进一步提高模型特征提取的有效性;
11、3)采用轻量化的通道混洗shuffleblock构建骨干网络,以降低模型的参数量和计算复杂度;
12、4)采用分组混洗卷积算子构建颈部网络的特征提取模块,以提高模型的非线性特征提取能力;
13、5)采用部分卷积和逐点卷积相结合的方式构建颈部网络的特征融合模块,以提高模型的表达能力;
14、6)采用轻量化的上采样卷积算子carafe连接颈部网络中的特征提取模块和特征融合模块,进一步降低模型的参数量和计算复杂度;
15、7)最后,采用1*1卷积核构建检测输出头,实现火焰和烟雾的分类、定位和类别置信度。
16、本专利技术的另一目的在于提供一种计算机设备,其特征在于,所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行所述面向嵌入式设备的轻量化森林火灾检测模型设计方法的步骤。
17、本专利技术的另一目的在于提供一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行所述面向嵌入式设备的轻量化森林火灾检测模型设计方法的步骤。
18、本专利技术的另一目的在于提供一种信息数据处理终端,其特征在于,所述信息数据处理终端用于实现所述面向嵌入式设备的轻量化森林火灾检测模型设计方法。
19、本专利技术的另一目的在于提供一种面向嵌入式设备的轻量化森林火灾检测系统,其特征在于包括:
20、数据采集模块:该模块负责采集自然环境中的森林火灾图像样本,包含火焰和烟雾的真实场景图像。同时,为了增强模型的鉴别能力,额外收集太阳和白云等自然现象的负样本。该模块确保样本多样性和丰富性,为后续模型训练提供准确、高质量的数据源。
21、本专利技术的另一目的在于提供一种面向嵌入式设备的轻量化森林火灾检测系统,包括:
22、数据预本文档来自技高网...
【技术保护点】
1.一种面向嵌入式设备的轻量化森林火灾检测模型设计方法,其特征在于,包括以下步骤:
2.如权利要求1所述面向嵌入式设备的轻量化森林火灾检测模型设计方法,其特征在于,所述轻量化YOLO-LF模型的结构包括:
3.一种计算机设备,其特征在于,所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如权利要求1-2任意一项所述面向嵌入式设备的轻量化森林火灾检测模型设计方法的步骤。
4.一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行如权利要求1-2任意一项所述面向嵌入式设备的轻量化森林火灾检测模型设计方法的步骤。
5.一种信息数据处理终端,其特征在于,所述信息数据处理终端用于实现如权利要求1-2任意一项所述面向嵌入式设备的轻量化森林火灾检测模型设计方法。
6.一种面向嵌入式设备的轻量化森林火灾检测系统,其特征在于包括数据采集模块:
7.面向嵌入式设备的轻量化森林火灾检测系统如权利要求1所述,其特征在于包括数据预处理模
8.面向嵌入式设备的轻量化森林火灾检测系统如权利要求1或2所述,其特征在于包括模型设计模块:
9.面向嵌入式设备的轻量化森林火灾检测系统如任何一个前述权利要求所述,其特征在于包括模型训练和部署模块:
...【技术特征摘要】
1.一种面向嵌入式设备的轻量化森林火灾检测模型设计方法,其特征在于,包括以下步骤:
2.如权利要求1所述面向嵌入式设备的轻量化森林火灾检测模型设计方法,其特征在于,所述轻量化yolo-lf模型的结构包括:
3.一种计算机设备,其特征在于,所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如权利要求1-2任意一项所述面向嵌入式设备的轻量化森林火灾检测模型设计方法的步骤。
4.一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行如权利要求1-2任意一项所述面向嵌入式设备的轻...
【专利技术属性】
技术研发人员:丁卓越,张成,黄磊,叶润,尹雪松,蒋维琛,陈炳梁,黄川俊,余泰霆,黄庆洪,
申请(专利权)人:电子科技大学长三角研究院湖州,
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。