【技术实现步骤摘要】
本专利技术涉及火灾识别，尤其公开了一种基于扩散模型的yolov5x的森林火灾识别方法。
技术介绍
1、全球气候变暖和用地变化使得森林火灾的风险日益增加，这不仅威胁到生态环境，还可能导致财产损失和人员伤亡。
2、传统的火灾监控方式，如人工巡查和简单的传感器，往往不能提供及时和准确的火源定位，无法将火灾的及时扑灭和将损害最小化。由于森林面积广大，人工监控成本高昂且不易实现全面覆盖。而传统的热成像或烟雾传感器容易受到环境因素(如风速、湿度等)的影响，造成误报或漏报。现有基于深度学习的火灾识别技术因为原始训练数据有限、森林火灾识别精度偏低、局部检测效果不佳。
3、因此，现有火灾识别技术存在的上述缺陷，是目前亟待解决的技术问题。
技术实现思路
1、本专利技术提供了一种基于扩散模型的yolov5x的森林火灾识别方法及系统，旨在解决现有火灾识别技术存在的上述缺陷。
2、本专利技术的一方面涉及一种基于扩散模型的yolov5x的森林火灾识别方法，包括以下步骤：
3、基于扩散模型对原始图像进行数据增强：建立new-u-net模型，根据建立的new-u-net模型对u-net模型中所有的原始图像数据进行数据增强处理；
4、基于遗传算法对数据增强后的图像提取火灾特征因子：结合遗传算法和神经网络在优化和处理非线性数据方面的优势，将两者运用到封装模式下的特征选择，以神经网络分类器为评价工具对增强处理的图像数据进行特征提取；
5、基于改进的
6、进一步地，基于扩散模型对原始图像进行数据增强的步骤包括：
7、随机生成时间步长t并编码；
8、根据生成的时间步长t，调整噪声量；
9、初始数据x0添加噪声ε，逐步生成带噪声的图像xt；
10、通过u-net估测随时间步长t嵌入噪声ε值后对带噪声的图像xt结果的关系并建模；
11、基于建立的关系模型εθ(xt，t)，生成潜在噪声样本数据集；
12、以生成的噪声数据集为训练样本再次运行u-net模型，计算loss梯度并更新u-net模型，并将更新的u-net模型记为new-u-net模型；
13、基于new-u-net模型对所有的原始数据进行数据增强。
14、进一步地，初始数据x0添加噪声ε，逐步生成带噪声的图像xt的步骤中，带噪声的图像xt通过以下公式计算出：
15、
16、ε～ν(0,1)
17、at＝1-βt
18、
19、其中，xt为时间步长为t时的扩散数据，at为正态分布的峰值，为平均值，和为组合系数，x0为初始数据，ε为高斯噪声，βt为随时间变化的方差系数，ai为时间步长为i时的值。
20、进一步地，基于遗传算法对数据增强后的图像提取火灾特征因子的步骤包括：
21、按照特征提取的特点确定编码规则；
22、初始化种群，生成n个特征子集；
23、根据每个特征子集建立bp网络分类器；
24、利用相应的bp网络分类器对每个特征类别的分类效果进行评价，并根据分类效果惩罚式的地分配适应度；
25、检查群体中适应度最高的个体是否满足ga遗传算法的终止条件，如果满足则输出最优特征集；如果不满足则根据ga遗传算法的遗传操作采用赌轮选择机制对种群进行复制、交叉和变异操作，产生下一代种群。
26、进一步地，基于改进的yolov5x模型进行森林火灾识别的步骤包括：
27、加工火灾特征：在neck中采用panet结构进行特征加工，panet结构包括fpn和pan，采用fpn自顶向下构建出特征金字塔高级语义特征图；采用pan自底向上的路线，弥补定位信息，增强多个尺度上的定位能力；
28、目标检测：在head中进行森林火灾检测，对加工后的特征图进行预测，根据损失函数和sgd优化器优化火灾检测参数权重，生成适用于森林火灾检测的改进yolov5x模型；
29、模型精度验证：利用验证数据对比改进yolov5x模型同初始yolov5x，通过查准率、召回率、平均精度值及识别速率四项评估指标验证模型精度。
30、本专利技术的另一方面涉及一种基于扩散模型的yolov5x的森林火灾识别系统，包括：
31、数据增强模块，用于基于扩散模型对原始图像进行数据增强：建立new-u-net模型，根据建立的new-u-net模型对u-net模型中所有的原始图像数据进行数据增强处理；
32、图像提取模块，用于基于遗传算法对数据增强后的图像提取火灾特征因子：结合遗传算法和神经网络在优化和处理非线性数据方面的优势，将两者运用到封装模式下的特征选择，以神经网络分类器为评价工具对增强处理的图像数据进行特征提取；
33、火灾识别模块，用于基于改进的yolov5x模型进行森林火灾识别：根据特征提取后的增强图像数据，生成适用于森林火灾检测的改进yolov5x模型，利用验证数据对比改进yolov5x模型同初始yolov5x模型，通过预设的评估指标验证改进yolov5x模型的精度。
34、进一步地，数据增强模块包括：
35、第一生成单元，用于随机生成时间步长t并编码；
36、调整单元，用于根据生成的时间步长t，调整噪声量；
37、第二生成单元，用于初始数据x0添加噪声ε，逐步生成带噪声的图像xt；
38、建模单元，用于通过u-net估测随时间步长t嵌入噪声ε值后对带噪声的图像xt结果的关系并建模；
39、第三生成单元，用于基于建立的关系模型εθ(xt，t)，生成潜在噪声样本数据集；
40、更新单元，用于以生成的噪声数据集为训练样本再次运行u-net模型，计算loss梯度并更新u-net模型，并将更新的u-net模型记为new-u-net模型；
41、数据增强单元，用于基于new-u-net模型对所有的原始数据进行数据增强。
42、进一步地，第二生成单元中，带噪声的图像xt通过以下公式计算出：
43、
44、ε～ν(0,1)
45、at＝1-βt
46、
47、其中，xt为时间步长为t时的扩散数据，at为正态分布的峰值，为平均值，和为组合系数，x0为初始数据，ε为高斯噪声，βt为随时间变化的方差系数，ai为时间步长为i时的值。
48、进一步地，图像提取模块包括：
49、确定单元，用于按照特征提取的特点确定编码规则；
50、第四生成单元，用于初始化种群，生成n本文档来自技高网...
【技术保护点】
1.一种基于扩散模型的Yolov5x的森林火灾识别方法，其特征在于，包括以下步骤：
2.如权利要求1所述的基于扩散模型的Yolov5x的森林火灾识别方法，其特征在于，所述基于扩散模型对原始图像进行数据增强的步骤包括：
3.如权利要求2所述的基于扩散模型的Yolov5x的森林火灾识别方法，其特征在于，所述初始数据x0添加噪声ε，逐步生成带噪声的图像xt的步骤中，带噪声的图像xt通过以下公式计算出：
4.如权利要求1所述的基于扩散模型的Yolov5x的森林火灾识别方法，其特征在于，所述基于遗传算法对数据增强后的图像提取火灾特征因子的步骤包括：
5.如权利要求1所述的基于扩散模型的Yolov5x的森林火灾识别方法，其特征在于，所述基于改进的Yolov5x模型进行森林火灾识别的步骤包括：
6.一种基于扩散模型的Yolov5x的森林火灾识别系统，其特征在于，包括：
7.如权利要求6所述的基于扩散模型的Yolov5x的森林火灾识别系统，其特征在于，所述数据增强模块包括：
8.如权利要求7所述的基于扩散模型的Y
9.如权利要求6所述的基于扩散模型的Yolov5x的森林火灾识别系统，其特征在于，所述图像提取模块包括：
10.如权利要求6所述的基于扩散模型的Yolov5x的森林火灾识别系统，其特征在于，所述火灾识别模块包括：
...【技术特征摘要】
1.一种基于扩散模型的yolov5x的森林火灾识别方法，其特征在于，包括以下步骤：
2.如权利要求1所述的基于扩散模型的yolov5x的森林火灾识别方法，其特征在于，所述基于扩散模型对原始图像进行数据增强的步骤包括：
3.如权利要求2所述的基于扩散模型的yolov5x的森林火灾识别方法，其特征在于，所述初始数据x0添加噪声ε，逐步生成带噪声的图像xt的步骤中，带噪声的图像xt通过以下公式计算出：
4.如权利要求1所述的基于扩散模型的yolov5x的森林火灾识别方法，其特征在于，所述基于遗传算法对数据增强后的图像提取火灾特征因子的步骤包括：
5.如权利要求1所述的基于扩散模型的yolov5x的森林火灾识别方法，其...
【专利技术属性】
技术研发人员：姜志琪，丁帅，张理，李玉球，李斌，毛先如，王凯昱，段智瑜，涂昌波，李珊珊，郭媛，高晶，曾颖，郝丙青，陈崇征，
申请(专利权)人：长沙智能制造研究总院有限公司，
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。