【技术实现步骤摘要】
本专利技术属于森林火灾检测，尤其涉及一种实时检测森林火灾的超轻量化模型、设计方法及系统。
技术介绍
1、森林火灾作为一种自然灾害，给环境和人类社会都带来了巨大的破坏。因此，及早发现和快速响应森林火灾至关重要。
2、目前常见的森林火灾检测技术主要分为三大类：分别是传统的图像处理技术、多传感器技术和深度学习技术。然而，传统的图像处理技术依赖于手工设计和提取特征，无法适应不同的数据集和任务，需要花费大量的时间调整和优化；多传感器系统通常复杂多样，需要精确的协调和同步传感器之间的数据。另外，由于采用无线传感器网络通信，会出现信道“拥塞”问题，造成数据的丢失。此外，现有深度学习目标检测模型通常结构复杂和参数量庞大，使其难以在边缘设备上部署，从而降低了其应用范围。
3、因此，本专利技术提出了一种超轻量化森林火灾模型的设计方法，旨在克服现有技术的问题和缺陷，提高森林火灾检测的实时性和可部署性。
4、现有最接近的技术：卫星遥感森林火灾检测
5、卫星遥感森林火灾检测是目前最常用的森林火灾检测技术。这种技术使用地球同步轨道或极地轨道的气象卫星，通过其载有的多光谱扫描成像仪进行大范围、连续的观测，从而获取森林火灾的信息。
6、现有技术存在的问题：
7、1. 精度问题：由于卫星遥感的空间分辨率限制，其可以检测的火灾面积往往在数百平方米以上，而对于刚开始的、小面积的火灾往往无法及时发现。
8、2. 时效性问题：卫星的过境时间和重访周期限制了火灾检测的时效性。一旦错过了过境
9、3. 天气条件影响：卫星遥感受到天气条件（如云雾）的影响较大，可能会影响火灾的检测。
10、4. 实时性问题：尽管卫星遥感可以实现大范围的连续观测，但由于需要将数据传输到地面站，然后进行处理和分析，因此无法实现真正意义上的实时火灾检测。
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实时检测森林火灾的超轻量化模型及设计方法。
2、本专利技术是这样实现的，一种实时检测森林火灾的超轻量化模型设计方法，所述实时检测森林火灾的超轻量化模型设计方法包括以下步骤：
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，采用暗阴影通道去雾算法对采集的样本进行预处理，并标注预处理后的图像样本；
5、步骤三，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，设计由骨干网络、颈部网络和检测输出头三部分组成的轻量化模型，并将该轻量化模型作为教师模型；
7、步骤五，使用训练集对教师模型进行训练，获取教师模型中间层的全局特征和局部特征；
8、步骤六，采用通道剪枝技术剔除教师模型中的冗余通道，并将剪枝后的模型作为学生模型；
9、步骤七，采用特征蒸馏技术将教师模型的中间层特征传递给学生模型，构建教师模型中间层和学生模型中间层的交叉熵损失函数；
10、步骤八，使用训练集对学生模型进行训练，最小化交叉熵损失函数；
11、步骤九，采用量化方法对蒸馏后的学生模型进行量化感知训练，得到超轻量化模型。
12、进一步，采用轻量化的卷积算子shufflemodule构建骨干网络。
13、进一步，采用分组混洗卷积算子构建颈部网络的特征提取模块。
14、进一步，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。
15、进一步，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。
16、进一步，采用1*1小卷积核构建检测输出头。
17、进一步，通过比较最佳的比例因子与全局阈值，剔除冗余的通道。
18、本专利技术的另一目的在于提供一种实时检测森林火灾的超轻量化模型，使用测试集对超轻量化模型进行测试，并将超轻量化模型部署在嵌入式设备中。
19、进一步，采用部署了超轻量化模型的嵌入式设备对森林火灾进行实时检测，并评估性能。
20、本专利技术的另一目的在于提供一种用于实时检测森林火灾的超轻量化模型设计系统，该系统包括：
21、数据采集模块，用于采集包含火焰和烟雾的森林火灾图像样本；
22、预处理和标注模块，采用暗阴影通道去雾算法对采集的样本进行预处理，并标注预处理后的图像样本；
23、数据划分模块，将标注后的图像样本按比例划分为训练集和测试集；
24、模型设计模块，设计由骨干网络、颈部网络和检测输出头三部分组成的轻量化模型，并将该轻量化模型作为教师模型；
25、训练模块，使用训练集对教师模型进行训练，获取教师模型中间层的全局特征和局部特征；
26、剪枝模块，采用通道剪枝技术剔除教师模型中的冗余通道，并将剪枝后的模型作为学生模型；
27、蒸馏模块，采用特征蒸馏技术将教师模型的中间层特征传递给学生模型，构建教师模型中间层和学生模型中间层的交叉熵损失函数；
28、训练优化模块，使用训练集对学生模型进行训练，最小化交叉熵损失函数；
29、量化模块，采用量化方法对蒸馏后的学生模型进行量化感知训练，得到超轻量化模型。
30、其中，所述数据采集模块包括摄像设备，该设备配置为在森林中采集包含火焰和烟雾的图像样本；所述预处理和标注模块采用暗阴影通道去雾算法对采集的样本进行预处理，并对预处理后的图像样本进行人工或自动标注；所述数据划分模块将标注后的图像样本按照预设的比例划分为训练集和测试集。
31、第一，本专利技术相对于现有的卫星遥感技术，具有更高的实时性和准确性，能够在火灾刚开始时及时发现并报警，从而减少火灾带来的损失。
32、本专利技术设计了一种实时检测森林火灾的超轻量化模型。该模型不仅占用较少的计算资源，还具备高准确性和实时检测的特性。本专利技术采用了轻量级神经网络结构设计、通道剪枝、特征蒸馏和量化感知等轻量化技术，可以大幅减少模型的参数和计算复杂度，降低了模型在边缘设备上的资源需求，使其更容易部署和运行，适用于资源受限的环境；其次超轻量化森林火灾模型的设计意味着它们可以部署在各种边缘终端设备上，包括无人机、便携式设备和监控摄像头，这可以大幅提高森林火灾监测系统的覆盖范围。通过这种创新性方法，本专利技术提供一种可在资源受限环境中有效运行的森林火灾检测解决方案。
33、第二，本专利技术通过设计一种超轻量化模型来实时检测森林火灾，该模型结合通道剪枝、特征蒸馏和量化感知等轻量化技术，大幅减少模型的参数量和计算复杂度，可实现在低算力的嵌入式设备中的部署；
34、与单一的通道剪枝或特征蒸馏方法相比，先剪枝再蒸馏的方法能够减少设计教师模型的难度，同时提高学生模型的学习能力和泛化能力，进而增强模型的鲁棒性；
35、特征蒸馏技术有助于将较深模型的“知识”传递到超本文档来自技高网...
【技术保护点】
1.一种实时检测森林火灾的超轻量化模型设计方法，其特征在于，所述实时检测森林火灾的超轻量化模型设计方法包括以下步骤：
2.如权利要求1所述的实时检测森林火灾的超轻量化模型设计方法，其特征在于，采用轻量化的卷积算子ShuffleModule构建骨干网络。
3.如权利要求1所述的实时检测森林火灾的超轻量化模型设计方法，其特征在于，采用分组混洗卷积算子构建颈部网络的特征提取模块。
4.如权利要求1所述的实时检测森林火灾的超轻量化模型设计方法，其特征在于，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。
5.如权利要求1所述的实时检测森林火灾的超轻量化模型设计方法，其特征在于，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。
6.如权利要求1所述的实时检测森林火灾的超轻量化模型设计方法，其特征在于，采用1*1小卷积核构建检测输出头。
7.如权利要求1所述的实时检测森林火灾的超轻量化模型设计方法，其特征在于，通过比较最佳的比例因子与全局阈值，剔除冗余的通道。
9.一种用于实时检测森林火灾的超轻量化模型设计系统，其特征在于，该系统包括：
10.如权利要求9所述的用于实时检测森林火灾的超轻量化模型设计系统，其特征在于，所述数据采集模块包括摄像设备，该设备配置为在森林中采集包含火焰和烟雾的图像样本；所述预处理和标注模块采用暗阴影通道去雾算法对采集的样本进行预处理，并对预处理后的图像样本进行人工或自动标注；所述数据划分模块将标注后的图像样本按照预设的比例划分为训练集和测试集。
...【技术特征摘要】
1.一种实时检测森林火灾的超轻量化模型设计方法，其特征在于，所述实时检测森林火灾的超轻量化模型设计方法包括以下步骤：
2.如权利要求1所述的实时检测森林火灾的超轻量化模型设计方法，其特征在于，采用轻量化的卷积算子shufflemodule构建骨干网络。
3.如权利要求1所述的实时检测森林火灾的超轻量化模型设计方法，其特征在于，采用分组混洗卷积算子构建颈部网络的特征提取模块。
4.如权利要求1所述的实时检测森林火灾的超轻量化模型设计方法，其特征在于，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。
5.如权利要求1所述的实时检测森林火灾的超轻量化模型设计方法，其特征在于，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。
6.如权利要求1所述的实时检测森林火灾的超轻量化模型设计方法，其特征在于，采用1*1小卷积核构建检测输出头。
...【专利技术属性】
技术研发人员：张成，丁卓越，黄磊，叶润，闫斌，周小佳，
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。