1、 收稿日期:基金项目:安徽高校自然科学研究项目()国家自然科学基金资助项目()作者简介:何盼霞()女安徽巢湖人硕士生 通讯作者:张 梅()女安徽宿州人副教授文章编号:()基于改进 的森林火灾检测算法研究何盼霞张 梅齐至家(安徽理工大学 电气与信息工程学院安徽 淮南)摘要:为提高森林火灾检测识别率同时降低漏检、误检率缩减后续救援时间提出一种基于改进 的森林火灾目标检测算法 针对火灾目标漏检问题在 骨干网络加入卷积注意力机制()对森林火灾的小目标在通道和空间进行特征提取针对火灾目标重合问题把路径聚合网络()替换为加权双向特征金字塔网络()增强模型识别能力针对 中原始采样方式无法将特征信息完全捕获的
2、问题所以将 上采样作为最新的上采样方式提高采样效率 实验结果表明与其它主流算法相比较该算法拥有更好的检测效果其检测性能相比于原始算法提升了.更适用于森林火灾检测关键词:森林火灾检测 目标检测特征金字塔注意力机制上采样中图分类号:文献标志码:森林作为陆地生态系统最重要的组成部分不仅为动植物提供了基本的栖息地而且在维持生态系统平衡方面发挥着重大作用 然而森林火灾是造成全球森林损失和人员伤害并影响森林生态系统安全的重大森林灾害 所以有必要对森林火灾进行识别研究为后续救援提供条件张苗等人提出了基于、和 的高级对象检测 模型的新型图像火灾检测方法 等人提出了基于多任务学习的森林火灾探测模型该模型包含 个
3、任务(检测任务、分割任务、分类任务)和 个共享特征提取模块 皮骏等人提出了基于 的轻量化森林火灾检测将 的骨干网络替换为 并引入注意力机制加快检测速度提高检测精度 蒋珍存等人提出了基于 图像型火灾检测方法 等人提出了一种颜色注意力神经网络它由重复的颜色注意力模块组成 每个模块都能够从该区域提取颜色特征信息虽然深度学习方法较传统方法取得了明显的进步识别率和检测速度也有所提升但就森林火灾检测而言仍存在误检漏检问题还有很大的优化空间 基于上述分析本文提出一种基于改进 的森林火灾检测方法 在 骨干网络中加入了卷积注意力模块()解决了 中因为森林火灾小目标像素数少而导致信息缺失问题通过使用 模块对森林火
4、灾中的小目标进行关注能更有效地识别图像特征在 网络中将路径聚合网络()结构调整为加权双向特征金字塔网络()结构可以更好地平衡不同尺度的信息将最近邻上采样调整为特征内容感知重组()上采样用以整合更大的视野信息提高检测精度 相关原理.网络深度学习目标检测算法的主要代表有 第 卷 第 期 年 月兰州工业学院学报 .和 但前者在检测过程中要进行识别和定位两步操作而后者只需要一步操作 随着对 算法的不断优化改进 系列算法虽然已经来到了 系列但是目前最稳定的主流算法依旧是 系列 其网络结构大体主要有 个模块组成分别是输入、骨干网络、网络模块和预测端首先利用输入端对采集到目标图像信息进行预处理其次是通过主干
5、网络对图像进行深度卷积操作获得特征信息然后在 网络层对不同层网络的特征信息进行融合最后是预测端针对不同尺寸大小的目标可以预测相对应的层次特征图 网络结构如图 所示图 网络结构.改进 算法.改进后的 森林火灾检测网络本文提出的改进算法的整体网络结构如图 所示 由图 可知首先图像经过输入端进入骨干网络在骨干网络的最后两层引入注意力机制使模型在通道和空间上对较小的特征目标进行注意提高网络特征融合能力然后在 网络采用 进行多尺度融合获取更高的特征最后采用 进行上采样获取更多的视野信息在特征提取时提高计算效率、减少损失进一步提高检测精度图 改进后的 网络结构.卷积注意力机制在获取火灾图片时并不是所有的火
6、灾图片中的火焰都是大面积存在的有的火苗并不是很大此类图像绝大部分都是背景信息在深度卷积神经网络中大量的图片背景信息卷积迭代会积累大量的冗余信息从而导致图像识别的准确率较低针对大量冗余信息影响识别准确率的问题本文将轻量级的卷积注意力模块 引入到深度神经网络中以提高模型的性能注意力机制分为通道注意力机制()和空间注意力机制()二者结合形成了一个新的注意力机制模块 是通道注意力模块其通道维度不变压缩空间维度该模块关注输入图片中有意义的信息 是空间注意力模块其空间维度不变压缩通道维度该模块关注的是目标的位置信息 两者相结合就可以分别对通道和空间上的特征进行跟踪注意 因为 是轻量级卷积注意力模块所以采用
7、此模块不仅能够降低网络计算成本同时也可以将其作为一个即插即用的模块集成到现有网络结构中 的网络结构如图 所示 由图 可知首先将特征 输入到通道注意力模块中得到通道注意力权重()然后 兰州工业学院学报 第 卷()乘以特征 的位得到特征 接下来将特征输入到空间注意力模块中以获得空间注意力权重()最后()乘以具有特征的位 获取功能 图 网络结构.加权双向特征金字塔网络 所采用的 网络结构是 结构而 是改进的 结构 和 结构如图 所示图 和 结构 由图()可知 是由下向上二次融合的模型并且 是在特征金字塔网络的基础上简单增加了从下而上的融合路径但是 的融合比较简单容易在提取特征的过程中丢失目标信息 因
8、此本文在此基础上引入了 结构对 结构进行改进如图()所示 不仅采用了由下向上的二次融合模型同时还引入了权重能够更好地平衡特征信息将不同的特征进行堆叠从而获得更高的特征针对森林火灾采用 结构作为 网络进行特征融合主要是为了解决以下问题:作为模块重复的特征网络层比 可以获得更高级的特征融合增加各个特征尺度的耦合有助于检测火灾较小目标的浅层特征 由于 采用了跨尺度连接方式可以对不同检测特征按照跨尺度权重进行抑制或者增强特征表达从而缓解目标重合导致识别不准确的问题.上采样方式 常用的上采样方式是最近邻上采样或者双线性上采样 这两者的采样方式是仅通过像素点的空间位置来决定上采样核最近邻和双线性插值只考虑
9、亚像素邻域无法捕获密集预测任务所需的丰富语义信息可以看作是一种“均匀”的上采样并且这两者的感知域通常都很小 而 弥补了这两者的缺点其可以整合更大的视野信息可以及时对特定实例内容进行适应保持上采样计算效率 分为 个主要模块分别是上采样核预测模块和特征重组模块 假设给定大小为 的特征图 和上采样率 (假设 是整数)将生成大小为 的新特征图 对于输出 的任意目标位置 ()在输入 处都有对应的源位置 ()其中 /这里我们将()表示为以位置 为中心的 的 子区域即核预测模块 的邻域 网络结构如图 所示图 网络结构 由图 可知 根据 的邻域预测每个位置 的位置核 然后依据内容感知重组模块 将 的邻域与内核
10、 进行重组 对应公式如式()()所示 ()()().()第 期 何盼霞等:基于改进 的森林火灾检测算法研究 实验.实验环境本实验平台环境为 操作系统 为 (核 线程.)为 在深度学习环境安装 以及 图形加速在 里面搭建深度学习框架 编译语言为 .数据集本文难题之一是目前并无公开的、标准的森林火灾数据集因此通过从网上下载森林火灾图片和对森林火灾视频分帧并对所有图片进行人工筛检然后对筛检过后的图片用 进行人工标注得到一个包含火焰和烟雾的森林火灾数据集 总共得到 张图片数据并按照 进行划分获得了 张训练集图片、张验证集图片和 张测试集图片.模型算法评价指标为客观评判模型算法的性能实验采用准确率()、
11、召回率 ()平均精度均值()具体计算依据式()()()()()().()式中:表示被正确检出的正样本数量 表示被错误检出的正样本数量 表示未被检出的正样本数量 表示为类别数.实验结果与分析.不同算法对比实验为了验证本文所提算法的可行性文中做了、和 三组对比实验对比结果如表 所示 由表 可知在森林火灾目标检测任务中改进后的 模型各个指标都是所有模型中最优的准确率达到了.召回率达到了.平均检测精度达到了.与 算法相比较本文算法的准确率、召回率和平均检测精度分别提升了.、.和.与 算法相比较本文算法的准确率、召回率和平均检测精度分别提升了、.和.表 不同算法对比实验评价指标模型准确率/召回率/./.
12、优化算法对比实验本文算法在改变网络结构的同时添加了注意力机制为了进一步分析不同模块的效果分别在 算法上加入 个以上的模块与所有完整的模块进行对比消融实验结果如表 所示改进前后结果对比如图 所示表 添加不同模块后的实验结果模型准确率/召回率/./.表 中的表示在 中加入了此模块 由表 和图 可知相比于原始 算法单独加入 模块、模块和 模块的改进算法在测试集上性能分别提升了.、.、.当优化方法两两组合时对检测性能的提升效果和单独加入这些模块效果类似因此本文是将、和 个模块融合在一起对模型进行优化优化后性能提升了.通过消融实验证实了改进后的 算法可以有效的提高模型的识别能力.实例验证结果使用上述优化
13、算法针对森林火灾进行实例检测效果如图 所示 由图()可知原始算法不仅检测精度较低还存在漏检现象由图()、()、()所示原始算法中分别加入任一模块都能够提升火灾和烟雾的检测精度但是仍存在漏检情 兰州工业学院学报 第 卷况由图()可知将 个模块融合到一起成为 算法再对森林火灾实例检测中能够达到最佳检测效果不仅能够提高检测精度还能够有效地防止漏检误检情况发生()改进前后的精确率()改进前后的召回率()改进前后的平均检测精度图 算法改进前后的结果对比()实例检测()实例检测()实例检测()实例检测()实例检测图 算法优化后森林火灾检测对比 结论)针对森林火灾小目标问题在 骨干网络中加入 对小目标在空间
14、和通道上进行双重注意防止漏检目标提高模型识别能力)在 网络中用加权 代替 使整个模型拥有更高的特征融合能力更好地识别小目标以及避免目标重叠导致的漏检问题)针对 模型原始上采样算法的缺陷在模型中采用 上采样方式代替最近邻上采样方式整合更大的视野信息提高上采样效率)由实验结果可知本文算法检测性能相较于原始算法提高了.相较于 和 其检测性能提高了.和.第 期 何盼霞等:基于改进 的森林火灾检测算法研究参考文献:.():.张苗李璞杨漪等.基于目标检测卷积神经网络的图像型火灾探测算法.消防科学与技术():.:.():.皮骏刘宇恒李久昊.基于 的轻量化森林火灾检测算法研究.图学学报():.蒋珍存温晓静董正
15、心等.基于深度学习的 图像型火灾探测方法研究.消防科学与技术():.():.崔晓宁王起才李盛等.基于 的双块式轨枕裂缝智能识别.铁道学报():.史梦圆高俊钗.改进 的建筑物破损检测算法研究.国外电子测量技术():.马晓东魏利胜刘小珲.基于新型 算法的磁悬浮球精确识别.电子测量与仪器学报():.宋晓凤吴云军刘冰冰等.改进 算法的安全帽佩戴检测.计算机工程与应用():.韩岩江王伟王峰萍.融合坐标注意力和 的 交通标志检测方法.国外电子测量技术():.张志远罗铭毅郭树欣等.基于改进 的自然环境下樱桃果实识别方法.农业机械学报():.周德政赖恵成李亚东等.基于 目标检测的深层特征增强算法.激光杂志():.():.():.().()().:(责任编辑:曾贤灏)兰州工业学院学报 第 卷
