(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211027153.6 (22)申请日 2022.08.25 (71)申请人 西安电子科技大 学 地址 710071 陕西省西安市太白南路2号 (72)发明人 周慧鑫　王珂　宋江鲁奇 　李欢　 王瑛琨　张嘉嘉　张喆　腾翔　 于跃　王炳健　张伟鹏　罗云麟　 甘长国　杨庆友　李翀钰　 (74)专利代理 机构 西安智大知识产权代理事务 所 61215 专利代理师 段俊涛 (51)Int.Cl. G06V 10/20(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01)G06V 20/52(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于轻量级无锚检测模型的可见光森 林火灾检测方法 (57)摘要 一种基于轻量级无锚检测模型的可见光森 林火灾检测方法， 标注红外森 林火灾图像数据集 各图像中火焰的位置和类别信息， 得到火焰数据 集， 并划分训练集、 验证集和测试集； 构建改进的 轻量级无锚检测神经网络， 利用主干特征提取网 络MobileNetv3g及多尺度最大池化操作提取火 灾特征， 利用D ‑PANet对特征层由深至浅对火灾 的特征进行加强特征融合； 之后 传入ASFF模块进 行自适应空间特征融合， 使用解耦头解码预测的 火焰目标类别信息和位置回归信息进行多尺度 预测， 得到预测结果； 将预测结果进行得分排序 和非极大值抑制筛选， 筛选出一定区域内得分最 高并满足置信度的预测框， 由此得到最终的火灾 预测结果， 本发明具有良好的检测效果。 权利要求书3页 说明书7页 附图6页 CN 115423998 A 2022.12.02 CN 115423998 A 1.一种基于轻量级无锚检测模型的森林火灾检测方法， 其特 征在于， 包括以下步骤： 步骤1， 获取红外森林火灾图像数据集， 标注各图像中火焰的位置和类别信息， 得到火 焰数据集， 对标注后的每幅图像进行 预处理， 并划分训练集、 验证集和 测试集； 步骤2， 构建改进的轻量级无锚检测模型， 利用主干特征提取网络MobileNetv3g对输入 图像进行火灾特 征提取， 得到三个有效特 征层Feature1、 F eature2与F eature3； 步骤3， 对有效特征层Feature3通过空间金字塔池化模块SPP进行多尺度最大池化处 理； 步骤4， 将有效特征层Feature1、 Feature2与Feature3输入到加强特征提取网络D ‑ PANet， 对 特征层由深 至浅进行加强特征融合， 然后使用下采样将浅层的位置信息传递到深 层特征中， 与深层的语义信息相融合， 输出 特征层Level1、 Level2与Level3； 步骤5， 将特征层Level1、 Level2与Level3传入自适应空间特征融合模块ASFF进行自适 应空间特征融合， 然后使用1 ×1卷积压缩到原来的通道数， 输出特征层ASFF ‑1、 ASFF‑2与 ASFF‑3； 步骤6， 将特征层ASFF ‑1、 ASFF‑2与ASFF‑3输入到预测网络中， 进行多尺度预测， 使用解 耦头解码预测的目标类别 信息和位置回归信息， 得到预测结果； 步骤7， 将预测结果进行得分排序和非极大值抑制筛选， 筛选出一定区域内得分最高并 满足置信度的预测框， 由此 得到最终的火灾预测结果。 2.根据权利要求1所述的基于轻量级无锚检测模型的森林火灾检测方法， 其特征在于， 所述步骤1， 使用标注软件LabelImg进行标注， 对所述火焰数据集， 采用mosaic、 随机仿射变 换、 随机翻转和对比度变化的数据增强策略进行处 理， 并将图像大小调整为640 ×640像素。 3.根据权利要求1所述的基于轻量级无锚检测模型的森林火灾检测方法， 其特征在于， 所述步骤2， 以无锚检测模 型YOLOX作为基本框架， 首先将 YOLOX的主干网络替换为轻量级网 络MobileNetv3； 然后， 结合高效通道注意力网络和GhostNet思想对MobileNetv3网络进行 改进， 构建主干特征提取网络MobileNetv3g， 使得在模型轻量化的同时保留多尺度特征信 息； 最后， 使用深度可分离卷积简化路径聚合网络， 进一步减少模型 的计算量， 并引入自适 应空间特 征融合模块， 以减轻不同尺度特 征图之间的不 一致性。 4.根据权利要求3所述的基于轻量级无锚检测模型的森林火灾检测方法， 其特征在于， 所述MobileNetv3g是对Mob ileNetv3的改进， 首先使用一维卷积替换压缩激励网络注意力 机制模块的全连接层， 然后在深度可分离卷积前加入一个普通卷积模块， 并将两者的输出 结果结合 起来， 从而充分获得语义信息， 使得检测结果更加准确； MobileNetv3g包括如下组成部分： (4a)ECANet注意力机制： ECANet在全局平均池化后， 通过大小为k的一维卷积获取每个 通道及其相邻k个通道的局 部跨通道交互信息， ECANet通过给定通道数C， 自适应地确定卷 积核大小k， 具体为： 式中， 式中， 表示离 最近的奇数， k和C之间存在非线性映射关权　利　要　求　书 1/3 页 2 CN 115423998 A 2系φ： C＝φ(k)＝2γ*k‑b， 其中γ和b为常数系数； (4b)改进的深度可分离卷积 结构： 借鉴GhostNet的结构对MobileNetv3进行改进， 首先 使用普通的3 ×3卷积将输入特征图的通道数映射到原始 通道数的一半， 然后使用深度可分 离卷积进一 步提取特征， 最后将两 部分输出的特 征图相加； (4c)h‑swish激活函数： 表达式为： 式中， ReLU6(x+3)表示ReLU6 激活函数， 即限制ReLU的最大输出值 为6。 5.根据权利要求3所述的基于轻量级无锚检测模型的森林火灾检测方法， 其特征在于， 所述步骤2中， MobileNetv3g分为六个阶段， 即Stage1、 Stage2、 Stage3、 Stage4、 Stage5和 Stage6， 取其中Stage3、 Stage5和Stage6的输 出特征层作为有效特征层Feature 1、 Feature2 与Feature3， 并传入YOLOX的加强特 征提取网络中。 6.根据权利要求3所述的基于轻量级无锚检测模型的森林火灾检测方法， 其特征在于， 所述步骤4， 将三个有效特征层Feature 1、 Feature2与Feature3输入D ‑PANet实现路径聚合， D‑PANet使用深度可分离卷积取代路径聚合网络PANet中的3 ×3普通卷积， 从而降低模 型的 复杂度， 具体过程为： D ‑PANet掺杂在三个有效特征层Feature 1、 Feature2与Feature3， 对特 征进行反复提取， 对底层特征上采样， 与上一层同维度特征层进行堆叠， 对高层特征下采 样， 与下一层同维度特征层进行堆叠， 实现特征融合， 最终输出三个特征层Level1、 Level2 与Level3 。 7.根据权利要求3所述的基于轻量级无锚检测模型的森林火灾检测方法， 其特征在于， 所述步骤5， ASF F的自适应空间特 征融合方法如下： Xn(n∈{1,2,3})为PA Net输出的特征层Lev eln， Yl(l∈{1,2,3})为X1、 X2和X3经过ASFF模 块得到的新特征ASFF ‑l， 将X1、 X2、 X3分别乘以权重参数αl、 βl、 γl并求和得到融合的特征Yl， 融合的过程表示 为： 式中， 表示ASFF输出特征图Yl在(i,j)处的特征向量， 表示Leveln缩放到Levell 的特征图在(i,j)处的特征向量， 分别表示三个特征层到Levell 的空间权重 参数， 通过Softmax函数使 且 8.根据权利要求3所述的基于轻量级无锚检测模型的森林火灾检测方法， 其特征在于， 所述步骤5， ASFF使用上采样与下采样操作对 特征层进行压缩调整， 对于上采样， 首先使用1 ×1卷积将通道数压缩到与Lev ell相同， 然后使用插值上采样提高分辨率； 对于2 倍下采样， 直接使用大小为3 ×3、 步长为2的卷积对 特征层尺寸与通道数进 行修改； 对于4倍下采样， 则 在卷积层之前 再增加一个步长为2的最大池化层。 9.根据权利要求3所述的基于轻量级无锚检测模型的森林火灾检测方法， 其特征在于， 所述步骤6， 预测网络使用YOLOX的预测网络， 包含新的解耦头、 anchor ‑free思想和SimOTA 动态正样本匹配方法。 10.根据权利要求9所述的基于轻量级无锚检测模型的森林火灾检测方法， 其特征在 于， 所述新的解耦头是指： Y OLOX网络将 YOLO检测头分成分类和回归两部分， 首先使用一个1权　利　要　求　书 2/3 页 3 CN 115423998 A 3