CN115423998B 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 （西安电子科技大学）

一种基于轻量级无锚检测模型的可见光森一种基于轻量级无锚检测模型的可见光森络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火焰目标类别信息和位置回归信息进行多尺度2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MobileNetv3g是对MobileNetv3的改进，首先使用一维卷积替换压缩激励网络注意力机制步骤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_应空间特征融合，然后使用1x1卷积压缩到所述MobileNetv3g包括如下组成3使用普通的3x3卷积将输入特征图的通道数映射到原始通道D_PANet使用深度可分离卷积取代路径聚合网络PANet中的3xp的特征图在i,j)处的特征向量，a;、、分别表示三个特征层到Levell的空间权重参4所述SimOTA动态正样本匹配方法是指：首先计算成对匹配度，成对56[0021]图7为本发明算法与对比算法的检测结果P_R曲线，其中(a)是与anchor_based算7结合高效通道注意力网络(ECANet)和GhostNet思想对MobileNetv3网络进行改进，构建[0037](c)h_swish激活函数：h_swish激活函数是MobileNetv3网络中对swish激活函数[0040]本发明的主干特征提取网络MobileNetv3g分为六个阶段，即Stage1、Stage2、8列表示MobileNetv3每个结构块的输出特征层尺寸和通道数，Operator列表示特征层通过[0045]本发明取其中Stage3、Stage5和Stage6的输出特征层作为有效特征层Feature1、[0048]示例地，本步骤中，将三个有效特征层Feature1、Feature2与Feature3输入D_9[0049]步骤5：将特征层Level1、Level2与Level3传入ASFF模块进行自适应空间特征融[0053](b)在自适应空间特征融合部分，设Xn(n∈{1,2,3})为PANet输出的特征层[0055]式中，表示ASFF输出特征图Yl在(i,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[0058]示例地，本步骤中，预测网络使用YOLOX的预测网络，主要包含新的解耦头、输标签分配)主要从全局角度对标签分配进行分析的，将分配过程表述为OT(Optimal[0068]本发明仿真实验的硬件环境为AMDRyzen55600HwithRadeonGraphicsCPU单一，因此从比尔肯大学与杜伦大学提供的火灾数据集中挑选出511张包含森林火灾的图[0070]在对火灾检测模型进行训练前，首先将采用的森林火灾数据集随机分为训练集、[0075]在采用anchor_based方法的对比实验中，将本发明算法与YOLOv3、SSD300和高的检测精度，其AP为0.9470，仅比本发明方法低0.0129，但FasterR_CNN的FLOPs为研究的方法在精确度和计算复杂度方面都相对