基于少样本学习的森林火灾烟雾检测方法

[目的]为解决由于森林火灾烟雾数据集样本量小、样本特征分散、烟雾图像占比小等特点导致的林火烟雾检测模型识别效果差、准确率低等问题,实现快速、准确识别检测森林火灾烟雾.[方法]针对少样本森林火灾烟雾图像数据集的样本特征,本研究提出了一种基于多头注意力机制的森林火灾烟雾图像检测方法.该方法首先在训练阶段采用数据增强方法,扩充训练数据的数量同时降低过拟合风险;然后设计特征提取模块与特征聚合模块,在特征提取模块中引入多头注意力机制并探讨引入的合适位置,使模型更多地关注火灾局部特征,解决烟雾图像少造成的信息缺失问题;在特征聚合模块中使用FPN-PAN模块对图像的深层与浅层语义信息进行特征融合;最后,设置检测头模块输出实验结果.利用测试准确率、召回率、误报率、检测率和F1 值等评价指标在少样本公共数据集和自建火灾烟雾少样本数据集上测试本方法的有效性.[结果]在数据增强阶段同时增加马赛克数据增强和多尺度变换,可以得到更好的检测效果.在特征提取模块的第 4个卷积模块后面添加 1处多头注意力机制的模型性能最好.相较于现有的元学习长短时记忆网络、匹配网络和轻量级目标检测网络等方法,本方法有更好的检测效果,具体表现为准确率达到了 98.79%,召回率 98.28%,检测率97.33%,误报率仅为6.36%.[结论]与现有的火灾烟雾检测模型相比,本方法具有更好的判别能力和泛化能力.