本发明属于森林火灾检测，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。
背景技术：
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，本发明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。一旦错过了过境时间，就可能导致火灾的早期发现和及时应对受到影响。
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，本发明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、本发明是这样实现的，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、本发明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、本发明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，本发明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、本发明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。本发明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，本发明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，本发明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”传递到超轻量化模型中，提高模型的泛化能力。这也意味着在不同场景和条件下都能表现得很好。
36、由于所设计的模型具备低计算复杂度的特点，因此可以降低边缘设备的能源消耗，并且更容易部署在偏远地区，而无需大规模计算资源或高速互联网的连接。
37、超轻量化模型的设计方法具有普适性，不仅仅适用于计算机视觉中的目标检测任务，还适用于分类、场景分割等复杂的计算机视觉任务。
38、第三，作为本发明的权利要求的创造性辅助证据，还体现在以下几个重要方面：
39、（1）本发明的技术方案转化后的预期收益和商业价值为：
40、通过多种深度学习模型压缩方法的结合，所设计的森林火灾检测模型可以实时检测和识别森林火灾，提高了火灾监测的效率，有助于减少火灾造成的生命安全和财产损失。其次，所设计的超轻量化模型减少了模型的计算和存储资源的需求，降低了森林火灾监测系统的系统的部署和运营成本；此外，所设计的超轻量化森林火灾检测模型，提高了火灾检测的实时性，使得火灾应急更加及时，减少了发生火灾的损失。
41、（2）本发明的技术方案填补了国内外业内技术空白：
42、超轻量化森林火灾检测模型的设计，将许多深度学习模型压缩方法结合起来使用，填补了针对超轻量化检测模型在森林火灾监测中的技术空白；其次，通过减少模型的计算复杂度，实现了更快速的检测和响应时间，从而使其易于部署在资源受限的边缘设备，填补了实时监测技术和终端低算力监测系统中可部署性的技术需求；此外，该技术方案结合了深度学习模型压缩和火灾监测的实际需求，为科研和应用领域提供了有价值的创新，填补了森林火灾监测技术的前沿。
43、（3）本发明的技术方案解决了人们一直渴望解决、但始终未能获得成功的技术难题：
44、本发明确实解决了利用深度学习方法实时检测森林火灾的问题，该问题在实时性方面相较于已存在的方法来说，存在着极大的提高。这主要得益于本专利将通道剪枝、特征蒸馏和量化等模型压缩方法结合起来，并成功部署在嵌入式终端设备上。
45、（4）本发明的技术方案克服了技术偏见：
46、本发明的技术方案的核心目标是提供一种高效、资源高效、超轻量化的方法，用于实时检测森林火灾。这种方法的设计不仅考虑到火灾监测的紧迫性，还着重解决了传统深度学习模型在资源受限环境中的限制。因此，可以说这一技术方案克服了某种程度上的技术偏见，即深度学习在边缘设备上的高资源需求问题。该技术方案关注了资源受限的边缘设备，提供了适应这些设备的解决方案，以实现实时森林火灾监测。这一方法的设计在克服技术偏见的同时，提供了更广泛的应用性，涵盖了森林火灾监测和其他资源受限环境下的监测需求。因此，本发明有望为科研和应用领域提供更全面的解决方案，减轻了传统深度学习模型的资源依赖性带来的技术偏见。
47、第四，本发明提供的实时检测森林火灾的超轻量化模型设计方法带来的显著技术进步包括：
48、1. 实时性和高效性：这种方法使用了轻量化的神经网络模型，使得在资源有限的设备上（例如无人机或移动设备）也能实时进行火灾检测，大大提高了火灾报警的及时性和准确性。
49、2. 优化的模型设计和训练：通过采用暗阴影通道去雾算法预处理图像，以及通过教师模型和学生模型的设计，实现了对模型的优化训练，提高了模型的性能和精度。
50、3. 通道剪枝和特征蒸馏：通过通道剪枝技术，有效地剔除了模型中的冗余通道，减少了模型的复杂度和计算量；通过特征蒸馏技术，将教师模型的中间层特征传递给学生模型，进一步提高了模型的性能。
51、4. 模型量化：通过量化方法，进一步减轻了模型的计算和存储负担，使得模型可以在更低配置的设备上运行，同时保持较高的火灾检测精度。
52、以上这些技术进步使得这种方法在实际应用中具有较大的价值，尤其是在快速、准确地检测森林火灾、及时进行火灾报警和火灾扑救等方面。
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。
8.一种如权利要求1~7任一项所述的实时检测森林火灾的超轻量化模型设计方法得到的实时检测森林火灾的超轻量化模型，其特征在于，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；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。
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。
