[发明专利]基于改进原型网络的少样本森林火灾烟雾识别方法及装置

说明书

本发明实施例公开了一种基于改进原型网络的少样本森林火灾烟雾识别方法及装置。方法包括：训练少样本检测网络模型；获取测试数据集，并将其划分为支持图像集和查询图像集；将支持图像集和查询图像集输入少样本网络模型进行特征识别，得到图像特征向量；计算图像特征向量的欧式距离，并根据欧式距离计算图像在每一个类上的概率，得到分类结果，从而完成图像的森林火灾烟雾识别；通过所述图像输出模块输出查询图像集中每一图像的分类结果。实施本发明实施例，针对少样本数据集(仅包括烟、云、雾、树及悬崖等)，设计了基于改进原型网络的森林火灾烟雾检测网络，在保证准确率的前提下，降低了检测的误报率。

技术领域

本发明涉及人工智能在森林火灾烟雾检测中的应用技术领域，具体涉及一种基于改进原型网络的少样本森林火灾烟雾识别方法及装置。

背景技术

森林火灾是最严重的自然灾害之一，具有突发性强、破坏性大、传播速度快等特点。图像处理以及深度学习技术的发展使得早期森林火灾自动检测成为可能。相比于传统的机器学习算法，深度卷积神经网络能够克服人工提取低层烟雾数据特征存在的准确率较低的问题，在特征提取的过程中提取到深层以及具有鉴别力的烟雾图像特征，从而提高检测的准确率。

然而由于复杂的背景环境以及疑似烟雾区域如：云、雾、霾等影响，森林火灾烟雾检测的误报率居高不下。某一地区真实森林火灾烟雾图像数据有限，而卷积神经网络大多依赖大量的训练数据，过少的数据会导致训练过拟合，从而影响检测模型的性能。

综上可知，传统卷积神经网络算法在使用大量数据训练时有较好的检测效果，对于少量训练数据集的情况，往往会产生过拟合的问题。当前可获得的有效的森林火灾烟雾图像数据样本量较为有限，无法满足大样本数据量要求的检测算法。与此同时，由于森林火灾烟雾背景复杂，且存在较多的干扰项，以往的算法的检测结果会存在高误报率的问题。

发明内容

针对现有技术中的技术缺陷，本发明实施例的目的在于提供一种基于改进原型网络的少样本森林火灾烟雾识别方法及装置。

第一方面，本发明实施例提供了一种基于改进原型网络的少样本森林火灾烟雾识别方法，包括：

训练少样本检测网络模型，所述少样本检测网络模型包括依次连接的输入模块、目标特征提取模块、元学习模块及输出模块；

获取测试数据集，并将所述测试数据集划分为支持图像集和查询图像集；所述测试数据集中的图像包括烟、云、雾、树及悬崖；

将所述支持图像集和查询图像集输入训练好的所述少样本检测网络模型，采用所述输入模块及目标特征提取模块进行处理，得到支持图像特征向量和查询图像特征向量；

通过元学习模块进行处理，计算所述支持图像特征向量和查询图像特征向量的欧式距离，并根据所述欧式距离计算所述查询图像集中每一图像在每一个类上的概率，得到分类结果，从而完成所述查询图像集中每一图像的森林火灾烟雾识别；

通过所述图像输出模块输出所述查询图像集中每一图像的分类结果。

在本申请的一种具体实施方式中，训练少样本检测网络模型具体为：

数据集建立：获取训练数据集，并将所述训练数据集划分为支持样本和查询样本；所述训练数据集包括miniImageNet中的数据，共95类，且所述训练数据集中不含有所述测试数据集的类别；

模型搭建：构建所述少样本检测网络模型，该模型中的目标特征提取模块有原始特征提取模块和注意力机制模块结合所得；

模型训练及优化：采用miniImageNet中的数据对少样本检测网络模型进行训练及优化；

模型评估：采用5-way平均准确率对所述少样本检测网络模型进行评估，同时使用准确率(AR)、误报率(FAR)、烟雾准确率(DR)、召回率(RR)和F1值对森林火灾烟雾数据集检测结果进行评估。