一种基于CNN-Transformer混合主干网络的光学遥感森林火灾检测方法

本发明涉及光学遥感图像目标检测，具体涉及一种基于cnn-transformer混合主干网络的光学遥感森林火灾检测方法。

背景技术：

1、森林是地球陆地生态系统的重要组成部分，对调节气候、维护生态平衡及保护生物多样性具有重要作用。然而，森林火灾具有突发性、破坏性强且难以防控的特点，给生态环境和人类生命财产造成重大威胁。由于森林区域通常人烟稀少，传统地面传感器监测难度大，光学遥感图像因其广覆盖、高分辨率和可实时获取的特点，成为森林火灾监测的重要信息来源。

2、目前，森林火灾遥感检测方法主要包括传统图像处理技术和基于深度学习的智能检测方法。传统方法主要依赖亮温阈值法、频谱分析、边缘与纹理异常检测以及统计模型分析等手段，虽然实现成本较低，但存在阈值依赖性强、特征通用性差、计算复杂度高和实时性不足等问题，难以适应高分辨率、火灾小目标和复杂背景的遥感图像场景。

3、随着深度学习的发展，基于卷积神经网络（cnn）的目标检测方法，如yolo系列算法，在森林火灾检测中被广泛应用。然而，现有深度学习方法在光学遥感图像中仍存在以下不足：

4、1.火灾初期小火点目标范围小、纹理微弱，容易出现漏检；

5、2.火灾边界模糊，传统上采样与特征融合方法导致定位精度低；

6、3.森林场景中火焰易被烟雾、树木遮挡，现有检测头无法充分建模遮挡区域的长距离依赖；

7、4.多尺度火灾目标检测效果有限，难以同时兼顾小目标、局部火灾和大面积火灾检测；

8、5.遥感设备计算资源有限，模型需兼顾轻量化与精度，而现有方法难以实现二者平衡。

9、因此，亟需一种适用于光学遥感图像的森林火灾检测方法，该方法能够精准提取小尺度火点特征、增强火灾边界定位、建模遮挡区域上下文关系，并在保证轻量化的前提下，实现复杂森林场景下的高精度火灾检测。

技术实现思路

1、本发明提供了一种基于cnn-transformer混合主干网络的光学遥感森林火灾检测方法，解决了现有森林火灾遥感检测方法中小尺度火点特征难以提取、火灾边界定位精度低、烟雾及树木遮挡条件下识别能力不足、多尺度火灾检测性能有限以及模型难以兼顾检测精度与轻量化的问题。

2、为了解决上述技术问题，本发明所采用的技术方案是：

3、获取森林火灾光学遥感图像，对图像进行预处理与标注，构建森林火灾检测数据集，并按照设定比例划分为训练集、验证集和测试集；

4、构建基于cnn-transformer混合主干网络的fct-firenet森林火灾检测模型，所述模型包括cnn-transformer混合主干网络（fct-backbone）、门控跨分支融合模块（gcfm）、边界上下文特征融合网络（bcfn）、小火点增强检测头（sfed head）以及火灾置信度校准模块（fccm）；

5、将训练集输入所述fct-firenet森林火灾检测模型，通过迭代训练与参数优化获得最优模型参数；

6、将待检测光学遥感图像输入训练完成的fct-firenet模型，实现森林火灾目标的自动检测，并输出火灾位置、类别信息及检测置信度。

7、进一步地，对光学遥感图像进行预处理与标注的方法为：

8、收集公开森林火灾遥感数据集以及卫星遥感、无人机遥感获取的森林火灾光学图像，构建覆盖不同季节、不同地形、不同植被密度及不同光照条件的森林火灾数据集；

9、对原始图像进行尺寸统一、数据增强及标注处理，并按照预设比例划分训练集、验证集和测试集。

10、进一步地，所述fct-firenet森林火灾检测模型的各改进模块设计如下：

11、针对森林火灾初期火点目标尺度小、纹理特征弱以及复杂背景干扰严重的问题，在骨干网络中构建cnn-transformer混合主干网络（fct-backbone）。其中，卷积分支用于提取火焰纹理、火点边缘及烟雾轮廓等局部细节特征；transformer分支用于建模火灾区域与周围环境之间的长距离上下文依赖关系；通过门控跨分支融合模块（gcfm）实现局部纹理信息与全局上下文信息的自适应融合，从而增强火灾目标特征表达能力，提高小尺度火点检测精度。

12、针对森林火灾边缘模糊、烟雾扩散导致边界定位不准确的问题，设计边界上下文特征融合网络（bcfn）。该网络通过边界特征提取模块提取浅层空间边缘信息，通过语义特征增强模块提取深层语义信息，并利用边界引导融合机制实现浅层边界特征与深层语义特征的协同融合，从而提高火灾边界定位精度和目标轮廓完整性。

13、针对初期小火点易漏检以及多尺度火灾目标检测困难的问题，设计小火点增强检测头（sfed head）。该检测头利用高分辨率特征层构建小目标检测分支，同时结合多尺度特征金字塔结构构建中尺度和大尺度火灾检测分支，实现不同尺度火灾目标的协同检测，提高模型对初期火点和复杂火灾场景的检测能力。

14、针对森林场景中云层、高亮裸地、建筑反光以及烟雾干扰导致误检率较高的问题，设计火灾置信度校准模块（fccm）。该模块综合利用火焰区域特征、烟雾上下文特征、多尺度预测一致性特征以及背景干扰特征，对检测结果置信度进行重新校准，从而提高模型对真实火灾目标的判别能力，降低复杂背景环境下的误检率。

15、进一步地，所述fct-firenet模型采用联合损失函数进行训练，包括边界框回归损失、分类损失、目标置信度损失、边界感知损失以及置信度校准损失；通过多任务协同优化提高模型对火灾目标定位、分类以及边界识别的综合性能。

16、与现有技术相比，本发明具有如下有益效果：

17、（1）构建cnn与transformer协同工作的混合主干网络，实现局部纹理信息与全局上下文信息的有效融合，提高复杂森林场景下火灾目标特征提取能力；

18、（2）提出边界上下文特征融合网络，增强火灾边界与语义信息表达能力，提高火灾目标定位精度；

19、（3）设计小火点增强检测头，有效解决森林火灾初期小目标火点漏检问题，提高多尺度火灾目标检测性能；

20、（4）引入火灾置信度校准机制，降低云层、裸地反光及烟雾干扰造成的误检，提高检测结果可靠性；

21、（5）各模块协同工作，在保持较高检测精度的同时兼顾模型轻量化需求，适用于卫星遥感、无人机遥感及地面监测平台等多种森林火灾监测场景。

1.一种基于cnn-transformer 混合主干网络的光学遥感森林火灾检测方法，其特征包括：

2.如权利要求1所述基于cnn-transformer混合主干网络的光学遥感森林火灾检测方法，其特征在于：步骤2中所述cnn-transformer混合主干网络包括局部火点纹理提取分支、窗口上下文自注意力分支以及门控跨分支融合模块；其中，局部火点纹理提取分支利用卷积结构提取火点边缘、亮度变化及烟雾纹理特征；窗口上下文自注意力分支利用窗口自注意力机制建模火点区域、烟雾扩散区域以及森林背景之间的长距离依赖关系；门控跨分支融合模块对卷积分支特征与transformer分支特征进行自适应融合，以获得增强后的火灾特征表示。

3.如权利要求1所述基于cnn-transformer混合主干网络的光学遥感森林火灾检测方法，其特征在于：步骤2中所述边界上下文特征融合网络包括边界特征提取模块、语义特征增强模块以及边界引导融合模块；所述边界特征提取模块用于提取火焰边缘、烟雾轮廓及火灾扩散边界信息；所述语义特征增强模块用于提取火灾区域深层语义特征；所述边界引导融合模块根据边界显著性信息对浅层空间特征与深层语义特征进行融合，以提高火灾目标边界定位精度。

4.如权利要求1所述基于cnn-transformer混合主干网络的光学遥感森林火灾检测方法，其特征在于：步骤2中所述小火点增强检测头包括高分辨率小目标检测分支以及多尺度火灾检测分支；所述高分辨率小目标检测分支利用高分辨率特征图检测初期小尺度火点；所述多尺度火灾检测分支利用不同尺度特征图检测中尺度火点、大面积明火以及烟雾遮挡火灾区域，从而提升模型对不同尺度火灾目标的检测能力。

5.如权利要求1所述基于cnn-transformer混合主干网络的光学遥感森林火灾检测方法，其特征在于：步骤2中所述火灾置信度校准模块综合利用检测框内部火焰响应特征、周围烟雾上下文特征、多尺度预测一致性特征以及背景干扰特征，对初始检测置信度进行重新校准；所述背景干扰特征包括云雾高亮区域、裸地反光区域、建筑物屋顶区域以及太阳反射区域的颜色和纹理特征；通过所述火灾置信度校准模块降低复杂背景环境下的误检率，提高检测结果的可靠性。

6.如权利要求2所述基于cnn-transformer混合主干网络的光学遥感森林火灾检测方法，其特征在于：所述门控跨分支融合模块根据卷积分支输出特征与transformer分支输出特征生成融合权重，并依据所述融合权重对局部纹理特征和全局上下文特征进行加权融合，从而实现不同场景下火灾特征的自适应表达。

7.如权利要求1所述基于cnn-transformer混合主干网络的光学遥感森林火灾检测方法，其特征在于：步骤3中训练使用的损失函数包括边界框回归损失、分类损失、目标置信度损失、边界感知损失以及置信度校准损失；所述边界感知损失用于约束边界显著性图与真实火灾边界之间的一致性；所述置信度校准损失用于约束校准置信度与真实检测质量之间的一致性。