1.一种基于深度学习的森林火灾预警方法，其特征在于，依次包括数据生成、分类模型训练、树莓派部署和实时监控预警；数据生成：线上搜集部分森林场景图片及森林火灾场景图片，线下实地采集森林现场图片，利用生成式对抗网络生成大量的置信度高的森林火灾仿真图片，并创建分类数据集；数据生成过程，包括以下步骤：S11：线上收集初始森林图片数据集X0和森林火灾数据集Y0；S12：创建生成式对抗网络模型的虚拟环境，划分X0和Y0为trainA、testA、trainB和testB，设置loss参数和学习率，准备训练模型；训练模型，用于将正常森林场景图片转换成森林火灾场景图片；同时，设置两个样本空间，分别为：正常森林场景X和森林火灾场景Y；S13：线下实地采集森林现场图片，创建新数据集X1；对最终部署现场进行图片采集，在最终摄像头部署位置进行高密度图片采集；S14：使用图片生成模型对X1生成森林火灾仿真数据集Y1；利用生成式对抗网络训练完的模型对X1进行本地推理，通过调整阈值得到多张森林火灾仿真图片集Y1；S15：以X0和X1为第一组，以Y0和Y1为第二组，创建分类数据集；剔除第一组中与现场场景差异明显的图片；剔除在Y1中生成效果不好的图片；两组图片分别记录为正负样本集；分类模型训练：通过轻量级卷积神经网络对分类数据集进行训练；分类模型训练过程，包括以下步骤：S21：对分类图片数据集进行预处理，及数据增强；对数据集，进行旋转、平移、缩放和边缘填充处理；S22：搭建轻量级分类模型shuffleNetV2；使用pytorch框架，搭建shuffleNetV2模型，在每个单元的开始，通过Channel  split将c特征通道的输入被分为两支，每个分支的结构仍然保持不变；卷积之后，把两个分支拼接，通道数量不变，然后进行Channel  Shuffle操作，以使得两个分支能进行信息交流；S23：设置超参并进行分类训练，如下：设置neck为GlobalAveragePooling；设置head为LinearClsHead，num_classes为2；设置in_channels为256；设置loss为CrossEntropyLoss；设置loss_weight为1.0；设置optimizer为SGD；设置lr＝0.1，total_epochs为200；设置完成后，使用GPU进行分类模型训练；S24：分类模型输出：将训练得到的最优网络参数checkpoint保存为pth文件；树莓派部署：将训练结果模型部署到树莓派上；树莓派部署过程，包括以下步骤：S31：去掉训练得到的checkpoint参数模型的optizimer及dropout层，生成pth文件；S32：将pth文件to_onnx转换为中间格式文件onnx；转换为onxx格式，即，开放神经网络交换格式，以使模型在不同框架之间进行转移；S33：将：onnx裁剪为simonnx；其中，去掉onnx中多余的操作层，将simonnx转换为param参数文件和bin二进制文件；param文件和bin文件为最终的运行模型；

S34：C++调用ncnn接口，编写CMakeList；在树莓派下安装ncnn框架，然后使用C++直接加载param和bin，用自己的数据结构Mat来存放输入和输出数据，输入图像的数据要转换为Mat，减去均值和乘系数，执行前向网络，获得计算结果；编译输出可执行文件；实时监控预警：在树莓派预警平台上实时采集图像并立刻进行模型推理，将推理结果及现场图片、位置作为预警信息发送回服务器端。2.根据权利要求1所述的基于深度学习的森林火灾预警方法，其特征在于，实时监控预警过程，包括以下步骤：S41：将部署分类模型的树莓派及摄像头一起安装在多个静态监测点；静态监测点用于实时拍摄森林场景图片数据；S42：通过深度学习模型判定火灾发生概率；S44：经由信号传输网络将上述监测数据传输至后台服务器监控中心；S45：监控中心根据返回数据后生成相应的告警数据信息,并发送至消防人员的移动终端上。