摘要
随着国民经济的发展与机械化工厂的迅速发展，工厂和居民楼里密集用电用火的行为也越来越普遍。各种各样的易燃物和不安全用火用电行为更容易引起火灾。基于传感器的火灾烟雾检测方法大多需要与烟雾颗粒接触或者感受到火焰温度变化才能感知火情。因此研究基于深度学习的视频火灾烟雾检测与预防的技术方法势在必行。该论文以单阶段检测效率高的YOLOv4和YOLOX目标检测算法作为Baseline改进，提出FM-YOLO和CSG-YOLO火灾烟雾检测算法。本文提出的主要包括以下几个方面: 针对YOLOv4目标检测网络中存在的不足，提出了FM-YOLO目标检测算法。FM-YOLO以为切入点，通过修改Backbone中CSP(Cross Stage Partial)结构的卷积模块，将倒残差结构和深度可分离卷积的组合加入CSP结构以拓展卷积运算宽度，降低模型体量，并加入SE（Squeeze-and-Excitation）注意力机制模块和Drop Path方法构成MBConv（Mobile Inverted Residual Bottleneck Block）模块。在网络的浅层使用Fused-MBConv（Fused-Mobile Inverted Residual Bottleneck Block）加快模型推理速度，最终在小幅度降低模型参数量的同时，进一步提升了模型的火灾烟雾的目标检测精度。在Pascal VOC2007数据集上，FM-YOLO对比YOLOv4模型的参数量降低了1.4×106，检测精度mAP提高了1.42个百分点。 针对YOLOX-S的特征提取网络卷积运算时宽度低，准确率较大型目标检测网络低的缺点，提出了CSG-YOLO算法。CSG-YOLO算法在特征提取网络中采用了大尺寸7×7的卷积核与深度可分卷积的组合，并使用了Layer Norm、GELU(Gaussian Error Linerar Units)和SE注意力机制模块构成CSE Block。更改卷积模块后的特征提取网络参数量大，推理速度慢。为了加快模型推理速度，减小模型体量，本文在CSP结构中加入Ghost Module。在自己制作的火灾烟雾数据集上,CSG-YOLO比YOLOX-S在准确率方面提高了1.63个百分点。 公开数据中只有较少的火灾场景数据集可供训练，本文使用爬虫工具获得网络火灾现场与烟雾图像，对视频抽帧后使用Labelimg软件完成Pascal VOC2017格式火灾烟雾数据集的制作。为了增强对小目标的检测能力，在模型训练期间使用了Mosaic数据增强的方法，有效改善了小目标占比不足的问题。
NETL