摘要
在社会生活中，火灾严重威胁公共安全，损害人类财产和生命安全。火灾发生时如何尽早发现以及预警，一直是人们所研究的重点问题。传统基于图像处理的火灾图像识别是通过对火焰或者烟雾图像进行特征分析与提取来识别火灾，人工设计的特征提取算法对于多背景复杂图像难以准确提取特征，算法也存在识别准确度低，实时性差等问题。当前基于深度学习的火灾图像识别是通过深度神经网络对火灾烟火数据集进行样本学习，训练出能识别火焰或烟雾的网络来达到识别火灾的目的。但此方法也存在数据集少、训练耗时大等问题。为了解决这些问题，本文提出了基于迁移学习的火灾图像识别方法，将迁移学习运用于火灾识别领域，运用共享参数的迁移方法进行火灾识别。 本文的研究工作：（1）针对火灾图像分类识别与烟火目标检测算法，部署了Tensorflow与Torch两种深度框架环境，建立了相应的数据集；（2）在火灾图像分类识别时，利用裁剪、翻转以及颜色变换等数据增强方法对相应的数据集预处理，防止出现训练过拟合现象；对目标检测算法训练所需的烟火数据集进行标签标注，将其制作成YOLO格式的数据集；（3）用预先在ImageNet上训练过的Xception、EfficientNet、VGG16等经典深度学习网络进行迁移学习，EfficientNet网络在火焰数据集上表现最好，对其进行优化加入CBAM注意力机制，火焰识别率达到98.3%；（4）将目标检测技术应用于火灾领域，提出了一种基于YOLO的火灾识别方法，并对其结构调整，将Neck部分用BIFPN结构来替换原先的PANET，以在不增加太多成本的情况下融合更多的特性。实验结果表明：模型能精准且快速识别火灾图像并且标记火灾发生的位置信息；（5）为了让算法应用走出实验室并在实际场景中落地应用，将训练好的YOLO-v5模型文件在嵌入式平台NVIDIAJetsonNano上部署，通过外接摄像头将实时画面读入，利用TensorRT加速网络模型推断并将参数精度降为半精度浮点型，在准确度损失较少的情况下大幅提高运行速度，测试该系统应用于火灾识别，最终该系统在烟火数据集中平均测试帧率在13FPS，能够完成对监控视频流信息的实时处理并准确识别火灾。
NETL