摘要
随着社会的发展，高层建筑和大空间场所不断涌现在各个现代化大都市，但是也会存在不同程度的火灾隐患。而且高大空间建筑火灾具有传播速度快、灭火和营救比较困难等特点，对其进行有效地防范和尽早发现成为急待解决的问题。目前传统检测方法多用传感器检测设备，由于检测实时性差、检测范围小等众多局限性难以在高大空间建筑中发挥其优势。而采用机器视觉进行目标检测在面对复杂多变、空旷环境依然能够准确、实时的识别出待检测目标。因此，本文采用机器视觉为基础以高大空间建筑场所环境中火灾初期烟雾为目标，展开相关研究。主要研究内容包括: (1)首先采用传统机器学习的基于运动烟雾目标与多特征融合的烟雾检测方法。对输入视频提出一种以Th-Vibe检测算法找到运动区域，提取烟雾出现时所具备的颜色特征、形态特征、背景像素变化以及扩散特征，利用上述提取到的融合特征来训练支持向量机。最后对分类结果运用非极大值抑制算法剔除冗余框。 (2)对比传统目标检测方法中特征设计复杂和检测精度不高的问题，分析研究YOLOv5深度学习网络结构模型，设计了一种基于改进的YOLOv5的火灾烟雾检测算法。采用K-means++算法，实现先验锚框与火灾位置的精准匹配;其次改进CBMA注意力机制通道域，并加入YOLOv5的骨干网络中，提高网络的特征提取能力，改善火灾初始轻薄烟雾的漏检问题;用α-IoU损失函数代替GIoU损失函数作为边界框回归损失函数，提高边界框定位精度。 (3)最后进行了火灾检测系统软件设计，根据不同火情软件界面给出不同的火灾报警机制，并触发报警，同时借助第三方平台向用户移动手机端发出火灾报警信息提示，以便及时采取相应行动。 通过上述设计方法在高大空间环境火灾视频中进行实验，结果显示:本文研究提出的YOLOv5深度学习网络模型对比其它模型平均精度AP(Averageprecision)值分别达到95.2％、95.8％、95.4％，最大提升12.5％，在GPU上对单帧火灾图像图像的检测时间最大速度提升到为27ms，各项检测指标远高于传统目标检测方法，本研究设计改进算法可较好实现在高大空间建筑环境下实时、快速准确地检测识别火灾，因此，本文设计的火灾识别系统满足实际应用需求。
NETL