摘要
作为严重威胁社会发展和人类生命财产安全的主要灾害之一。火灾的危害主要包括：威胁人身安全、造成经济损失、破坏文化遗产、扰乱社会秩序、破坏生态环境。因此，关于火焰的研究具有重大意义。然而，由于火焰的颜色、纹理和形状的多样性，以及存在大量类似火焰的易混物体，实时火焰检测是一项具有挑战性的任务。目前相关研究中火焰检测精度仍受到火焰数据集缺乏、火焰误检率较高、算力资源要求高等瓶颈性问题的制约。为有效解决上述关键问题，本文构建了新的大规模火焰数据集，并从多特征融合和模型轻量化方向着手，研究设计基于视频的实时火焰检测方法。本文的主要研究内容与创新点如下： 针对当前公开的火焰数据集数量相对较少，且部分数据标注不够准确的问题，我们花费了大量的时间和精力对数据集进行扩充、清洗和重新标注，构建了一个新的大规模高质量火焰数据集，为未来的火焰研究提供一个全新的基准。 针对现有火焰检测方法易受天气情况、光照强度、背景干扰等因素的影响，为了实现复杂场景下实时准确的火焰检测。本文在 YOLOv5 算法的基础上，结合多种损失函数与多特征融合，提出实时高效的火焰检测方法。为了充分挖掘困难样本的信息，引入焦点损失函数。同时设计多特征方法提取火焰动态特征和静态特征，达到剔除误报火焰的目的。本文方法在准确率、速度、精度和泛化能力等方面均有明显提升，同时能有效降低误报率。 针对已有的火焰检测方法往往依赖于高性能的机器，在嵌入式端和移动端的速度不尽人意。并且现有的火焰检测大多存在检测速度慢，误检率高，尤其是小尺度火焰漏检问题仍无法解决的问题，本文提出一种基于 YOLO 的火焰检测方法，结合深度可分离卷积设计火焰检测模型的网络结构，同时采用多种数据增强技术与一种基于边框的损失函数，以提高精度。实验表明，本文提出的轻量火焰检测模型在精度和速度上都有提升。 设计并实现了基于视频的实时火焰检测系统，主要功能包括对火焰目标的锁定，动态显示火焰区域，实时火焰预警。通过多路视频对火焰检测系统测试，结果表明系统能快速、准确地识别火焰，满足高检出率和低误报率的要求。
NETL