摘要
火灾具有不确定性和强破坏性的特点，是日常生活中潜在的安全隐患，在夜晚无人或环境复杂的情况下危险系数将进一步提升，因此及时检测到火情并报警，能够最大限度减少火灾带来的影响。近年来大量研究表明基于深度神经网络的火焰烟雾检测方法的精度与效率超过了传统算法，然而在火灾发生初期，火焰烟雾较小容易漏报，复杂场景下易受到落日、白云等物体的干扰造成误报，如何快速精准地检测火焰烟雾是个有挑战性的难题。为了平衡检测性能与检测速度,本文利用深度学习方法分别对简单室内场景和复杂室外场景的火焰烟雾进行研究，构建实时高效火焰烟雾检测算法用于火灾检测，具体研究内容如下: (1)针对室内场景中火焰烟雾初期目标较小容易漏报的问题，提出基于改进YOLOv5的火焰烟雾检测算法。首先，在输入端使用数据增强技术增加小样本数量，丰富样本的多样性。然后，在颈部使用双向交叉尺度融合模块，方便深层网络进一步结合火焰烟雾丰富的浅层特征，加强网络对小目标的检测能力;在输出层的三个检测头处增加协调注意力的推理层，增强对大、中、小三种尺度目标的定位能力，在不过多增加计算量的前提下，降低了漏报的概率。最后，通过改进的遗传算法优化模型的超参数，进一步提升模型的检测能力并加快收敛速度。实验结果表明，该算法的平均均值精度和检测速度都表现出了较为理想的结果。 (2)针对室外场景下视频图像视野范围广、背景复杂、干扰因素多等因素，借助火焰烟雾扩散慢的特点，提出基于时序特征的火焰烟雾识别算法。首先，使用查全率较高的目标检测模型从视频流中选择进行时序特征研究的关键帧和候选区域，为排除复杂背景的干扰，以此候选区域为中心构建火焰烟雾的图像管道。然后，使用卷积神经网络提取管道中每个图像的特征，并使用深层时序神经网络进行时间序列信息的特征识别，通过时序特征有效排除静态特征相似物体的干扰，降低误检率。最后为了部署，使用知识蒸馏方法将深层时序神经网络的教师模型转变为单层的学生模型，进一步减少参数量和计算量，提高了模型的实用性和效率。实验结果表明，该算法可有效排除静态特征相似目标带来的干扰。 (3)设计并实现了智能火灾预警系统。在室内场景和室外场景中可实时、高精度地自主标记视频图像中的火焰烟雾，全天候、全方位、无差别地向监控人员发出警报，满足火灾安防需求。
NETL