摘要
烟雾是早期火灾的重要特征，依托监控摄像头对视频中的烟雾进行识别有利于及时预警早期火灾。随着卷积神经网络在视频图像分析领域的广泛应用，基于卷积神经网络的视频烟雾识别技术是烟雾识别的重要研究方向。然而，许多精度较高的模型结构复杂，识别速度难以满足实时性的需求。此外，由于训练数据不够丰富，模型的泛化能力往往较差。针对上述问题，以卷积神经网络为基础框架，对实时视频烟雾识别方法展开了以下研究： （1）广泛收集烟雾视频、图像，建立包含室内外多种场景的多形态烟雾数据集。对烟雾数据进行预处理和统计分析，并选取5段不同烟雾类型的测试视频评估模型的泛化能力。 （2）深入研究了YOLOv4和YOLOX算法，分别使用YOLOv4和YOLOX进行实时视频烟雾识别实验，并利用BiFPN和焦点损失分别改进YOLOX的特征融合网络和分类损失函数，提高了模型对烟雾深层次特征的学习能力，减少了正负样本不均衡带来的影响。提出一种平衡了识别精度和速度的YOLOX-Bi-FL实时视频烟雾识别模型，模型AP值为91.32%、速度为42FPS，实现了对不同背景环境、不同形态烟雾的实时识别。 （3）针对YOLOX-Bi-FL模型参数多、体积大这一问题，利用MobileNet和GhostNet改进模型的骨架网络，提出一种AP值为88.70%、速度为71FPS、体积仅44.9MB的轻量型模型MobileNetV2-Smoke，便于在移动端和性能普通的设备上进行部署，增强了模型的实用性。
NETL