摘要
火一直是人类千百年来不可或缺并与之斗争的存在。自21世纪以来，随着现代社会的发展，居民用电用火越来越频繁，由此而导致的火灾发生频率也越来越高。火灾发生后，烟火一旦扩散开来，往往需要大量人力物力的投入才能将其控制，严重威胁人民生命财产与健康安全。但如果在火灾发生的初期及时预警并处理，就可以极大的减少损失并消除其危害性。 目前的火灾预警主要采取的人工巡检以及各类硬件设备的监控方式，这些方式所消耗的资源与人力成本巨大，但却时效性不强，适用性不高。为解决这些问题，本文结合深度学习和计算机视觉领域的先进技术进行研究，并对数据集和网络模型进行了改进,设计并实现了基于深度学习的烟火检测系统。本文的主要研究内容如下: (1)针对烟火数据集数量不足所引入的检测精度不高问题，设计并采用了图像左右翻转，改变图像颜色对比度、图像混合三种数据增强方法去扩充数据集合，同时划分数据集类型，在模型的训练阶段进行反复调整，有效提升了模型对目标的辨识度以及对于复杂环境的适应性。 (2)针对模型参数量较大而终端设备计算能力有限的问题，在模型方面选取YOLOv5-small模型，使用更轻量化的MobileNetv3-small的骨干网络来替换原始的YOLOv5-small的骨干网络，在减小了模型体积的同时加快了检测速度。然后，针对骨干网络替换后带来的烟火检测准确性下降的问题，引入空间金字塔池化SPPF以及注意力机制CBAM,从不同尺度以及考虑不同通道的相关性与空间位置的重要性两个层面优化提取特征信息，较好的提升了模型的检测准确性。最后，通过TensorRT优化部署，有效提升了边缘设备的推理效率。实验证明，通过以上改进，模型体积从原始的14.5MB下降到9.5MB，体积压缩34.4％,而平均检测精度mAP@0.5与mAP@.5:.95分别提升4.9％与0.8％。 (3）通过以上改进模型，设计并实现基于深度学习的烟火检测系统。该系统可以从视频监控图像中识别出烟火目标，并及时发出预警，以便相关人员迅速采取应对措施，确保安全，减少损失。
NETL