基于深度卷积神经网络的火灾烟雾视频检测方法研究.pdf

基于深度卷积神经网络的火灾烟雾视频检测方法研究

摘要

火灾防范是从古至今人们都关心重视的问题，火灾的危害不容小觑，火灾的发生不

仅给人们生命和财产带来严重威胁，还会给生态系统带来不可估量的危害。传统的烟雾

传感器因为具有监测范围小、无法远程监控等弊端逐渐不能满足当今社会的防火需求，

而卷积神经网络的发展和现在无处不在的监控摄像头给预防火灾提供了新的思路。本文

选用YOLOv5s网络来对监控视频中的烟雾进行实时监测，实现预防火灾的目的，为了

达到更好的效果，对原YOLOv5s网络算法进行改进，使其在检测烟雾方面表现出更加

优异的性能，所作主要工作如下：

1、自制烟雾数据集。由于烟雾并没有公开的权威数据集，所以针对本文设计改进

的网络，建立一个用于网络训练和检测的烟雾数据集。

2、烟雾没有固定的形状，浅色烟雾会出现透明现象难以与背景区分，而且烟雾离

摄像头较远时在监控视频图像中的目标较小，这些都给检测带来一定的难度，增大误

检、漏检概率。注意力机制能够减少背景信息的干扰，提升网络的检测精度，所以本

文在原YOLOv5s网络中嵌入CBAM注意力机制模块以解决上述问题。

3、原YOLOv5s网络Neck部分的FPN+PAN结构在进行特征融合时会丢失部分特

征信息，不利于后续对烟雾的检测识别。所以本文对YOLOv5s网络的特征融合网络进

行改进，参考BiFPN设计一个双向跨尺度连接的结构，增加不同层级特征图之间的信

息传递，融合更多信息，减少信息丢失，提高网络的检测精度。

4、烟雾发现的越早，越能够及时采取措施避免火灾，而且考虑到用于监控的电脑

配置较低，不像实验室电脑一样可以平稳地运行网络。所以本文对所设计的烟雾检测网

络进行轻量化改进，在降低网络对计算机硬件依赖性的同时还可以加快检测速度，将轻

量化网络MobilenetV3与所设计网络的主干网络进行替换，设计出了

MobilenetV3-YOLOv5s-CBAM-BiFPN网络。在检测精度略微下降的情况下使网络模型

大小降低到原来的一半左右，同时提高了检测速度。

5、基于Qt平台针搭建了一个简洁的实现界面，将所设计的烟雾视频检测系统嵌入

到该平台。

关键词：视频烟雾检测；YOLOv5s目标检测网络；CBAM注意力机制；BiFPN；轻量

化网络Mobilenet

基于深度卷积神经网络的火灾烟雾视频检测方法研究

Abstract

Firepreventionhasbeenaconcernandconcernofpeoplesinceancienttimes.Theharm

offirescannotbeunderestimated.Theoccurrenceoffiresnotonlyposesaseriousthreatto

peopleslivesandproperty,butalsobringsincalculableharmtotheecosystem.Traditional

smokesensorsaregraduallyunabletomeetthefirepreventionneedsoftodayssocietydueto

theirsmallmonitoringrangeandinabilitytoremotelymonitor.However,thedevelopmentof

convolutionalneuralnetworksandtheubiquitoussurveillancecamerasnowprovidenew

ideasforfireprevention.ThisarticleselectstheYOLOv5snetworkforreal-timemonitoring

ofsmokeinsurveillancevideos,achievingthegoalofpreventin