基于改进YOLOv5的火灾检测方法.pdf

摘要

火灾是一种常见的突发性灾害，它不仅造成直接的生命和财产损失，还会带来

一系列环境和社会经济问题。目前，火灾检测主要通过烟雾、温度等传感器来实

现，但其存在检测精度较差和应用场景有限等问题。随着计算机视觉图像的兴起，

深度学习目标检测算法成为主流，而提高火灾检测的效率，成为预防火灾发生的关

键因素。因此，如何有效提升模型对火灾检测的速度、准确度和场景适应能力具有

极高的研究价值。

基于深度学习的目标检测模型能够自动学习和提取有效的火灾图像特征，实现

对火灾的高精度检测。本文分析了目前主流算法的缺点和不足，根据火灾使用场景

的不同，设计了基于YOLOv5的轻量化火灾检测方法和基于YOLOv5的固定场景

下火灾检测方法，主要工作如下：

（1）提出了一种轻量化火灾检测方法：YOLOv5算法的CSPDarknet53主干网

络结构复杂，含有大量卷积层，不适用于计算量有限的小型设备部署。因此，本文

采用通道重组策略，融合了轻量化MobileNetV3-small主干网络，提高骨干网络的

图像信息提取效率；为了补偿轻量化主干网络空间感知能力的不足，本文将非局部

空间协调机制与CA注意力机制融合并置于Neck网络之后，有效地降低火灾模型

的了漏检率；本文为该模型设计了知识蒸馏模块，通过知识迁移提高网络精度，有

效降低误检概率；针对类火物体信息的干扰，本文基于OpenCV的图像处理技术，

对训练数据集中的图像进行了一系列几何变换，以此加强该模型的泛化性和鲁棒

性。实验表明改进后的模型平均精度从0.850提升至0.865。模型参数量减少幅度为

66.7%。

（2）提出一种固定场景下火灾检测方法：针对模型在不同目标尺寸条件下锚

框大小不匹配的问题，通过K-means聚类分析改进anchors计算方法，自适应调整

锚框尺寸和比例；针对固定场景中，强光下火焰图像对比度较低，火焰特征不明显

的问题，本文融合SimAM注意力机制，强化了卷积网络的特征表示能力；针对火

灾目标的形状和姿态不规则引起的识别精度下降问题，本文提出了一种改进的C3

模块，引入可变形卷积，增强模型对火灾特征提取灵活性和多样性。实验结果表

明，改进后的模型平均精度达到94%，比YOLOv5原模型提升9个百分点。

（3）基于Jetsonnano平台开发了轻量化火灾检测系统，利用TensorRT引擎对

模型加速，实现了火灾的实时检测。

关键词：火灾检测；深度学习；YOLOv5；轻量化；注意力机制；

ABSTRACT

Fireisacommonsuddendisasterthatnotonlyresultsindirectlossoflifeand

propertybutalsoleadstoarangeofenvironmentalandsocio-economicissues.Currently,

firedetectionmainlyreliesonsensorsdetectingsmoke,temperature,etc,yetthese

methodssufferfrompoordetectionaccuracyandlimitedapplicationscenarios.Withthe

emergenceofcomputervisionimaging,deeplearningobjectdetectionalgorithmshave

becomemainstream,andenhancingfiredetectionefficiencyhasbecomeacrucialfactorin

preventingfires.Therefore,effectivelyimprovingthespeed,accuracy,andscene

ada