基于深度学习的火灾检测算法研究与实现.pdfVIP

摘要

火灾往往严重威胁着公众的生命财产安全，因此早期火灾检测研究具有重要意义和价值。

传统的火灾探测器主要以物理传感器为主，通过检测烟光气的变化判断是否发生火灾，但普

遍存在覆盖范围小、使用场景单一的问题。近年来，利用监控图像进行火灾检测的视觉型探

测器逐渐受到重视，同时，随着深度学习图像算法逐渐成熟，相较于传统手工特征提取算子，

神经网络能更好的提取图像中的烟雾、火焰特征，检测精度和速度都有极大提升，因此本文

基于深度学习算法对火灾图像检测进行了相关研究。

本文提出了烟雾检测与火焰检测共同进行的火灾检测方案。在烟雾检测算法设计中，本

文将YOLOV3的原主干网络替换为密集连接网络Densenet121，构成YOLO-Densebackbone

网络，并对自建训练集进行在线图像增强操作。火焰检测首先采用了基于预选区域与分类器

的方案，算法通过火焰的运动特征和颜色特征筛选得到疑似火焰区域，并通过二次颜色区域

扩展算法对空洞处进行填充，利用火焰边界框帧间连续性特征以及颜色像素面积比进一步筛

选符合条件的预选区域，最后利用PCBnet的局部特征思想进行火焰预选区域图像二分类。由

于火焰边界框尺寸的不规律性，基于锚框的目标检测算法在火焰检测任务中难以取得优势，

提出第二种利用anchor-free的CenterNet进行火焰识别的方案。该网络基于火焰中心点进行

预测，通过将样本集标签转换为特征热力图进行网络训练，在主干网络上选择了DLA-34网

络，并利用FocalLoss进行回归。

最后本文提出了多种算法性能指标，对上述烟雾、火焰检测算法进行了测试。测试结果

表明：YOLO-Densebackbone网络在自建测试集进行烟雾检测时AP值达到87.93，且模型大

小减小了一半。基于预选区域与分类器的火焰检测算法以及基于CenterNet的火焰检测算法均

可以在5s内检测到火焰，检测火焰帧数占总帧数比均大于80%。

关键词：深度学习、烟雾检测、火焰检测、目标检测、神经网络分类器

ABSTRACT

Firesareaseriousthreattothesafetyofpeopleslivesandproperty,soearlyfiredetection

researchisofgreatsignificanceandvalue.Traditionalfiredetectorsaremainlyphysicalsensors

thatdetecttheoccurrenceoffirebydetectingchangesinsmoke,light,andgas.Thesedetectors

generallyhaveproblemsofsmallcoverageandsingleusescenarios.Inrecentyears,Visualfire

detectorsusingmonitoringimageshavereceivedincreasingattention.Atthesametime,withthe

deepeningofdeeplearningimageprocessingtechnology,thedeeplearningalgorithmcanextract

thesmokeandflamefeaturesintheimagebetterthanthetraditionalmanualfeatureextraction

operator,andthedetectionaccuracyandspeedaregreatlyimproved.Basedonthedeeplearning

algorithm,thefireimagedetectionisstudied.

Thispaperpr