王洪义，孔梅梅，徐荣青

（南京邮电大学电子与光学工程学院、微电子学院,江苏 南京 210023）

0 引 言

近年来，火灾发生频率越来越高，且火灾的发生往往伴随着一定程度的人员伤亡、环境破坏以及财产损失。为了避免火灾事故带来的危害，应在火焰产生的初期阶段对火焰进行准确快速的检测，这不仅有利于及时控制火情，还可有效降低火灾造成的恶劣影响。

鉴于火焰检测的重要性，人们已对火焰检测方法进行了广泛的研究。目前，有基于人工定义火焰特征和基于卷积神经网络2 种检测方法。基于人工定义火焰特征的检测方法，由于多数火焰目标较小以及阳光、灯光等与火焰颜色相似，因此该方法的检测平均精度低、小目标火焰漏检率高。人们使用将火焰的YUV颜色模型、形状和运动特征相结合的方法［1］和将RGB 颜色模型与ViBe 背景提取算法相结合的方法［2］来提高基于人工定义火焰特征检测方法的效果，但效果仍不理想。卷积神经网络具有较好的自主学习性、容错性以及较快的速度［3］，常用于图像的识别和分类。现今，用于火焰检测的卷积神经网络有CNN［4］、Faster RCNN［5］和YOLO［6］系列。其中，YOLO 系列相比于其他卷积神经网络而言，能够较好地提取图像的全局信息，且可以进行端到端的训练，用在火焰检测中更具优势。YOLOV5［7］是目前最新的卷积神经网络，相较于其他YOLO 系列，YOLOV5 具有更快的速度和更高的平均精度。Dai 等［8］使用MobileNet 网络替 换YOLOV3 的 主 干 网 络。赵 媛 媛 等［9］在 原YOLOV3 的基础上增加了第四层检测层。……