蔡柳艳, 于 瓅

(安徽理工大学计算机科学与工程学院,安徽 淮南 232001)

0 引 言

火灾是现实生活中最常见、最突出,同时也是危害性最大的一种灾难,直接关系到人民群众的生命、财产安全,甚至会严重影响区域生态系统的稳定。因此,在火灾发生初期,对其进行迅速、有效的监控与预警,是防止火灾发生的关键。

早期多使用传感器检测火焰和烟雾,对于室内等特定环境有较好的检测效果,但在室外和复杂背景条件下受到诸多干扰,导致检测精度大幅下降[1]。传统的图像处理方法对于数据和处理器性能的依赖性较小,基于人工设计特征,通过收集颜色[2]、形状、纹理[3]和运动[4]等特征实现检测。Toereyin等人[5]基于小波变换来检测火焰颜色变换,结合时间与颜色的变化信息来减少对颜色相似的物体出现误检的情况。Kim等人[6]提出了一种基于RGB空间的颜色检测算法,优化了火灾的检测效果。然而,此类方法往往检测精度较低,误检率高,泛化性能不强。近年来,基于深度学习的目标检测算法得到了快速发展。与传统的机器视觉技术相比,深度学习方法能够自动提取出更抽象、更具体的特征,增强模型自身的泛化性能。Zhao等人[7]使用EfficientNet替换YOLOv3的主干网络,提高了网络的特征提取能力,但是忽略了计算量增多带来的速度下降问题;Xu等人[8]提出了一种轻量级的Light-YOLOv5s算法,提高了火灾检测的精度和速度,但是对于远距离目标的检测效果不太理想。

目前,以深度学习为基础的火焰和烟雾检测方法,在实际应用中仍存在很多问题。……