传统的火灾探测技术通常依赖于烟雾或温度变化等物理信号的探测，但这些技术往往存在误报和漏报的问题。而使用计算机视觉技术发现火灾可以有效地解决这些问题。计算机视觉技术可以通过摄像头捕捉到的图像数据，精准地识别出火源位置和火势大小，从而大大减少了误报和漏报的可能性。这些优势使得计算机视觉技术在火灾探测方面拥有更高的准确性、实时响应能力和自动化程度，是未来火灾探测技术的重要发展方向。

1．当前计算机视觉技术简介

计算机视觉技术是指利用计算机和相应的软件实现对图像、视频等视觉数据的分析、处理、理解和应用的技术。随着数字化时代的到来，计算机视觉技术获得了迅猛发展，成为人工智能领域中最重要的分支之一。

YOLOv5是卷积神经网络中的主流模型，它可以完成多尺度图像目标检测，同时具有很好的检测精度，在火灾图像识别上表现尤为突出。它使用了一种叫做 backbone的卷积层结构，该结构的最大特点就是在卷积层中加入了多个卷积核（通常为4~8个），这些卷积核通过与空间信息交互来实现特征提取。除此之外，YOLOv5中还增加了一个密集连接层（DenseNet）以进一步提高检测精度。这些多尺度特征的结合可以更好地提取图像中的复杂信息，从而提高识别准确率。

2．系统设计与实现

火灾探测系统主要分为火灾数据采集、数据预处理、火灾数据集的制作、训练以及测试几个部分。火灾数据采集模块主要负责从现场采集火灾图像，通过摄像头获取图像并保存下来；图像处理模块主要对采集到的图像进行预处理，其中包括对图像中存在的干扰像素的去除和对图像中存在的噪声进行去噪；火灾数据集的制作主要是通过将火灾图像进行转换后将其转换为火灾数据，并将转换好的数据集进行编号；训练模块主要负责利用 YOLOv5模型对火灾数据集进行训练；测试模块负责对已训练好的模型进行测试。本系统采用了 Pycharm作为开发环境，通过 PyQt界面操作可以实现各个模块的功能。

2.1火灾数据采集

由于时间等因素，火灾数据采用了开源数据集。总共2059张图像。

2.2模型训练过程

如图1所示，将训练资料集导入建立的神经网路，透过神经网路计算后，会产生预测的数值，此时将预测值导入 损失函数当中，而损失函数会依预测值与标准答案，计算差距后，会藉由优化器更新权重，逐渐慢慢调整，直到预测值能尽量接近标准答案，最后则会产生训练好的模型。

图1模型训练过程

3．实验结果与分析

由于验证集并非参与训练调参过程，所以在模型评价中，应综合考虑验证集、测试集的表现。验证集、测试集归一化PR 曲线如图2所示。

由以上训练测试结果图可以看出，不同类别的平均精度（AP，average precision）与数据集中见图8该类别标签数量成正比。对于有丰富样本的火灾（fire）类别，精度表现最好，混淆矩阵中错检、漏检情况也很少，烟雾（smoke）类别标签数量少，精度表现差，也会有不少错检和漏检的情况。

图2 测试集归一化PR 曲线

4．模型应用

4.1图像、视频识别

使用开源PyQt框架设计应用界面，可以利用模型对图片、视频进行检测。测试结果如图3、图4所示。图像和视频中的火焰和烟雾基本都能在第一时间准确的识别出来。

图3 图片识别

图4视频识别

4.2摄像头实时检测

通过利用电脑自带摄像头和模拟网络摄像头，对模型实时检测能力进行测试。测试结果如图5所示。通过测试，对实时视频中的火焰识别较为准确快速，由于摄像头像素等原因，对烟雾的识别误差较大。

图5实时火焰识别

5．计算机视觉讲述在火灾检测中的优势

（一）更快速响应：传统的火灾探测器通常需要通过感应火焰、烟雾、温度等物理信号来进行火灾检测，响应速度较慢。而使用计算机视觉技术，可以通过分析摄像头拍摄到的视频图像，实现快速响应和检测火灾的存在，具有更高的实时性。

（二）更准确的识别：传统的火灾探测器通常只能通过单一物理信号来识别火灾，容易产生误报或漏报等问题。而计算机视觉技术可以通过深度学习等方法进行复杂的图像分析和特征提取，提高了火灾识别的准确性。

（三）更全面的检测：传统的火灾探测器通常只能检测某些特定的火灾信号，如火焰、烟雾、温度等，而使用计算机视觉技术可以检测到更多类型的火灾信号，如火光、火源、火势等，可以提高火灾检测的全面性。

6.结束语

近年来，烟火的检测已成为计算机视觉领域的热点问题之一，同时也是火灾预防领域迫切需要解决的技术问题。本文针对这一问题，基于现有的YOLOv5模型，开发了一个基于深度学习的烟火检测系统，并通过实验证明卷积神经网络在烟火识别方面具有较高的准确率和实时性。

参考文献：

[1]唐晓晴,郭耀文.基于深度学习的烟火检测技术研究[J].电脑知识与技术,2022,18(08):85-87.DOI:10.14004/j.cnki.ckt.2022.0487.

[2]陈柯亘,张静朗,高艺等. 一种基于改进YOLO v5的高空烟火检测方法[P]. 天津市：CN115331141A,2022-11-11.

[3]马忠国,谭继双,龚俊峰等. 一种基于深度学习方法的图像型火灾探测器烟火识别方法[P]. 山东省：CN115019164A,2022-09-06.

作者简介:余洪浩(1985-)，男，四川宜宾人，四川师范大队通信工程专业工学学士学位，一级注册消防工程师，主要从事消防监督检查、火灾调查等工作