[13]，在工業(yè)界得到了廣泛的應用。后人在此基礎上進行研究，形成了YOLO系列算法。YOLO的檢測思想，是將圖像劃分為S*S個網(wǎng)格，如果某個物體的中心落在這個網(wǎng)格中，則這個網(wǎng)格就負責預測這個物體，如圖4-1所示。圖4-1YOLO算法檢測原理圖YOLO算法輸入圖像大小為的448*448的三通道圖片，提取特征的主干網(wǎng)絡由24個卷積層和池化層組成，2個全連接層用于檢測目標的位置和類別預測。圖4-2YOLO算法結構原理圖4.2火災檢測系統(tǒng)基礎算法選擇通過以上的分析，深度學習的模型具有更強的泛化能力和更高的準確率，且能夠端到端地進行目標檢測，從而減少了中間步驟，提高了檢測效率。而在深度學習的眾多算法中，YOLO系列算法仍是大部分目標檢測項目的首選算法。但是考慮到火災檢測的具體目標存在尺寸微小、特征不明顯的特點，場景要求檢測準確度高，檢測時間短的原因，現(xiàn)階段需要分析各種YOLO系列算法的優(yōu)缺點，以完成后續(xù)火災檢測系統(tǒng)基礎算法的選擇。在此選擇最具有代表性的兩種YOLOv5與YOLOv8模型進行性能對比。表4-1YOLOv5與YOLOv8比較特性/模型YOLOv5YOLOv8架構類型一階段目標檢測一階段目標檢測速度較快更快，適用于高性能需求準確性高，適用于多種任務更高，尤其是在復雜場景下模型大小中等相對較小訓練時間相對較短，易于訓練稍長檢測范圍廣泛適用于多種尺度和類型的目標廣泛適用于多種尺度和類型的目標由表4-1可以得到，目前較為主流的兩種YOLO算法各有優(yōu)勢，且都具有優(yōu)良的性能。YOLOv5相較擁有更短的訓練時間，易于訓練；但是考慮到火災檢測所需的實時性與準確性，YOLOv8擁有更高的性能，更高更適應復雜場景的準確度，同時模型較小易于大量部署。所以通過綜合分析考量，選取檢測速度更快、準確度更高的YOLOv8模型作為本設計的基礎模型。4.3基于火災檢測模型YOLOv8的算法優(yōu)化當前的YOLO系列算法模型已經(jīng)成為了目前運用在目標檢測領域最主流的算法之一，多代的更新與改良使得其性能已經(jīng)非常優(yōu)越，然而現(xiàn)存的模型大多存在一個信息融合的缺陷，其頸部結構如圖4-3所示，當需要融合跨層信息時，特征金字塔網(wǎng)絡（FeaturePyramidNetwork，F(xiàn)PN）的結構使之一定要通過中間層才能融合跨層的信息，從而產(chǎn)生較大的信息損失。針對這一問題，本文決定對系統(tǒng)模型算法采用goldYOLO算法的優(yōu)化方案。圖4-3信息跨層融合示意圖goldYOLO算法同樣也是分為3個部分，骨干、頸部、頭部。如上圖，在特征金字塔網(wǎng)絡的結構下，相鄰層的信息可以直接融合，但是非相鄰層之間的信息融合就只能“遞歸”間接獲取。在goldYOLO算法中，其放棄了傳統(tǒng)特征金字塔網(wǎng)絡的遞歸方式，采用了全新的聚合-分發(fā)（gather-and-distribute，G-D）機制，通過擴大頸部層間的結構，增加了一個統(tǒng)一的模塊負責聚合或分發(fā)數(shù)據(jù)。從功能出發(fā)，聚合-分發(fā)的機制包括了三種模塊：特征對齊模塊(FeatureAggregationModule，F(xiàn)AM)、特征信息融合模塊(InformationFusionModule，IFM)、特征信息分發(fā)模塊(InformationInjectionModule，Inject)。分別對應了對齊、融合、分發(fā)的功能。而下文我將從低階到高階兩個模塊的順序分別闡述其內部對這三種功能的執(zhí)行。4.3.1低階段采集-分發(fā)分支圖4-4低階段采集-分發(fā)分支結構圖如上圖所示，從骨干端獲得輸入的信息之后，低階段特征聚合模塊（Low-FeatureAggregationModule，low-FAM）模塊負責收集骨干端不同尺度的特征圖，并通過上采樣或者下采樣的方式對其進行對齊。為了得到火焰信息的保留小目標信息的高分辨率特征，對B2、B3、B4、B5進行了特征融合。同時，在幾條通道中，B2的分辨率最高，引入B2使得小目標特征盡可能的被保留了下來，將提高整個算法對小目標特征圖像的分辨效果。（1）低階特征對齊模塊如上圖所示，由于考慮到既要將特征圖選擇為盡可能大的，保留更多的特征信息，但有需要考慮到計算最大閾值，不能過大的增加計算壓力，故算法采用了B4作為基準特征圖，權衡的圖像處理的速度與精度。這里選擇p5=1可見，隨后的操作中，算法對大的特征圖B2、B3通過平均池化的方式進行了下采樣，對小的特征圖如B5采用雙線性插值進行了上采樣，從而實現(xiàn)了特征圖大小的統(tǒng)一。最后，連接得到合并后的特征Falign（2）低階信息融合模塊如上圖所示，整個模塊中包括了卷積（Conv）模塊、表示塊（RepBlock）模塊和分割（Split）模塊，即將對齊后，得到的連接的特征Falign輸入到表示塊模塊中得到Ffuse融合特征。在這些模塊中，卷積塊用來負責調節(jié)通道大小形式，以適應不同模型的大小。而Ffuse通過分割塊在通道上拆分為：F上述過程對應的公式如下Falign=Low_FAMFfuse=RepBlock（FFinj_P3,Finj_P4=Split(Ffuse（3）信息分發(fā)模塊圖4-5信息分發(fā)模塊模型在此算法中的信息分發(fā)模塊，如上圖所示，為了更有效的將全局信息注入到不同的層，決定采用注意力機制來融合層級信息。在信息融合模塊之后，同時輸入局部信息和全局信息并分別記為Flocal和Finj，F(xiàn)inj通過兩個不同的卷積層分別得到Fglobal_embed和FactFglobal_act_pFglobal_embed_pFatt_fuse_pPi=RepBlock(F4.3.2高階段采集-分發(fā)分支圖4-6高階段采集-分發(fā)分支結構圖（1）高階特征對齊模塊算法的該模塊由平均池化（AvgPool）構成，在高階特征中，特征由Pi代替，通過平均池化將輸入特征的寬與高降維到統(tǒng)一尺寸，首先將P3和P4降維到P5大小，然后再通過連接（2）高階特征融合模塊類似于低階聚合的過程，此過程主要由轉化（Transformer）模塊和分割（Split）模塊構成。對特征聚合的過程可以分為。高階段特征聚合模塊得到的特征Falign，首先經(jīng)過轉化模塊處理得到F經(jīng)過卷積模塊1x1卷積處理，將Ffuse的通道調整為Cp4+Cp5通過分割模塊，將特征圖切片為Finj_N4Falign==Hig?_FAMFfuse==Transformer（FFinj_N3，F(xiàn)在公式4-8中，轉化融合模塊包括多個堆疊的轉化塊?？紤]到火焰目標檢測仍需要時效性和更快的檢測速度，將此算法中一些影響速度的操作部分進行了剔除，所有的高斯誤差激活函數(shù)（GaussianErrorLinearUnit，GELU）激活函數(shù)換成了簡單激活函數(shù)（RectifiedLinearUnit，ReLU）。同時還為了增強轉化塊中的局部連接，兩個1*1卷積中間增加了一層深度卷積。（3）信息分發(fā)模塊由于前后數(shù)據(jù)分發(fā)-聚合機制執(zhí)行效果相同，則高階段的信息分發(fā)模塊與低階的信息分發(fā)并無差異，再此不再贅述。4.4損失函數(shù)考慮到此類火災檢測的過程中存在回歸損失，且火焰常常有不規(guī)率的形態(tài)大小特征，同時考慮到算法設計存在的誤差，本設計選擇絕對誤差損失函數(shù)作為本次設計的損失函數(shù)。絕對誤差檢驗函數(shù)（MeanAbsoluteErrorLoss）又稱F1loss，其對于異常值的檢驗有著更大的寬容度，本身服從拉普拉斯分布，比均方誤差損失函數(shù)有著更高的抗干擾性與收斂性，同時又較01誤差損失函數(shù)有著更高的性價比。絕對誤差損失函數(shù)的公式如下：L=1Ni=1N|其中，L為損失函數(shù)，yi為每次測得的樣本值，y5算法實驗測試5.1實驗環(huán)境表5-1實驗環(huán)境參數(shù)配置說明配置參數(shù)操作系統(tǒng)Windows10內存16GBCPUAMD銳龍74800UPython版本Python3.9攝像頭720pHD攝像頭5.2數(shù)據(jù)集構建本文設計采用到的火災數(shù)據(jù)集，包含了自我收集、互聯(lián)網(wǎng)收集到的各種火災發(fā)生的圖片，類型可大致劃分為森林火災、城鎮(zhèn)火災、室內火災、開放場所火災、交通工具火災幾種，在尺度上可分為遠、中、近距離火災照片。在進行訓練過程在將訓練集、驗證集、測試集按照6：2：2的比例進行劃分，從而建立了一個共包含2676張圖片的火災數(shù)據(jù)集。對于數(shù)據(jù)集的標注使用了LabelImg軟件，在圖片中創(chuàng)建標記框，手動框選目標物體，并為其添加標簽。5.3評價指標精確率計算的是預測為正例的結果中，真正例的占比率；召回率計算的是被正確檢測的正例占樣本中所有正例的比率。精確率和召回率是一對矛盾，一般而言，精確率越高，召回率越低；而召回率升高時，精確率也往往會降低，P-R曲線如圖5-1所示。圖5-1P-R曲線示意圖考慮到整體設計，本文采取精確率（precision）和召回率（recall）還有模型平均精確均值（meanAveragePrecision，mAP）對模型整體性能進行評估。得到平均精確率后，可以進一步計算所有類別的平均精確率。其計算公式如下所示。precison=TPTP+FP(5-recall=FPTP+FN(5-mAP=i=1nAPi其中，TP表示真正例（模型預測為正且實際為正的樣本數(shù)），F(xiàn)P表示假正例（模型預測為正但實際為負的樣本數(shù)），F(xiàn)N表示假負例（模型預測為負但實際為正的樣本數(shù)）。AP(i)的含義為每條P5.4實驗結果與對比分析在模型的訓練過程中，本文使用了交叉驗證的方式，將前文收集到的數(shù)據(jù)集分為大小和分布都基本相同的十份，每次取其中的九份對模型進行訓練，最后剩下的一份用來進行驗證。訓練過程為100個epoch。在訓練過程中，分別對YOLOv8的基礎模型和運用goldYOLO的算法模型利用前文的火災數(shù)據(jù)集進行訓練，得到各訓練模型的精確率、召回率等一些評價指標，如表5-2所示。表5-2實驗結果指標對比ModelsAP(%)Recall(%)Map(%)YOLOv855.048.759.8goldYOLO64.255.561.3YOLOv8goldYOLO圖5-2兩種模型P-R圖像對比運用系統(tǒng)進行訓練時的P-R圖像如圖所示，其橫軸為召回率，縱軸為精確率。從中可以看出，改進后的算法一側的P-R曲線，與坐標軸圍成面積確實有顯著增大，即算法準確度確有提高，說明goldYOLO的改進算法性能較好。5.5測試效果圖將訓練最好的模型部署到搭建好的界面平臺之上，測試其圖片檢測功能（圖5-3、5-4）、視頻檢測功能（圖5-5）及攝像頭實時檢測功能（圖5-6）圖5-3圖5-4圖片檢測功能圖5-5視頻檢測功能圖5-6攝像頭實時檢測功能優(yōu)化后的goldYOLO算法相比YOLOv8算法在識別方面上有明顯改善，如圖(a)室外火災現(xiàn)場、圖(b)室內火焰圖像和圖(d)室內微弱火焰所示，不僅可以正確檢測早期火災的小目標火焰，還可以將微弱的火焰信號成功地檢測出來。在不僅是虛擬環(huán)境中還是現(xiàn)實世界都有著不錯的表現(xiàn)。6總結與展望6.1總結一直以來，火災事故頻繁發(fā)生，給人類不僅是生命安全還有財產(chǎn)安全造成了巨大的損害與威脅。近年來，隨著人工智能與計算機視覺技術的迅猛發(fā)展以及智能消防理念的提出，基于人工智能、深度學習算法的火災檢測系統(tǒng)受到業(yè)界的廣泛關注。本文設計了一套火災檢測系統(tǒng)，實現(xiàn)了對多種場景區(qū)域進行實時火災檢測的功能，可以應用在船艙、地鐵、餐廳等室內場地，也可以廣泛應用于普遍的室外的大型場所，能夠有效降低火災帶來的風險與損失。本文中對于系統(tǒng)的需求分析進行了詳細論述。針對本系統(tǒng)的需求與應用場景，排除了傳統(tǒng)的低效率的火災檢測方法，運用深度學習方面的目標檢測技術。為了提升在火災場景下，模型的識別準確度與火災檢測的實時性，在該算法中借鑒了goldYOLO的技術，這使得模型的效率和準確性大大提高，能夠更廣泛更加可靠地適用在各種場景之下。在多次測試后，模型的平均精確度達到了61.3%，能夠較好地滿足模型的可用性與實時性。6.2未來展望本文的數(shù)據(jù)集大多都是從視頻網(wǎng)站和文章中搜集整理的。但是現(xiàn)實中的火災場景復雜多變，干擾因素也較多，不僅有白天還有夜晚，還包括了各種各樣的場景。數(shù)據(jù)集相對來說比較少，訓練出來的網(wǎng)絡和實驗驗證只是在本數(shù)據(jù)集中有良好的效果，實際應用不一定能取得好的效果。后期還可以擴大數(shù)據(jù)集，做更深層的研究。系統(tǒng)對較近距離的目標檢測效果比較理想，且對于背景圖像的火焰誤判情況時有發(fā)生，后續(xù)認為應該增加網(wǎng)絡結構的研究，增強小目標特征的學習，同時適當調整算法的準確度來改善檢測效果。本文只對火焰檢測做了設計與研究，但其實火災檢測更重要的還有煙霧識別檢測，火災強度的檢測，這些都是一個完整的火災檢測系統(tǒng)應該具備的。后期可考慮煙霧和火焰同步檢測，通過遠點監(jiān)測煙霧，近點監(jiān)測火焰，兩者綜合來判斷火災能使監(jiān)測的準確性更加提高。參考文獻:張龍.基于YOLOX-S深度學習算法的多路視頻火災煙霧檢測系統(tǒng)研究[D].中北大學,2024.殷夢霞,王理,孫連營.基于多特征融合的自適應煙霧檢測算法[J].建筑科學,2019,35(09):26-31.張斌,魏維,何冰倩.基于多特征融合的早期野火煙霧檢測[J].成都信息工程大學學報,2018,33(04):408-412.談世磊,別雄波,盧功林,等.基于YOLOv5網(wǎng)絡模型的人員口罩佩戴實時檢測[J].激光雜志,2021,42(02):147-150.林宏,劉志剛,趙同林,等.基于視頻的林火煙霧識別算法研究[J].安全與環(huán)境學報,2013,13(02):210-214.白帆,周大元,張麗平,等.世界森林火災預防與監(jiān)控技術概述[J].林業(yè)勞動安全,2008(03):20-22+25.何愛龍,陳美娟.基于多特征融合的視頻火災檢測方法[J].軟件導刊,2020,19(07):198-203.曹江濤,秦躍雁,姬曉飛.基于視頻的火焰檢測算法綜述[J].數(shù)據(jù)采集與處理,2020,35(01):35-52.王飛.基于深度學習的森林火災識別檢測系統(tǒng)的研究與實現(xiàn)[D].電子科技大學,2020.王光耀.基于機器學習的火災檢測方法研究[D].大連理工大學,2016.傅天駒,鄭嫦娥,田野,等.復雜背景下基于深度卷積神經(jīng)網(wǎng)絡的森林火災識別[J].計算機與現(xiàn)代化,2016(03):52-57.趙志宏,楊紹普,馬增強.基于卷積神經(jīng)網(wǎng)絡LeNet-5的車牌字符識別研究[J].系統(tǒng)仿真學報,2010,22(03):638-641.彭浩.基于YOLOv5的無人機巡檢圖像絕緣子檢測技術的研究[D].中國礦業(yè)大學,2022.榮建忠,姚衛(wèi),高偉,等.基于多特征融合技術的火焰視頻探測方法[J].燃燒科學與技術,2013,19(03):227-233.黃琳琳.基于YOLO算法的智能云預警系統(tǒng)的設計和應用[J].電信工程技術與標準化,2024,37(03):52-57.FireandSmokeDetectionRecognitionSystembasedonYOLOAlgorithm【Abstract】In