为提高火灾烟雾检测模型的性能, 以及避免繁琐的手工烟雾特征提取过程, 本文提出一种基于卷积神经网络YOLOv4的火灾烟雾检测模型。该方法以CSPDarkNet53为主干网络, 在主干网络的最后一层加入了13×139×95×51×1四个不同尺度的最大池化, 多尺度特征融合中采用了PANet(Path Aggregation Network)以提高网络特征提取能力; 为了增强网络预测头提取有效烟雾信息的能力, 在网络预测头加入通道注意力网络。针对火灾烟雾数据集, 候选框的尺寸使用K-means进行聚类以得到更加符合贴近火灾烟雾数据集的尺寸; 由于本文仅识别火灾烟雾一种类别, 所以精简损失函数, 剔除分类误差, 使算法收敛得更快。训练阶段使用了图像翻转、放缩和随机擦除等数据增强方法以降低过拟合的风险。实验结果表明, 所提出的火灾烟雾检测模型精度高, 其准确率达到92.5%, 召回率达到87.7%, 同时检测速度可达51帧/s, 提高了火灾烟雾检测模型的性能。

在场景复杂、干扰较多的情况下,传统的火灾烟雾识别方法的识别性能不高。针对该问题,提出了一种基于目标区域的卷积神经网络火灾烟雾识别方法,构建两层的火灾烟雾识别模型,利用目标区域定位层的运动检测算法对火灾烟雾图像进行烟雾目标区域的提取,快速去除复杂场景的大量无关干扰信息,并将提取的烟雾目标区域输入火灾烟雾识别层,通过卷积神经网络精细提取烟雾的深层特征后进行分类,完成火灾烟雾的识别。实验结果表明,所提方法在复杂环境下的数据集中,抗干扰能力较强,能够有效降低误检率,提高烟雾识别的准确率。