燃烧会产生黑体辐射和自由基辐射。为了获取火焰燃烧时产生的紫外辐射信息, 设计了一个基于火焰光谱信息检测需要的紫外光学系统。增大了紫外光学系统工作带宽, 改进长焦光学系统常规视场范围, 使得该系统兼具宽谱段﹑大相对孔径﹑相对大视场和高分辨率等特点, 提高了紫外光学系统成像质量, 以便在较大范围内获取较为精准的火焰紫外光谱信息, 从而获取火焰燃料成分等火焰基本信息, 提升紫外光学系统适用性。系统工作波长范围为240~390nm, 工作带宽较宽, 系统F数为2.5, 相对孔径较大, 视场角为15°, 全系统共十片透镜组成, 总长小于170mm, 结构紧凑, 满足燃烧探测的所有基本需求。像质评价结果显示, 系统各个视场像点弥散斑均方根半径均小于9μm, 全波长范围内系统垂轴色差小于1个像素大小, 同时调制传递函数值在截止频率50(lp·mm-1)处优于0.5, 系统畸变不超过0.5%。设计结果表明, 紫外光学系统具有成像性能优良, 工作带宽较宽, 色差小, 分辨率高, 畸变小等优点, 与此同时系统所有透镜均为球面透镜, 便于加工与检测, 满足设计要求。

针对现有多目标检测网络对动态火焰特征提取及增强能力不足，检测效果不佳的问题，提出基于动态形状特征提取及增强的改进YOLOv3火焰检测算法。采用小尺寸结构的ResNet50_vd作为YOLOv3的主干网络，减少特征信息冗余；在主干网络stage 4和stage 5中加入可变形卷积模块，控制采样网格随火焰目标形状的动态变化；引入交并比（IoU）Aware模块，增加置信度得分与IoU定位精度的相关性，提高网络的火焰特征提取能力；同时在YOLOv3 Head中加入Drop Block，引入IoU预测分量优化损失函数，提高模型学习过程中的特征增强能力。通过消融实验验证各改进部分对模型的提升效果，实验结果表明，改进模型对火焰的检测精度达94.11%，推理速度达73.52 frame/s，能够有效满足对动态形状火焰的检测要求。

针对靶场炮弹定位方法定位精度差、实时性差且存在安全隐患等问题，提出了一种基于显著性目标检测的炮弹火焰检测算法。首先针对数据集缺失问题，构建了一个炮弹火焰数据集，用于网络模型训练和推理。其次，采用并列交叉的双分支ResNet为特征提取模块，分别学习前景和背景语义信息，并在该模块中引入空洞卷积和注意力机制网络，提高感受野的同时使网络学习聚焦有用通道和空间位置的能力；最后，引入双向金字塔结构（Bi-FPN）融合浅层纹理信息及深层语义信息，实现多尺度多阶段预测。实验结果表明，所提算法在检测炮弹火焰的位置精确性、区域完整性和抗干扰性方面都明显优于现有算法，可满足靶场日常掷弹定位训练需求。

基于视觉的火焰检测是一种灵活、低成本的火焰检测方式，但现阶段常用的火焰特征不能对火焰和干扰物进行有效的区分，有较大的误警率。本文基于目标轮廓的时序行为特征，将火焰的闪烁描述为一种有约束的非均匀形变过程，结合隐马尔可夫模型和传统几何特征对火焰和干扰物进行更准确地区分。实验表明，通过引入补充的火焰特征显著提高了火焰检测的准确率，有效减少了复杂环境下干扰物引起的虚警。

提出一种基于熵值加权支持向量机(SVM)的火焰检测方法。采用三帧差分算法对视频前景提取(VIBE)算法进行改进，并提出TH-VIBE前景检测算法，提升疑似火焰区域获取的准确率与完整性；利用熵值加权降低纹理特征、面积变化特征、圆形度特征、灰度特征等特征数据的冗余程度并建立熵值加权火焰识别模型，提升火焰识别速率与准确率；最后依据韩国启明大学和土耳其比尔肯大学SPG工作组火焰数据进行实验，火焰检测准确率可达97%，具有较高的鲁棒性。

针对现有视频图像火焰检测算法前景提取不完整、准确率低和误检率高等问题,提出一种基于改进混合高斯模型(GMM)和多特征融合的视频火焰检测算法。首先针对背景建模,提出了自适应高斯分布数和学习率的改进GMM方法,以提高前景提取效果和算法实时性;然后利用火焰颜色特征筛选出疑似火焰区域,再通过融合改进局部二值模式纹理和边缘相似度特征用于火焰检测。基于支持向量机设计火焰融合特征分类器并进行对比实验,在公开数据集上的实验结果表明,所提算法有效提高了背景建模效果,火焰检测准确率可达到92.26%,误检率低至2.43%。

针对传统火焰检测模型的检测准确度较低和速度慢等问题,提出一种优化的卷积神经网络和超像素分割算法的视频火焰区域检测方法。首先使用火焰图像数据集对模型进行训练和验证,采用卷积核堆叠替换的方法改进Inception模块的结构;其次采用小卷积核替换的方法改进网络的前端结构,并将Focal-Loss函数作为损失函数以提高模型的泛化能力;然后设计InceptionV1模型的参数复杂度优化实验,生成优化的火焰检测网络结构;最后将超像素分割算法提取的火焰超像素语义信息输入优化的InceptionV1模型中,并进一步执行视频火焰区域的定位检测。实验结果表明,所提方法能够增强视频火焰的非线性特征提取能力,火焰检测准确度高于96%,检测速度较原始模型提升2.66倍。

针对火焰检测定位精度与检测精度不高的问题,提出了基于定位置信度和区域全卷积网络的火焰检测方法。首先使用扩大的可分离卷积提高感受野,减少模型参数量,提高检测速度;其次对预测候选框进行平移和伸缩操作,以提高候选区域的完整性;然后对非极大值抑制方法采用分类置信度作为排序标准,而导致的错误抑制问题,引入定位置信度,以提高候选框的定位精度及检测精度;最后加入新的标签,分别代表特征不明显的弱火焰与特征明显的强火焰,对弱火焰样本加强学习,使得弱火焰能与亮色背景更好区分,从而降低样本漏检率。实验结果表明,本文方法在Bilkent大学公开火焰数据集以及互联网搜集的测试数据上,检测的火焰区域更完整,火焰位置更精确,火焰检测率更高。

为了解决基于浅层特征的火焰识别模型对环境变化敏感且鲁棒性较低的问题,提出了一种基于卷积神经网络串行特征融合模型与最大相关最小冗余(MRMR)的火焰图像检测方法。为了从有限样本集中训练卷积神经网络获取更加全局性的特征,对使用预训练方法提取的火焰图像深层特征进行串行融合;再针对融合后的特征维度高、冗余大且未包含动态特征的问题,利用MRMR特征选择算法,去除与火焰相关性低的特征,获得相关性高的串行特征后与动态特征进行融合,得到最优子集的重构特征向量;最后通过支持向量机分类器完成对火焰目标的检测。实验结果表明,所提方法具有良好的泛化能力,对火焰的检测效果较好。

在传统的火焰检测算法中,火焰前景提取容易出现火焰轮廓不完整和抗干扰性较差的情况。为此,融合红/绿/蓝(RGB)、色调/饱和度/亮度(HSI)和最大类间方差法(Otsu)提出一种新的火焰前景提取算法,利用双颜色空间融合的算法能够提取较完整的火焰轮廓,使火焰轮廓所受干扰影响程度尽量小。获得前景图像后用灰度共生矩阵提取纹理特征,在YCbCr颜色空间中提取颜色特征,用于最终的火焰判断。同时提出一种改进的概率神经网络(PNN),将传统PNN中单一固定值的平滑因子改进为多变量参数,用条件期望最大化(ECM)算法对PNN中平滑因子进行参数优化,再将提取的特征输入改进后的PNN中训练测试。仿真结果表明,该算法具有良好的抗干扰能力,能够提高对火焰识别的精度。