一種無錨框結(jié)構(gòu)的多尺度火災(zāi)檢測算法

秦 瑞，張 為

(天津大學(xué) 微電子學(xué)院，天津 300072)

火災(zāi)是現(xiàn)代社會中影響力和破壞力較大的主要災(zāi)害之一?；馂?zāi)的發(fā)生會對人民的生命財產(chǎn)安全和社會的和諧穩(wěn)定造成巨大威脅。因此在火災(zāi)發(fā)生的早期及時發(fā)現(xiàn)并控制火情具有重要的意義。早期的火災(zāi)檢測技術(shù)大多基于傳感器的方式，該方法容易受環(huán)境和空間因素的影響，且響應(yīng)時間長，具有較大的局限性。隨著計算機(jī)視覺技術(shù)的快速發(fā)展，基于視頻圖像的火災(zāi)檢測技術(shù)應(yīng)運(yùn)而生。圖像型火災(zāi)探測器檢測精度高，反應(yīng)速度快，能夠感知火災(zāi)發(fā)生的具體位置和燃燒程度，成為了當(dāng)前火災(zāi)檢測的主要發(fā)展趨勢。

傳統(tǒng)的圖像型火災(zāi)檢測技術(shù)通常利用圖像處理的方法，主要關(guān)注火焰的靜態(tài)和動態(tài)特征，利用火焰的單一特征或者多種特征融合，結(jié)合機(jī)器學(xué)習(xí)的方式進(jìn)行火災(zāi)預(yù)測。FOGGIA等[1]基于火焰的顏色、形狀和運(yùn)動狀態(tài)等特征，構(gòu)建了一個實時火災(zāi)檢測系統(tǒng)。HASHEMZADEH等[2]采用帝國競爭算法顏色模型和支持向量機(jī)分類器實現(xiàn)了真正火焰的鑒別分類，并結(jié)合像素點的運(yùn)動強(qiáng)度信息減輕了背景環(huán)境的干擾。何愛龍等[3]首先提取圖像中的疑似火焰區(qū)域，然后選用抗干擾能力強(qiáng)的火焰特征對候選區(qū)域進(jìn)行檢測。但上述方式都是基于人工提取特征，過于依賴人為經(jīng)驗，算法的適應(yīng)性不強(qiáng)。

近年來，深度學(xué)習(xí)技術(shù)得到了廣泛的研究和發(fā)展?；谏疃葘W(xué)習(xí)的目標(biāo)檢測技術(shù)可以實現(xiàn)特征的自動提取，能夠獲得更加豐富的特征信息，從而提高檢測精度，被逐漸應(yīng)用于火災(zāi)檢測領(lǐng)域。MUHAMMAD等[4]使用SqueezeNet 經(jīng)典網(wǎng)絡(luò)來提取火焰特征，避免了繁瑣耗時的預(yù)處理過程，根據(jù)實際問題提出了一種輕便高效的火災(zāi)檢測模型。張為等[5]優(yōu)化了YOLOv3算法的網(wǎng)絡(luò)結(jié)構(gòu)，在原有主干網(wǎng)絡(luò)中嵌入空洞卷積模塊，以提升多尺度火焰的特征提取效果。寧陽等[6]在DeeplabV3+網(wǎng)絡(luò)的解碼器中將高低層特征進(jìn)行融合，保留了更多的細(xì)節(jié)信息，實現(xiàn)了更加準(zhǔn)確的火情分析。JEON等[7]利用深度堆積的卷積層搭建了一個多尺度預(yù)測框架，對不同尺度的特征映射進(jìn)行直接預(yù)測。CHAO等[8]設(shè)計了顏色導(dǎo)向的錨框選定策略，并使用圖像的全局信息改進(jìn)了Faster RCNN網(wǎng)絡(luò)，進(jìn)一步提升了火災(zāi)的檢測效果。

經(jīng)過筆者的研究發(fā)現(xiàn)，當(dāng)前基于深度學(xué)習(xí)的火災(zāi)檢測算法還存在一定問題：① 網(wǎng)絡(luò)中存在大量錨框。錨框的使用一方面引入過多人為設(shè)定的超參數(shù)，如尺度，比例等；另一方面固定形狀的錨框不適用于形態(tài)多變的火焰，回歸定位不夠準(zhǔn)確。② 對于多尺度尤其是小尺度的火焰目標(biāo)的檢測精度低，在火災(zāi)發(fā)生的過程中容易出現(xiàn)漏檢情況。③ 背景環(huán)境適應(yīng)性較差。針對特定的環(huán)境檢測效果較好，不能適用于多種復(fù)雜背景，且算法容易受光線等環(huán)境因素的干擾，容易發(fā)生誤報。

針對當(dāng)前研究中存在的問題，受FCOS[9]網(wǎng)絡(luò)啟發(fā)，筆者提出了一種無錨框結(jié)構(gòu)的新型火災(zāi)檢測算法。該算法取消了錨框的先驗形式，根據(jù)火焰的形狀進(jìn)行適應(yīng)性預(yù)測，在特征融合的過程中設(shè)置了融合因子，并對金字塔輸出的多層特征進(jìn)行整合增強(qiáng)，利用動態(tài)生成的正樣本權(quán)重調(diào)整模型的訓(xùn)練過程。該算法可以滿足多種尺度和多種復(fù)雜背景下的火災(zāi)檢測需要，能夠?qū)崿F(xiàn)高效精準(zhǔn)的火災(zāi)檢測。

1 基于無錨框結(jié)構(gòu)的火災(zāi)檢測算法

1.1 算法整體概況

構(gòu)建的火災(zāi)檢測算法整體流程如圖1所示。首先從視頻序列中獲取單幀圖像，采用中值濾波技術(shù)對圖像進(jìn)行預(yù)處理，以減輕視頻中噪聲的干擾，便于后續(xù)的圖像識別。 然后將處理后的圖像送入已經(jīng)訓(xùn)練好的火災(zāi)檢測模型中進(jìn)行檢測，并選擇合適的閾值對檢測結(jié)果進(jìn)行判定，進(jìn)而輸出最終的檢測結(jié)果。

圖1 火災(zāi)檢測算法流程圖

文中算法的重點在于無錨框火災(zāi)檢測模型的網(wǎng)絡(luò)設(shè)計，其網(wǎng)絡(luò)結(jié)構(gòu)組成如圖2所示。該網(wǎng)絡(luò)為全卷積神經(jīng)網(wǎng)絡(luò)，采用了無錨框結(jié)構(gòu)網(wǎng)絡(luò)的基本形式，摒棄了原有的錨框策略，直接對輸出特征圖上的每一個點進(jìn)行分類和回歸的預(yù)測。該網(wǎng)絡(luò)模型主要由3個部分組成：

(1) 負(fù)責(zé)提取特征的主干網(wǎng)絡(luò)。ResNet網(wǎng)絡(luò)[10]通過引入殘差結(jié)構(gòu)有效地解決了深度網(wǎng)絡(luò)的退化問題，提升了目標(biāo)檢測的性能。由于其在檢測任務(wù)上的出色表現(xiàn)，同時考慮網(wǎng)絡(luò)計算量和性能之間的權(quán)衡，選用ResNet 50網(wǎng)絡(luò)作為文中算法的主干網(wǎng)絡(luò)。

(2) 負(fù)責(zé)特征融合的頸部網(wǎng)絡(luò)。在主干網(wǎng)絡(luò)的基礎(chǔ)上引入了特征金字塔結(jié)構(gòu)FPN[11]，通過自頂向下和橫向連接的方式實現(xiàn)了特征層之間的信息融合。頸部網(wǎng)絡(luò)接收來自主干網(wǎng)絡(luò)生成的C3、C4、C5特征圖，利用1×1卷積核和層間相加操作生成P3、P4、P5特征圖，并在P5特征圖的基礎(chǔ)上采用步長為2的3×3卷積核直接生成P6和P7特征圖。為進(jìn)一步增強(qiáng)各層特征的表達(dá)能力，在基礎(chǔ)的特征融合后引入了BFP模塊對特征信息進(jìn)行處理，形成了頸部網(wǎng)絡(luò)的最終輸出。

(3) 負(fù)責(zé)分類和邊界預(yù)測的檢測網(wǎng)絡(luò)。各個特征層的檢測網(wǎng)絡(luò)共享參數(shù)，網(wǎng)絡(luò)的多個分支同時進(jìn)行預(yù)測。如圖2中右側(cè)的虛框所示，檢測網(wǎng)絡(luò)分為分類網(wǎng)絡(luò)和回歸網(wǎng)絡(luò)。分類網(wǎng)絡(luò)利用5個3×3的卷積核對特征圖進(jìn)行處理，得到H×W×1的特征圖，該特征圖上每一個點的值代表火焰的分類概率。在分類網(wǎng)絡(luò)的訓(xùn)練過程中，由于背景點數(shù)量較多會導(dǎo)致正負(fù)樣本不均衡，因此選用Focal Loss[12]作為分類損失函數(shù)?；貧w網(wǎng)絡(luò)的結(jié)構(gòu)與分類網(wǎng)絡(luò)一致，但最終得到的特征圖尺寸為H×W×4。每一個點為一個包含位置信息的4維向量{l，t，r，b}，表示邊界框的預(yù)測結(jié)果。向量中的4個參數(shù)代表著任何一點到預(yù)測邊界框4條邊的距離。針對回歸網(wǎng)絡(luò)的訓(xùn)練過程，選用GIOU Loss[13]來更好地反映相交情況。

圖2 基于無錨框結(jié)構(gòu)的火災(zāi)檢測模型網(wǎng)絡(luò)結(jié)構(gòu)圖

1.2 多尺度特征增強(qiáng)

在實際火災(zāi)場景中，火焰在攝像畫面內(nèi)的位置不同會導(dǎo)致其形態(tài)尺度有明顯的變化，這對算法模型的多尺度檢測能力提出了更高的要求。當(dāng)前的多尺度火災(zāi)檢測算法大多采用多個分支進(jìn)行特征提取，再將得到的特征信息進(jìn)行融合，其核心思想與FPN結(jié)構(gòu)相似。然而在融合過程中不同層間信息的不平衡問題導(dǎo)致火焰特征不能夠充分表達(dá)，在一定程度上影響了多尺度目標(biāo)的檢測效果。為更好地解決火焰的多尺度問題，筆者在原有的FPN特征融合的基礎(chǔ)上添加了BFP模塊[14]，通過對全局信息的整合利用，進(jìn)一步提升對多尺度火焰目標(biāo)的檢測效果。

BFP模塊的網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示，其中P3、P4、P5、P6、P7表示FPN輸出的特征層，Pa3、Pa4、Pa5、Pa6、Pa7表示經(jīng)過整合增強(qiáng)后的輸出特征層。該模塊首先選擇中間層特征圖的尺寸作為標(biāo)準(zhǔn)尺寸進(jìn)行尺寸調(diào)整，然后采用相加取均值的方式獲得平衡后的語義信息，并使用Non-local模塊對信息進(jìn)一步處理，最后通過反向操作來增強(qiáng)原始的每層特征，從而獲得更具辨別力的多尺度特征。

該模塊結(jié)構(gòu)輕便高效，引入的計算成本極少，且不改變特征層的數(shù)量及通道數(shù)，僅改變各個特征層包含的特征信息。經(jīng)過BFP模塊后，金字塔中的每一層特征都可以獲得來自其他所有層的同等信息，有效地減輕了融合過程中的層間信息不平衡，強(qiáng)化了原有的多層次特征，使融合網(wǎng)絡(luò)的輸出特征更加豐富，更有利于后續(xù)的多尺度目標(biāo)檢測。

圖3 BFP模塊網(wǎng)絡(luò)結(jié)構(gòu)示意圖

1.3 特征融合因子

雖然特征融合的方式提升了多尺度目標(biāo)的檢測效果，但對于小目標(biāo)的檢測則并不理想。與其他目標(biāo)相比，小目標(biāo)物體提供的正樣本數(shù)量少，預(yù)測小目標(biāo)的底層特征層容易受其他特征層的影響而不能專注小目標(biāo)的學(xué)習(xí)，損傷了檢測器對于小目標(biāo)的檢測效果。針對火災(zāi)發(fā)生早期火焰形態(tài)較小的實際情況，為進(jìn)一步提升小目標(biāo)的檢測效果，文中算法在特征融合過程中設(shè)置了融合因子α，以控制相鄰特征層之間的信息傳遞，提升淺層特征層對于小目標(biāo)的學(xué)習(xí)能力。

實驗表明，當(dāng)融合因子α為0.6時模型的小目標(biāo)檢測效果最好，具體實驗結(jié)果見節(jié)2.2。此時，淺層特征層既獲得了來自深層的語義信息，又減輕了來自其他特征層的梯度影響，能夠集中學(xué)習(xí)小目標(biāo)的相關(guān)特征，增強(qiáng)了小目標(biāo)的學(xué)習(xí)能力。與原始結(jié)構(gòu)相比，改進(jìn)后的融合網(wǎng)絡(luò)在沒有增加額外計算量的同時顯著地提升了小目標(biāo)的檢測效果。

圖4 改進(jìn)后的特征融合網(wǎng)絡(luò)

1.4 動態(tài)樣本采樣

正負(fù)樣本采樣是算法模型在訓(xùn)練過程中的重要部分，其直接影響網(wǎng)絡(luò)的學(xué)習(xí)效果，進(jìn)而影響檢測器最終的檢測性能。傳統(tǒng)的正負(fù)樣本采樣方式如RetinaNet、FCOS等大多依賴于人工先驗知識，選取固定區(qū)域作為正樣本參與訓(xùn)練，不能根據(jù)物體的形態(tài)進(jìn)行適應(yīng)性調(diào)整。為適應(yīng)火焰形態(tài)多變的特點，筆者設(shè)計了動態(tài)的樣本采樣方式。通過結(jié)合中心先驗和前景概率原則，在標(biāo)準(zhǔn)的正負(fù)樣本采樣基礎(chǔ)上動態(tài)地生成正樣本的權(quán)重分?jǐn)?shù)，調(diào)節(jié)網(wǎng)絡(luò)的訓(xùn)練過程，提升網(wǎng)絡(luò)的學(xué)習(xí)效果，從而進(jìn)一步提升模型的檢測性能。

(1) 中心先驗

中心先驗思想是指物體在標(biāo)記框內(nèi)的分布大致圍繞框的中心，越靠近標(biāo)記框的邊緣，其為背景點的概率就越大。通過中心先驗原則，可以有效地減少邊界低質(zhì)量樣本的引入，提升網(wǎng)絡(luò)的訓(xùn)練質(zhì)量。 受文獻(xiàn)[15]的啟發(fā)，筆者選用高斯函數(shù)來計算框內(nèi)各個點的樣本權(quán)重。權(quán)重計算過程如下所示：

(1)

其中，P(x，y)表示標(biāo)記框內(nèi)坐標(biāo)為(x，y)的位置點對應(yīng)的樣本權(quán)重，d表示該點到標(biāo)記框中心點的距離；σ為標(biāo)準(zhǔn)差參數(shù)，用于控制標(biāo)記框內(nèi)的權(quán)重分布。經(jīng)研究發(fā)現(xiàn)，實際場景中的火焰一般呈三角形或者圓柱形，在訓(xùn)練的過程中選用合適的σ值可以獲得更多的有效正樣本。

(2) 前景概率

在中心先驗原則的基礎(chǔ)上，筆者增加了前景概率來進(jìn)一步提升模型的采樣效果。前景概率是指某個位置點存在前景物體的概率。針對標(biāo)記框內(nèi)的所有樣本，前景概率高的樣本由于包含物體信息，對于模型的訓(xùn)練過程更有利。在火災(zāi)檢測任務(wù)中目標(biāo)類別只有火焰一類，此時物體的分類得分即可以認(rèn)為是前景概率。因此將物體的分類得分引入最終的樣本權(quán)重計算。

筆者采用的動態(tài)樣本采樣計算過程如圖5所示。通過高斯函數(shù)生成基于中心分布的樣本權(quán)重，與分類網(wǎng)絡(luò)輸出的前景概率相乘，得到標(biāo)記框內(nèi)正樣本的權(quán)重分?jǐn)?shù)。該權(quán)重分?jǐn)?shù)包含了樣本的位置信息和物體信息，能夠直觀地反映樣本的重要程度，從而指導(dǎo)網(wǎng)絡(luò)的訓(xùn)練過程。經(jīng)典算法模型的采樣效果如圖6(a)、(b)所示。其中，標(biāo)準(zhǔn)采樣表示基礎(chǔ)的采樣方式，即標(biāo)記框內(nèi)的所有位置點都是正樣本，其余為負(fù)樣本；中心采樣表示標(biāo)記框中心區(qū)域內(nèi)的位置點為正樣本，其余點為負(fù)樣本；圖6(c)展示了文中設(shè)計的動態(tài)采樣效果?？梢钥闯觯?jīng)典的采樣方式結(jié)果較為固定，且引入了大量的背景點作為正樣本加入訓(xùn)練，會對模型的學(xué)習(xí)造成困擾。筆者設(shè)計的動態(tài)采樣方式能夠聚焦于火焰的中心區(qū)域，顏色越深代表樣本的權(quán)重越大，通過權(quán)重分?jǐn)?shù)有效降低了來自非重點區(qū)域的低質(zhì)量樣本的影響。改進(jìn)后的網(wǎng)絡(luò)更加專注于高質(zhì)量的正樣本訓(xùn)練，對于火焰特征的學(xué)習(xí)更為充分，提升了復(fù)雜背景下的火焰檢測能力，增強(qiáng)了算法的環(huán)境適應(yīng)性。

圖5 樣本權(quán)重計算過程

(a) 標(biāo)準(zhǔn)采樣

2 實驗結(jié)果及分析

2.1 實驗數(shù)據(jù)集及實驗環(huán)境

由于目前缺乏公開的高質(zhì)量火災(zāi)數(shù)據(jù)集，因此筆者根據(jù)MS COCO數(shù)據(jù)集格式自建了一個包含豐富圖像信息的火災(zāi)檢測數(shù)據(jù)集。數(shù)據(jù)集圖片來源于實驗火災(zāi)視頻、實際火災(zāi)視頻以及網(wǎng)絡(luò)上公開的火災(zāi)視頻等共189段視頻，覆蓋了不同環(huán)境下的多種情況，且包含了多種尺度形態(tài)的火災(zāi)圖像，能夠充分驗證火災(zāi)檢測算法的有效性。數(shù)據(jù)集共包含圖片13 655 張，其中訓(xùn)練集10 070張，測試集3 585張。為驗證算法模型的泛化能力，測試集與訓(xùn)練集的來源視頻并不相同。

表1 實驗環(huán)境

筆者訓(xùn)練和測試的實驗環(huán)境如表1所示。采用隨機(jī)梯度下降優(yōu)化器進(jìn)行迭代訓(xùn)練，批訓(xùn)練規(guī)模為4，訓(xùn)練輪數(shù)為12輪，動量和權(quán)重衰減因子分別為0.9和0.000 1，初始學(xué)習(xí)率為0.002 5。學(xué)習(xí)率在第8輪和第11輪分別衰減為當(dāng)前學(xué)習(xí)率的10%。筆者采用ImageNet數(shù)據(jù)集上的預(yù)訓(xùn)練權(quán)重來初始化ResNet 50網(wǎng)絡(luò)。訓(xùn)練過程中采用隨機(jī)翻轉(zhuǎn)、隨機(jī)縮放及亮度變換等數(shù)據(jù)增強(qiáng)方式，以提升模型的訓(xùn)練效果。

2.2 消融實驗

為驗證文中算法各個模塊的有效性以及對于整體網(wǎng)絡(luò)的貢獻(xiàn)，進(jìn)行了對比實驗和消融實驗。采用COCO評價標(biāo)準(zhǔn)中的AP和AP50作為模型綜合性能的評價指標(biāo)。其中，AP50表示IOU閾值設(shè)置為0.5時對應(yīng)的平均精度值，AP表示各個閾值下平均精度的平均值。采用COCO評價標(biāo)準(zhǔn)中的APs、APm和APl表征模型對應(yīng)各個尺度目標(biāo)的檢測能力。

為對比不同采樣檢測效果，將FCOS去掉中心分支后的算法模型記為文中實驗無錨框檢測算法的標(biāo)準(zhǔn)模型。為保證實驗的公平性，對比實驗在標(biāo)準(zhǔn)模型的基礎(chǔ)上僅改變模型的采樣方式，其他細(xì)節(jié)保持一致，實驗結(jié)果如表2所示。結(jié)果表明，相比于其他采樣方式，采用的動態(tài)采樣方式能夠獲得更高的精度值，在火災(zāi)檢測任務(wù)上明顯優(yōu)于其他采樣方式。

表2 采樣實驗對比結(jié)果

為探索得到最有效的融合因子α，在[0，1]區(qū)間有效范圍內(nèi)間隔采樣進(jìn)行對比試驗。實驗結(jié)果如圖7所示。隨著融合因子的值逐漸增大，APs迅速增加后趨于平穩(wěn)再逐漸下降，于α=0.6時到達(dá)最高值。實驗結(jié)果表明，調(diào)整融合因子能夠影響模型的小目標(biāo)檢測效果，且α為0.6時模型對于小目標(biāo)的檢測效果最好。因此筆者在最終算法中固定α的值為0.6。

圖7 融合因子對比實驗結(jié)果

針對BFP模塊，融合因子以及動態(tài)采樣進(jìn)行了消融實驗，實驗結(jié)果如表3所示。結(jié)果顯示，在網(wǎng)絡(luò)中引入BFP模塊后，APm和APl有明顯的提升，APs也有所增加，表明BFP模塊有效地提升了模型的多尺度檢測效果。設(shè)置融合因子對網(wǎng)絡(luò)進(jìn)一步優(yōu)化后，在原有精度的基礎(chǔ)上APs顯著提升，算法的整體精度也進(jìn)一步提高，表明融合因子有助于小目標(biāo)火焰的檢測，同時進(jìn)一步提升了算法的多尺度檢測效果。在原有改進(jìn)的網(wǎng)絡(luò)基礎(chǔ)上，采用動態(tài)采樣方式對模型進(jìn)行改進(jìn)，AP提高到0.583，AP50提高到0.969，各個尺度目標(biāo)的檢測精度均有提升，證明了動態(tài)采樣方式對于火災(zāi)檢測任務(wù)的有效性，特征學(xué)習(xí)更加充分，全面提升了算法模型的檢測性能。

表3 消融實驗結(jié)果

2.3 算法對比與分析

為驗證文中算法的有效性，在自建數(shù)據(jù)集上實驗參數(shù)和環(huán)境相同條件下，與經(jīng)典的目標(biāo)檢測算法進(jìn)行對比實驗。對比實驗的對象主要分為兩類：使用錨框的經(jīng)典檢測模型Faster RCNN[16]、YOlOv3[17]、RetinaNet和無需錨框的經(jīng)典算法模型FSAF[18]，F(xiàn)COS及FoveaBox[19]。相關(guān)對比實驗結(jié)果如表4所示。選用FCOS作為代表性的無錨框檢測算法與文中算法在檢測效果上進(jìn)行了對比。圖8為復(fù)雜背景下的多尺度火焰檢測效果對比圖。圖9為干擾場景下的檢測效果對比圖。

表4 與經(jīng)典目標(biāo)檢測算法的對比實驗結(jié)果

(a) 文中算法檢測效果 (b) FCOS檢測效果

(a) 文中算法效果 (b)FCOS效果

為驗證文中算法對火災(zāi)檢測任務(wù)的魯棒性，在公開數(shù)據(jù)集Mivia上對文中算法進(jìn)行了測試，并將測試結(jié)果與其他經(jīng)典的火災(zāi)檢測算法進(jìn)行了對比。Mivia數(shù)據(jù)集包含31段視頻，其中火災(zāi)視頻14段，非火視頻17段，包含移動的物體、燈光、紅色類火物體等多種干擾因素，針對火災(zāi)檢測任務(wù)更具代表性和挑戰(zhàn)性。文獻(xiàn)[1]的實驗設(shè)置，將數(shù)據(jù)集圖片中的20%用于實驗訓(xùn)練，其他80%用于算法測試并統(tǒng)計測試數(shù)據(jù)。采用誤報率、漏報率、準(zhǔn)確率來衡量算法的檢測性能。其他檢測算法的實驗數(shù)據(jù)均來源于原文獻(xiàn)，其測試結(jié)果如表5所示。

表5 與經(jīng)典的火災(zāi)檢測算法對比實驗結(jié)果 %

與經(jīng)典的目標(biāo)檢測算法和火災(zāi)檢測算法對比，筆者提出的算法檢測精度更高，抗干擾能力更強(qiáng)，算法的綜合性能更好。算法在增加微小的計算成本和保持較為理想的推理速度的同時，具有較高的檢測精度，AP和AP50明顯高于其他目標(biāo)檢測算法，能夠?qū)崿F(xiàn)火焰的精準(zhǔn)定位和分類，檢測結(jié)果的置信度更高，對于多尺度尤其是小尺度的火焰具有較好的檢測效果。針對復(fù)雜背景，文中算法的誤報率較低，不易受環(huán)境干擾因素的影響，對于明亮光線、夜間燈光及其他類火物體具有較好的抑制效果。與其他算法相比，筆者所提算法更具優(yōu)勢，更能滿足火災(zāi)檢測任務(wù)的需要。

為進(jìn)一步驗證文中算法在實際應(yīng)用中的檢測效果，對樓道內(nèi)的監(jiān)控點位進(jìn)行了測試實驗，其測試效果如圖10所示。可以看出，文中算法對于火焰的連續(xù)燃燒過程均具有較好的檢測效果，且能夠在起火初期檢測到火焰目標(biāo)并報警。在監(jiān)測過程中，算法能夠持續(xù)穩(wěn)定地運(yùn)行，具有較高的可靠性及實際系統(tǒng)的應(yīng)用性。

(a) 開始燃燒

3 總 結(jié)

筆者提出了一種無錨框結(jié)構(gòu)的新型火災(zāi)檢測算法，有效解決了當(dāng)前火災(zāi)檢測算法面臨的主要問題。采用了無錨框網(wǎng)絡(luò)結(jié)構(gòu)直接對特征圖上每個位置進(jìn)行回歸和分類；通過引入BFP模塊提高了算法的多尺度檢測能力；通過設(shè)置融合因子顯著提升了小目標(biāo)的檢測效果；通過采用動態(tài)采樣方式促使網(wǎng)絡(luò)特征學(xué)習(xí)更加充分，提升了模型的檢測性能。實驗表明，與其他火災(zāi)檢測算法相比，筆者提出的火災(zāi)檢測算法檢測精度高，抗干擾能力強(qiáng)，適用于復(fù)雜背景不同形態(tài)的火災(zāi)檢測場景，具有較高的應(yīng)用價值。未來將重點研究如何將火焰的時序信息引入算法模型中，利用火焰的運(yùn)動特征進(jìn)一步提升算法的檢測效果。