一种基于YOLO-v8的智能城市火灾探测改进方法

点击上方“小白学视觉”，选择加"星标"或“置顶”

重磅干货，第一时间送达

计算机视觉研究院专栏

Column of Computer Vision Institute

城市的火灾可能会造成毁灭性的后果，造成财产损失，并危及公民的生命。传统的火灾探测方法在准确性和速度方面存在局限性，使得实时探测火灾具有挑战性。

01

前景概要

我们提出了一种基于YOLOv8算法的智能城市火灾检测改进方法，称为智能火灾检测系统（SFDS），该方法利用深度学习的优势实时检测特定火灾特征。与传统的火灾探测方法相比，SFDS方法可提高火灾探测的准确性，减少误报，并具有成本效益。它还可以扩展到检测智能城市中感兴趣的其他对象，如天然气泄漏或洪水。所提出的智能城市框架由四个主要层组成：（i）应用层、（ii）雾层、（iii）云层和（iv）物联网层。所提出的算法利用雾和云计算以及物联网层实时收集和处理数据，从而加快响应时间，降低财产和人类生命受损的风险。SFDS在准确度和召回率方面都取得了最先进的性能，所有类别的高准确率为97.1%。所提出的方法有几个潜在的应用，包括公共区域的消防安全管理、森林火灾监测和智能安全系统。

02

动机

智慧城市正在彻底改变我们对城市化、可持续性和安全的思考方式。随着世界向智能城市迈进，确保公民及其财产的安全变得越来越重要。火灾是最危险和威胁生命的灾难之一，它可能严重危害财产和人员。火灾事故对智能城市构成重大威胁，因为它们可能对基础设施造成重大破坏，导致生命损失，并扰乱城市的平稳运行。因此，拥有一个有效可靠的早期火灾探测系统至关重要。随着城市化进程的加快和安全价值意识的提高，早期火灾探测现在是智能城市的首要任务。早期火灾探测和行动可以减少财产损失，同时也可以挽救生命。然而，这项工作需要处理困难，包括火灾的不可预测性、持续观测的要求以及智能城市产生的大量数据。为了早期探测火灾，研究人员和工程师创建了基于视觉的火灾探测器（VFD），以及声音敏感、火焰敏感、温度敏感、气体敏感或固体敏感的火灾传感器。传感器检测到烟雾的化学特性，发出警报。然而，这种策略可能会引起错误的警告。这些监测系统是作为传统警报系统的一部分开发的，可以感应火焰的烟雾和温度以及其他与火焰相关的特征。基于传感器的检测系统在某些情况下可能不可行，例如涉及广泛覆盖区域、未开垦（森林地区）或高温的情况，因为它会提供大量虚假警报。

传统上，火灾探测系统依赖于温度、气体和烟雾传感器，这些传感器已被证明对小型火灾是成功的，但对可能迅速蔓延、吞噬整个地区并产生灾难性影响的大型火灾无效。物联网智能城市的出现鼓励了深度学习技术的实施，以提高火灾的实时检测。

03

新技术

首先我们对比了主流框架，下表列出了火灾探测系统常用的模型，包括卷积神经网络（CNN）、递归神经网络（RNN）、YOLOv2、YOLOv3、YOLOv4和YOLOv5。

尽管基于深度学习的火灾探测方法取得了进展，但仍有一些挑战需要解决。例如，需要更多样、更大的数据集来训练和测试这些方法。此外，使用低质量的摄像机或恶劣的照明条件会影响火灾探测算法的准确性。

智慧城市项目的主要目标是提高城市系统和应用程序的智能化。这是通过结合各种规范和质量来实现的，例如：（i）一个既强大又可扩展的安全和开放访问基础设施；（ii）以用户或公民为中心的体系结构策略；（iii）存储、检索、共享、标记、传输和佩戴大量公共和私人数据的能力，从而使人们能够在需要时访问信息；（iv）分析和综合应用级能力；以及（v）智能物理和网络基础设施，在传输大量异构数据的同时，为复杂和远程的服务和应用程序提供便利。需要一个框架来表示和构建多学科智慧城市项目的基本组成部分、关系和数据流。如下图所示，拟议的智能城市项目的部署架构具有由四层组成的分层结构。所提出的智能城市框架由四个主要层组成：（i）应用层、（ii）雾层、（iii）云层和（iv）物联网层。

SFDS方法使用YOLOv8检测模型，该模型在不需要区域候选网络的情况下提供快速精确的目标检测。该系统经过优化，可以减少检测所需的参数数量，从而提高效率。SFDS使用计算机视觉自动检测图像和视频流中的火灾。该方法包括几个步骤，如下图所示。

智能火灾探测（SFD）算法使用计算机视觉从实时摄像机馈送或预先录制的视频文件中实时探测火灾。如下算法所示，它在火灾和非火灾图像的大型数据集上使用预训练的Yolov8对象检测模型。它将视频帧数据集作为输入并输出检测到的对象，包括与火灾相关的类，如“火焰”、“烟雾等。该算法在视频的每一帧中循环，将预处理技术应用于当前帧，并将其传递给Yolov8模型进行目标检测。如果检测到与火灾相关的类，算法会触发警报并通知相关当局。最后，该算法保存带有突出显示的检测目标的输出视频。SFD算法是实时检测火灾的强大工具，能够快速有效地应对潜在的火灾隐患。

04

落地效果

首先我们对比了主流框架，下表列出了火灾探测系统常用的模型，包括卷积神经网络（CNN）、递归神经网络（RNN）、YOLOv2、YOLOv3、YOLOv4和YOLOv5。

下载1：OpenCV-Contrib扩展模块中文版教程

在「小白学视觉」公众号后台回复：扩展模块中文教程，即可下载全网第一份OpenCV扩展模块教程中文版，涵盖扩展模块安装、SFM算法、立体视觉、目标跟踪、生物视觉、超分辨率处理等二十多章内容。


下载2：Python视觉实战项目52讲
在「小白学视觉」公众号后台回复：Python视觉实战项目，即可下载包括图像分割、口罩检测、车道线检测、车辆计数、添加眼线、车牌识别、字符识别、情绪检测、文本内容提取、面部识别等31个视觉实战项目，助力快速学校计算机视觉。


下载3：OpenCV实战项目20讲
在「小白学视觉」公众号后台回复：OpenCV实战项目20讲，即可下载含有20个基于OpenCV实现20个实战项目，实现OpenCV学习进阶。


交流群

欢迎加入公众号读者群一起和同行交流，目前有SLAM、三维视觉、传感器、自动驾驶、计算摄影、检测、分割、识别、医学影像、GAN、算法竞赛等微信群（以后会逐渐细分），请扫描下面微信号加群，备注：”昵称+学校/公司+研究方向“，例如：”张三 + 上海交大 + 视觉SLAM“。请按照格式备注，否则不予通过。添加成功后会根据研究方向邀请进入相关微信群。请勿在群内发送广告，否则会请出群，谢谢理解~