基于深度学习的宿舍火灾检测报警系统的研究

周郑欢　李闪闪　赵媛媛

摘 要：针对宿舍火灾检测报警系统的需求，提出了一种基于深度学习的宿舍火灾检测报警系统。该系统使用了深度学习技术，利用视频监控技术进行图像处理，对宿舍楼及室内的火焰、烟雾等参数进行实时监测和分析，以判断是否发生火灾，并及时发出警报。该系统具有较高的准确率和实时性，能够有效地检测宿舍的火灾发生情况，提高了火灾预防和救援的效率。

关键词：深度学习；目标检测；火灾检测；报警系统

一、引言

由于扩招政策的落实，学生数量急剧增加，使得高校办学规模也逐渐扩大，而学生宿舍是高校安全事故的多发区，常常出现火灾隐患或是盗窃问题，其中火灾隐患的危害性更大，学生安全意识不高，在宿舍内常常使用热得快电气产品或是吸烟行为，甚至私设电线，形成火灾隐患，使得火灾事故频发。由于火灾具有破坏力强、蔓延速度快等特性，所以应对早期火灾特征快速检测，以减少损失。在这样的环境背景下，探究高校学生宿舍火灾监测系统设计具有非常重要的现实意义。[1]

目前，传统的火灾检测方法主要依靠人工巡查和烟雾探测器等设备。但是，这些方法存在许多问题，如人工巡查不够及时和全面、烟雾探测器容易误报等。随着深度学习技术的发展，基于深度学习的火灾检测报警系统逐渐成为研究热点。

深度学习是一种人工智能技术，可以通过大量的数据训练神经网络模型，实现对复杂问题的高精度预测和分类。在火灾检测中，深度学习可以通过对火灾特征的学习和提取，实现对火灾的准确预测和报警。因此，基于深度学习的火灾检测报警系统具有检测精度高、响应速度快、误报率低等优点，能够有效提高火灾检测的效率和准确率。

随着深度学习技术的不断发展，基于深度学习的火灾检测报警系统得到了广泛关注和研究。国内外学者针对不同场景和应用需求，开展了大量的研究工作。在目标检测领域，国内外学者已经开展了大量的工作。Ross Girshick等人在2014年提出了目标检测算法R-CNN[2]，它通过在图像中提取候选区域，然后对每个候选区域进行分类和边界框回归来实现目标检测。R-CNN在目标检测领域具有较好的性能，但仍有计算量大，速度慢等缺点。后续的研究提出了一系列改进算法，如Fast R-CNN[3]、Faster R-CNN[4]等，以加快目标检测的速度和提高准确率。2016年，Redmon J 首次提出了单阶段深度学习目标检测算法 YOLO[5]，它的核心思想是将目标检测任务转化为一个回归问题，通过单次前向传播即可同时预测图像中多个目标的类别和边界框。YOLO在速度方面很具优势，但是在小目标的检测精度上存在不足。而后续的YOLOv2[6]、YOLOv3[7]、YOLOv4[8]、YOLOv5等版本，都针对精度等问题做出了改进，在兼顾速度的同时精度也有极大提升。使得YOLO系列成为了目标检测领域中备受关注和广泛使用的算法之一。

在宿舍等人员密集场所的火灾检测方面，国内外学者也开展了相关的研究。例如，冯路佳[9]等提出了一种基于目标区域的卷积神经网络火灾烟雾识别，该方法构建了两层火灾烟雾识别模型，可以在复杂环境下的数据集中，有效降低误检率，提高烟雾识别的准确率。陈培豪[10]等提出了一种基于深度学习的视频火灾识别算法，采用混合高斯建模法进行运动检测，然后采用集成学习中 Adaboost 算法对运动图像进行疑似火灾区域提取，最后采用轻量级神经网络 MobileNetv3 自动提取疑似火灾区域特征进行火灾识别，能在保证准确率的同时保证较好的实时性。

综合来看，国内外学者已经在火灾检测报警系统方面取得了一定的研究进展。但是，目前还存在一些问题，如检测精度不高、响应速度慢等。因此，需要进一步深入研究和探索，以提高火灾检测的效率和准确率。

二、基于深度学习的目标检测算法

（一）單阶段目标检测方法

单阶段目标检测算法是一类计算机视觉算法，用于检测图像或视频中的目标。与传统的两阶段目标检测算法相比，单阶段目标检测算法更加简单和高效，能够在实时应用中取得较好的性能。

常见的单阶段目标检测算法有：

1.YOLO（You Only Look Once）：YOLO是一种经典的单阶段目标检测算法。它将目标检测任务转化为一个回归问题，通过将图像划分为网格并为每个网格预测边界框和类别概率来检测目标。YOLO具有较快的速度和较好的准确性，适用于实时目标检测应用。

2.SSD（Single Shot MultiBox Detector）：SSD是另一种常见的单阶段目标检测算法。它通过在不同尺度的特征图上预测边界框和类别概率来检测目标。SSD使用了多个卷积层来提取不同尺度的特征，并通过多个预测层来预测不同大小的目标。

3.RetinaNet：RetinaNet是一种基于特征金字塔网络（Feature Pyramid Network，FPN）的单阶段目标检测算法。它通过在不同尺度的特征图上进行目标检测，并引入了一种称为Focal Loss的损失函数，用于解决目标类别不平衡的问题。RetinaNet在检测小目标方面表现出色。

4.EfficientDet：EfficientDet是一种高效的单阶段目标检测算法，它结合了EfficientNet网络和BiFPN（Bi-directional Feature Pyramid Network）模块。EfficientDet通过在不同尺度的特征图上进行目标检测，并使用BiFPN模块来提高特征的语义信息和上下文信息的传递。

对于火灾实时检测来说，YOLO系列算法更为合适。YOLOv5是一种基于深度学习的目标检测算法，它是YOLO（You Only Look Once）系列算法的最新版本。YOLO系列算法的主要特点是实时性和准确性，能够在图像或视频中快速检测和定位多个目标。YOLOv5相对于之前的版本有一些改进和优化。它采用了一种新的架构，使用了更深的网络结构，并且引入了一些新的技术来提高检测的准确性和速度。YOLOv5的训练和推理过程都可以在GPU上进行，这使得它在实时目标检测任务中表现出色。

（二）YOLOv5算法

1.YOLOv5的主要优点包括：

（1）高速度：YOLOv5能够实时检测图像或视频中的目标，并且在保持较高准确性的同时，具有较快的处理速度。

（2）高准确性：通过使用更深的网络结构和一些新的技术，YOLOv5在目标检测任务中取得了更好的准确性，能够准确地检测和定位多个目标。

（3）灵活性：YOLOv5可以应用于各种不同的目标检测任务，包括人体检测、车辆检测、物体检测等。它可以适应不同的场景和需求，并且可以进行定制化的训练和调整。

（4）易用性：YOLOv5提供了简单易用的API和工具，使得用户可以方便地进行训练、测试和部署。它还提供了预训练的模型和权重，可以直接在各种应用中使用。

2.YOLOv5的输入端

Mosaic数据增强，能够丰富数据集和减少GPU；自适应锚框计算，每次训练时能够自适应的计算不同的训练集的最佳锚框值；自适应图片缩放，YOLOv5可以通过计算，更改图片比例的同时添加最少的黑色边框，这样可以减少计算量，提高检测速度。

3.Backbone

（1）Focus结构

Focus结构的核心是对图片进行切片操作。图3以一个的简单的3×4×4输入图片为例。对于红色的区域，不论宽还是高，都从0开始，每隔两个步长取值；黄色的区域，不论宽还是高，都从1开始，每隔两个步长取值；依次类推，对三个通道都采取这样的切片操作。最后将所有的切片，按照通道concat在一起，得到一个12×2×2的特征图。在yolov5网络模型中，原始608x608x3的图像输入Focus结构，采用切片操作，先变成304×304×12的特征图，再经过一次32个卷积核的卷积操作，最终变成304×304×32的特征图。

（2）CSP结构

YOLOv5中的CSP结构是一种用于构建卷积神经网络的模块设计。CSP结构的核心思想是通过将输入特征图进行分割，将一部分特征图直接进行处理，而另一部分则通过一系列卷积操作后再与之前处理的特征图进行融合。

具体来说，CSP结构包含以下几个关键组成部分：主干特征提取网络：CSP结构首先通过一系列卷积层来提取输入图像的特征。这部分网络通常是一个深度的卷积神经网络，例如Darknet-53；主干特征图的分割：在CSP结构中，主干特征图被分割成两个部分。一部分特征图直接进行处理，而另一部分则通过一系列卷积操作后再与之前处理的特征图进行融合；融合操作：分割后的特征图经过一系列卷积操作后，与之前处理的特征图进行融合。融合的方式可以是简单的通道拼接，也可以是使用注意力机制等更复杂的方式；输出特征图：最终，经过融合操作后得到的特征图将作为下一层的输入，或者用于目标检测的预测。

CSP结构的设计可以有效地减少网络中的参数数量和计算量，从而提高了网络的速度和精度。通过分割特征图并进行融合，CSP能够更好地捕捉不同尺度的特征信息，并提升网络的感受野。这使得YOLOv5在目标检测任务中具有更好的性能。

（3）Neck

主要是指用于特征融合的部分，通常位于卷积神经网络的中间。这个部分的设计有助于将不同层次的特征信息融合在一起，从而提高目标检测的性能。

YOLOv5采用PANet来进行特征金字塔融合。PANet可以有效地整合不同尺度的特征图，以便更好地捕捉各种目标的信息。它通过自上而下和自下而上的路径来聚合不同尺度的特征，从而产生具有更丰富语义信息的特征图。FPN也是一种特征金字塔网络，用于融合不同尺度的特征图。它的工作方式是在主干网络中选择几个特定层的特征图，然后通过上采样和卷积操作将它们融合在一起，以产生多尺度的特征金字塔。YOLOv5中还引入了SAM，这是一种用于捕捉空间信息的模块。SAM可以通过学习每个位置的注意力权重，使网络更注重关注物体的空间位置，有助于提高检测性能。

这些Neck结构的设计目的是增强目标检测模型对不同尺度和复杂性的目标的感知能力，从而提高检测的准确性。这些结构一起协同工作，确保网络在不同尺度下都能够有效地检测目标，使YOLOv5成为一种强大的目标检测算法。

4.YOLOv5的输出端

YOLOv5的输出端通常是一系列的锚定框（anchor boxes）以及对应的目标类别和置信度（confidence）预测值。每个锚定框都会输出对各种可能的目标类别的预测概率。模型会输出锚定框的位置信息，包括边界框的中心坐标、宽度和高度。也会输出每个锚定框的置信度，表示该框中是否包含一个目标以及该预测的可信度。YOLOv5的输出是一个三维张量，其中第一个维度对应锚定框的数量，第二个維度对应每个锚定框的信息（类别概率、位置信息、置信度等），第三个维度则对应不同的类别。

三、系统设计与实现

（一）宿舍火灾检测报警系统架构

通过红外探测仪成像输出视频，对视频进处理检测。

火灾检测算法整体流程图，本文的火灾检测算法整体流程如图5所示。先通过摄像头对烟雾数据进行采集，建立烟雾数据库，再对烟雾数据进行数据增强；然后读取烟雾数据输入到YOLOv5检测模型中进行数据训练学习，从而得到结果模型；同时，对受监控场景，通过摄像头获取监控视频帧序列，将视频帧图像送入训练好的检测模型中进行检测；在此基础上，对视频帧图像做判断处理；当待检测的视频帧序列满足条件时，则判定为有烟雾，并发出烟雾警报。

在宿舍中安装红外成像仪进行监测，实时传递视频到检测模型进行分析检测，如果判定有火灾隐患，就启动报警系统，通知宿舍同学及宿舍管理人员，第一时间进行处理，在火灾并未形成严重灾害的情况及时扑灭，有效防止人员伤亡及财产损失。

YOLOv5与EfficientDet两个目标检测器协同工作并行检测火灾，通过生成候选框以及非极大值抑制确定目标火灾区域，引入EfficientNet用于关注全局信息，以降低误报率。集成3个网络的火灾检查模型，改善特征提取方法，能够最大化利用全局特征和局部特征，提升小目标检测精度，提高召回率。

（二）微信小程序设计

为了让学生更快地接收到火源警报，设计通过小程序服务通知向学生以及管理人员发送警报消息。因事关财产人身安全，程序后台必须保持运行并且服务器不能崩坏，系统将搭载云服务器进行服务。小程序是控制和连接用户与系统之间的导线和接触口，为了保证用户使用感良好，小程序应该有着强大的续航能力和处理数据的能力，再加上简单明了的操作界面，让用户能够轻松的接收实时场景的图像，并判断火灾的有无。提供一些设置选项，例如报警方式、报警灵敏度等，让用户可以根据自己的需求进行设置。小程序端与云平台可以进行数据的交互，小程序可以接收来自云平台传输的信息例如火灾图片等，当火灾发生时，实现报警机制，例如发出声音警报、发送警报信息给相关人员或自动触发火灾报警系统等，以便及时提醒宿舍内的人员并促使他们采取逃生措施。

在小程序中，采用双重保障机制，首先以服务通知的形式向用户发送火源警报，用户在确认手机号和地址后点“进入小程序查看”便可查看摄像头捕捉到的火源图片。若确认为火源，则点击确认选项，信息发送至平台服务器，平台报警前往查看。若是发现误判了火源，则可以点击误判选项。因火源引发的安全事务紧急，涉及到人身财产安全，若用户一分钟内未点击确认或误判做出回复，警报系统将将报警信息与火灾图片信息告知于宿舍管理人员及消防部门，由消防部门对火灾情形进行处理。小程序可以记录火灾检测的数据，包括火灾发生的时间、地点和检测到的火灾迹象等信息。用户可以查看历史记录，以便更好地了解火灾发生的情况和采取相应的措施。

（三）数据库结构设计

本系统基于MySQL构造数据库，数据库主要包含火灾历史，火灾上报和用户等信息等，MySQL功能强大，可扩展，兼容性较好的数据库管理系统。

MySQL主要特性有：1.体积小、速度快、总体拥有成本低，开源；2.系统的并发性能好，可支持多人同时访问。容量大，可保存5000万条记录；3.支持多种语言函数，实现远程访问；4.相比于其他同类数据库，访问和处理的速度较快；5.采用基于多线程的内存分配方法，稳定性高，操作简单，上手快。

①火灾历史表。火灾发生后将火灾发生地，火灾名称，发生时间以及当时的环境等存储在该表中，目的是为以后查看和研究提供数据依据。

②火灾上报表。系统在监测到当前区域发生火灾之后，把当前区域的地点和环境以及发生火灾的摄像头ID和当前管理人员等信息存储在该表中。并上报火灾进行报警，记录报警时间。

③用户信息表。主要存储宿舍值班和管理人员基本信息，方便对登录，查看等进行权限管理。

这些数据的记录还可用于数据分析，得出当地火灾易发生的原因，更好的做到防患于未然，而內部对于火势的图像监控，也能更好的帮助消防人员采取救火措施。

四、结论

基于深度学习的火灾监测系统可以广泛运用于室内外的火灾监测，通过摄像头的实时画面进行识别，及时甄别出火灾隐患，大大减少因火灾带来的人身安全和财产上的损失。该系统使用深度学习算法对宿舍内的图像或视频进行分析，能够准确地检测出火灾迹象，如火焰、烟雾等。通过实时监测，可以及早发现火灾并采取相应的措施。一旦系统检测到火灾迹象，它会立即触发报警机制，例如发出声音警报、发送警报信息给相关人员或自动触发火灾报警系统。这能够迅速提醒宿舍内的人员并促使他们采取逃生措施。系统可以持续监控宿舍内的情况，无需人工干预。这样可以提高监测的效率，并减少人为疏忽或错误导致的火灾未被及时发现的风险。

宿舍火灾检测报警系统还可以记录火灾检测的数据，包括火灾发生的时间、地点和检测到的火灾迹象等信息。这些数据可以用于事后分析和调查，帮助改进火灾预防措施和安全管理。如果未来该系统更加成熟，可以推广到更多的应用场景，可以给各个场景的摄像头都增加此功能，让火灾可能造成损害的可能性降到最低。

参考文献：

[1]庞淑兰，王晓辉.高校学生宿舍火灾监测系统的设计探究[J].考试周刊，2019（32）：196.

[2]RSHICK R， DONAHUE J， DARRELL T， et al. Rich Feature Hierarchies for Accurate Object Detection and Semantic Segmentation[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recogni‐tion.2014：580-587.

[3]GIRSHICK R. Fast R-cnn[C]//Proceedings of the IEEE International Conference on Computer Vsion.2015：1440-1448.

[4]REN S， HE K， GIRSHICK R， et al.Faster R-cnn：To‐wards Real-time Object Detection with Region Pro‐posal Networks[J].Advances in Neural Information Pro ‐cessing Systems，2015，39（6）：1137-1149.

[5]Redmon J， Divvala S， Girshick R， et al. You only look once： Unified， real-time object detection[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition， 2016： 779-788.

[6]Redmon J， Farhadi A. YOLO9000： better， faster， stronger[C]//Proceedings of the IEEEConference on Computer Vision and Pattern Recognition， 2017： 7263-7271.

[7]Redmon J， Farhadi A. Yolov3： An incremental improvement[J]. arXiv preprint arXiv：1804.02767， 2018.

[8]Bochkovskiy A， Wang C-Y， Liao H-Y M. Yolov4： Optimal speed and accuracy of object detection[J]. arXiv preprint arXiv：2004.10934， 2020.

[9]冯路佳，王慧琴，王可等.基于目标区域的卷积神经网络火灾烟雾识别[J].激光与光电子学进展，2020，57（16）：83-91.

[10]陈培豪，肖铎，刘泓.基于深度学习的视频火灾识别算法[J].燃烧科学与技术，2021，27（06）：695-700.

[11]杨剑，陈世娥.基于图像处理技术的烟雾检测在家庭火灾防范中应用[J].电脑知识与技术，2021，17（06）：189-191.DOI：10.14004/j.cnki.ckt.2021.0476.

[12]金润泽，陈凯，陆晨菲等.基于深度学习的智能火灾检测报警系统[J].长江信息通信，2022，35（10）：88-91.

作者简介：周郑欢，女，汉族，安徽宣城人，宿州学院在读本科学生。李闪闪，女，汉族，硕士研究生，宿州学院讲师，研究方向：数据挖掘、多标签学习。赵媛媛，女，汉族，安徽合肥人，宿州学院在读本科学生。

基金项目：宿州学院资助安徽省大学生创新创业训练计划项目“基于深度学习的宿舍火灾检测报警系统的研究与实现” （S202310379096）。