基于視覺的火災(zāi)檢測研究

繆偉志 陸兆納 王俊龍 王焱

摘 要：為解決傳統(tǒng)傳感器在檢測火災(zāi)的過程中受到環(huán)境、安裝距離等因素影響導(dǎo)致適應(yīng)性差的缺點(diǎn)，本文基于視覺傳感器，通過視覺目標(biāo)檢測技術(shù)對火災(zāi)進(jìn)行檢測，從而實(shí)現(xiàn)火災(zāi)的預(yù)警。首先，為了提高輕量級的目標(biāo)檢測網(wǎng)絡(luò)（You Only Look Once v4 Tiny， YOLOv4-Tiny）在檢測火災(zāi)目標(biāo)時的準(zhǔn)確率，本文基于森林火災(zāi)的數(shù)據(jù)集，運(yùn)用二分K-Means聚類算法重新生成錨定框（Anchor Box）。然后，在傳統(tǒng)YOLOv4-Tiny網(wǎng)絡(luò)的基礎(chǔ)上通過增加大尺度預(yù)測結(jié)果的方式，降低漏檢率。最后，本文結(jié)合預(yù)訓(xùn)練權(quán)重重新訓(xùn)練火災(zāi)檢測網(wǎng)絡(luò)，并在英偉達(dá)板卡上進(jìn)行部署實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果表明，本文的火災(zāi)檢測網(wǎng)絡(luò)在測試數(shù)據(jù)集上的準(zhǔn)確率為97.81%，漏檢率為4.83%，與原始YOLOv4-Tiny相比，準(zhǔn)確率提高了3.13%，漏檢率降低了6.44%，檢測速度達(dá)到了16幀/s，綜合性能良好，滿足火災(zāi)檢測的需求。

關(guān)鍵詞：火災(zāi)檢測;YOLOv4-Tiny;二分K-Means;錨定框;多尺度預(yù)測

中圖分類號：S762.2??? 文獻(xiàn)標(biāo)識碼：A?? 文章編號：1006-8023（2022）01-0086-07

Fire Detection Research Based on Vision

MIAO Weizhi， LU Zhaona， WANG Junlong， WANG Yan

（School of Automotive Engineering， Nantong Institute of Technology， Nantong 226002， China）

Abstract：Aiming at the disadvantage of poor adaptability of traditional sensors due to factors such as environment and installation distance in the process of detecting fires， this paper detected the fire through visual target detection technology based on visual sensor， so as to realize fire warning. Firstly， the binary K-Means clustering algorithm was used to regenerate the Anchor Box to improve the detection accuracy of the lightweight target detection network （You Only Look Once v4 Tiny， YOLOv4-Tiny） according to dataset in this paper. Then， the large-scale prediction results were added on the basis of the traditional YOLOv4-Tiny network to reduce the missed detection rate. Finally， combined with the pre-training weights， fire detection network was retrained and deployed on NVIDIA board. The experimental results showed that the accuracy rate of the fire detection network in this paper was 97.81% and the missed detection rate was 4.83% on the test data set. The accuracy rate had increased by 3.13% and the missed detection rate had been reduced by 6.44% compared with the original YOLOv4-Tiny. The detection speed had reached 16 frames per second. The overall performance was good and met the needs of fire detection.

Keywords：Fire detection; YOLOv4-Tiny; binary K-Means; Anchor Box; multi-scale prediction

0? 引言

無論是森林火災(zāi)還是室內(nèi)火災(zāi)都會帶來了巨大的損失，特別是在我國東北林區(qū)。如何及時準(zhǔn)確地檢測火災(zāi)的發(fā)生，并向相關(guān)人員發(fā)出預(yù)警信號，對于降低人民群眾的生命財產(chǎn)損失具有重要的意義。在火災(zāi)檢測方面，傳統(tǒng)的傳感器通過火災(zāi)產(chǎn)生的煙霧、溫度等特征檢測火災(zāi)，該方法對火災(zāi)產(chǎn)生的環(huán)境以及傳感器與火焰的距離都提出了較高的要求[1-2]。因此，該方法并不適用于各種場景下的火災(zāi)檢測。隨著攝像頭的普及，通過視覺目標(biāo)檢測技術(shù)檢測火災(zāi)能夠有效克服傳統(tǒng)傳感器的缺陷，能夠運(yùn)用于各種場景。

在利用視覺目標(biāo)檢測技術(shù)實(shí)現(xiàn)檢測火災(zāi)的過程中，主要分為2種方法。一種是通過手工提取圖像中火災(zāi)目標(biāo)的特征，再運(yùn)用各種分類算法對提取的特征進(jìn)行分類[3-4]。Horng等 [5]通過研究圖像中火災(zāi)目標(biāo)在HIS色彩空間上的特征實(shí)現(xiàn)火災(zāi)的檢測;Treyin等 [6]通過研究圖像中火焰的特征實(shí)現(xiàn)火災(zāi)的檢測;Chen等 [7]提出了一種基于多特征融合的火災(zāi)檢測方法，該方法通過將高斯混合濾波與火焰顏色濾波相結(jié)合的方式實(shí)現(xiàn)火災(zāi)檢測。上述這種通過手工提取特征，再結(jié)合分類算法的火災(zāi)檢測算法在抗干擾方面表現(xiàn)較差，檢測準(zhǔn)確率也得不到保證。另一種是基于深度學(xué)習(xí)的火災(zāi)目標(biāo)檢測算法[8-10]。與傳統(tǒng)手工提取特征的方法相比，深度學(xué)習(xí)在目標(biāo)檢測領(lǐng)域具有抗干擾能力強(qiáng)、準(zhǔn)確率高的優(yōu)點(diǎn)。目前基于深度學(xué)習(xí)的目標(biāo)檢測算法主要分為2類，一類是以R-CNN（Regions with CNN features）系列[12-14]為代表的兩階段的算法，該算法將目標(biāo)檢測的過程分為2步，首先通過卷積神經(jīng)網(wǎng)絡(luò)獲取可能包含目標(biāo)的感興趣區(qū)域，然后再利用卷積神經(jīng)網(wǎng)絡(luò)在這些感興趣區(qū)域上回歸出目標(biāo)的位置;另一類是以YOLO（You Only Look Once） [15-17]、SSD（Single Shot MultiBox Detector）[18-20]系列為代表的單階段的算法，該算法不產(chǎn)生可能包含目標(biāo)的感興趣區(qū)域，因此在檢測速度上遠(yuǎn)遠(yuǎn)優(yōu)于上述兩階段的算法，在實(shí)際工程中得到廣泛的運(yùn)用。Bochkovskiy等 [21]于2020年提出的YOLOv4在眾多單階段的算法中表現(xiàn)出良好的準(zhǔn)確率和實(shí)時性。YOLOv4-Tiny作為YOLOv4的一種輕量級網(wǎng)絡(luò)完美地繼承了YOLOv4的優(yōu)點(diǎn)，并且由于其參數(shù)數(shù)量較小，更適合在各種嵌入式設(shè)備上進(jìn)行部署。

綜合上述分析，本文以YOLOv4-Tiny網(wǎng)絡(luò)作為基礎(chǔ)，結(jié)合火災(zāi)發(fā)生的特點(diǎn)，通過改進(jìn)YOLOv4-Tiny的網(wǎng)絡(luò)結(jié)構(gòu)搭建火災(zāi)檢測網(wǎng)絡(luò)，并在嵌入式設(shè)備上進(jìn)行部署實(shí)驗(yàn)。

1 YOLOv4-Tiny基本結(jié)構(gòu)

作為YOLOv4的輕量級版本，雖然YOLOv4-Tiny的網(wǎng)絡(luò)結(jié)構(gòu)較小，但是完美地繼承了YOLOv4的優(yōu)點(diǎn)，YOLOv4-Tiny網(wǎng)絡(luò)的結(jié)構(gòu)如圖1所示。

在YOLOv4-Tiny網(wǎng)絡(luò)中主要分為2個部分，一部分為主干網(wǎng)絡(luò)，其主要作用是提取圖像中目標(biāo)的特征;另一部分為FPN（Feature Pyramid Networks）網(wǎng)絡(luò)，其主要作用是對主干網(wǎng)絡(luò)中提取得到的2個有效特征層進(jìn)行特征融合，最終輸出2個不同尺度的預(yù)測結(jié)果。在YOLOv4-Tiny的主干網(wǎng)絡(luò)中，使用CSPDarknet53_Tiny（Cross Stage Partial Network to Darknet53_tiny）的結(jié)構(gòu)如圖2所示。與YOLOv4中的CSPDarknet（Cross Stage Partial Network to Darknet）結(jié)構(gòu)相比，CSPDarknet53_Tiny將激活函數(shù)重新修改為Leaky ReLU，從而提高計算速度。CSPDarknet53_Tiny利用了傳統(tǒng)的殘差結(jié)構(gòu)的思想，在傳統(tǒng)的殘差結(jié)構(gòu)中再嵌入一個殘差結(jié)構(gòu)，從而形成一個新的類似于殘差結(jié)構(gòu)的網(wǎng)絡(luò)結(jié)構(gòu)，使用這種CSPDarknet53_Tiny結(jié)構(gòu)能夠有效提高特征提取的效果。假設(shè)輸入圖像的尺寸為（416，416，3），經(jīng)過YOLOv4-Tiny的主干網(wǎng)絡(luò)提取特征后，最終的輸出結(jié)果的尺寸為（13，13，512）。在FPN網(wǎng)絡(luò)中，輸入為主干網(wǎng)絡(luò)的最后一層和倒數(shù)第二層的輸出結(jié)果，其尺寸分別為（13，13，512）和（26，26，256）。將（13，13，512）卷積后的結(jié)果再次進(jìn)行卷積并進(jìn)行上采樣操作后與FPN網(wǎng)絡(luò)的另一個輸入進(jìn)行拼接，形成另一個中等尺度的輸出結(jié)果。至此，YOLOv4-Tiny網(wǎng)絡(luò)在13×13和26×26這2個尺度上產(chǎn)生預(yù)測結(jié)果，這2個預(yù)測結(jié)果的具體尺寸計算公式為：

Size=B×B×（nAnchor×（5+cn））。 （1）

式中：B為輸出尺寸大小，在YOLOv4-Tiny中為13和26; nAnchor為每個尺度上提前設(shè)置的錨定框（Anchor Box）的個數(shù)，在YOLOv4-Tiny中為每一尺寸的輸出結(jié)果配3個錨定框，因此，nAnchor=3; “5”表示在產(chǎn)生的預(yù)測框中將包含5個參數(shù)，具體為目標(biāo)的位置參數(shù)xoffset、yoffset、w、h和目標(biāo)種類的置信度c;cn為一共所需預(yù)測的目標(biāo)種類的總數(shù)。

綜合上述分析可知，YOLOv4-Tiny最終輸出結(jié)果的尺寸分別為13×13×18和26×26×18。

在YOLOv4-Tiny完成預(yù)測后，通過使用非極大值抑制的策略篩選預(yù)測結(jié)果，從而提高預(yù)測精度，但是該預(yù)測結(jié)果并非直接對應(yīng)目標(biāo)在原始圖像中的原始位置，還需要對其進(jìn)行解碼操作。在解碼的過程中，首先，需要對預(yù)測結(jié)果進(jìn)行“重整”（reshape），reshape后的結(jié)果分別為13×13×3×6和26×26×3×6;然后，將每個格點(diǎn)加上對應(yīng)的偏移量xoffset、yoffset，即可計算出預(yù)測框的中心坐標(biāo);最后，利用寬高比例w、h計算出最終預(yù)測框的長和寬，將最終的預(yù)測結(jié)果在原始圖像上繪制即可完成目標(biāo)檢測。如圖2所示。

2 火災(zāi)檢測網(wǎng)絡(luò)的搭建及改進(jìn)

2.1 火災(zāi)檢測網(wǎng)絡(luò)的搭建

分析可知，YOLOv4-Tiny保留了YOLO系列多尺度預(yù)測的思想，但是為了提高實(shí)時性，僅在中小尺度進(jìn)行預(yù)測，從而導(dǎo)致了YOLOv4-Tiny漏檢率較高的缺點(diǎn)。為了提高火災(zāi)檢測的性能，本文重新引入大尺度預(yù)測的結(jié)果，搭建的火災(zāi)檢測網(wǎng)絡(luò)的主要結(jié)構(gòu)如圖3所示。

在主干網(wǎng)絡(luò)中，使用YOLOv4-Tiny的主干網(wǎng)絡(luò)結(jié)構(gòu)，但是在FPN網(wǎng)絡(luò)中，增加一個大尺寸的輸入，即將主干網(wǎng)絡(luò)在52×52這個尺度上的輸出作為FPN網(wǎng)絡(luò)的另一個輸入。將26×26這個尺度上的結(jié)果進(jìn)行卷積和上采樣操作，并與52×52這個尺度進(jìn)行拼接，形成一個新的輸出。由公式（1）可知，本文中的火災(zāi)檢測網(wǎng)絡(luò)的3個輸出結(jié)果的尺寸分別為13×13×18、26×26×18和52×52×18。

2.2 基于二分K-Means的Anchor Box設(shè)計

根據(jù)分析可知，YOLOv4-Tiny在最終進(jìn)行預(yù)測的過程中，在每個尺度的網(wǎng)絡(luò)上產(chǎn)生3個Anchor Box，根據(jù)本文搭建的火災(zāi)檢測網(wǎng)絡(luò)需要在大、中、小3個尺度上進(jìn)行預(yù)測，因此，需要9個Anchor Box。在原始的YOLO系列的算法中，使用K-Means聚類算法計算Anchor Box的大小，K-Means聚類算法能夠充分考慮數(shù)據(jù)集中真實(shí)目標(biāo)框（ground truth）的大小，但是，K-Means聚類算法存在局部最優(yōu)的缺點(diǎn)。針對上述缺點(diǎn)，本文基于二分K-Means聚類算法重新生成Anchor Box。在運(yùn)用二分K-Means聚類算法生成Anchor Box的步驟如下。

（1） 將數(shù)據(jù)集中所有的數(shù)據(jù)初始化為一個簇，并將此簇分為2個簇。

（2） 以誤差平方和SSE作為聚類代價函數(shù)，篩選滿足聚類代價函數(shù)可分解的簇。

（3） 運(yùn)用K-Means聚類算法將（2）中可分解的簇再分為2個簇。

（4） 重復(fù)上述步驟（2）和（3），直至得出最終的9個Anchor Box。

為了使得預(yù)測框與ground truth之間盡量重合，本文通過IOU計算聚類代價函數(shù)SSE（公式中用ESS表示），SSE的具體計算公式為：

ESS=∑ni=1（1-IOUi（b，g））2 。? （2）

式中，IOUi（b，g）為第i個目標(biāo)的預(yù)測框與ground truth之間的IOU值。

經(jīng)過本文的二分K-Means聚類算法后，最終得出的9個Anchor Box的大小（18，28）、（22，75）、（28，49）、（41，99）、（43，47）、（60，74）、（92，57）、（93，106）、（144，183）。

2.3 損失函數(shù)

在本文搭建的火災(zāi)檢測網(wǎng)絡(luò)中，使用YOLOv4-Tiny網(wǎng)絡(luò)的損失函數(shù)作為本文中的損失函數(shù)。在YOLOv4-Tiny中的損失函數(shù)主要由3個部分組成，分別為位置損失loss_loc（公式中用lloc表示）、置信度損失loss_con（公式中用lcocn表示）和分類損失loss_c（公式中用lc表示）。因此，損失函數(shù)的計算公式為：

l=lloc+lcon+lc 。? （3）

其中， loss_loc、loss_con和loss_c的計算公式分別為：

lloc=1-IOU（p，g）+ρ2（pctr，gctr）/c2+α·v。? （4）

lcon=∑K×Ki=0∑Mj=0IobjijC^ilogCi+1-C^ilog1-Ci+

λnoobj∑K×Ki=0∑Mj=0InoobjijC^ilogCi+1-C^ilog1-Ci。 （5）

lc=∑K×Ki=0Iobjij∑c∈classesp^i（c）logpi（c）+1-p^i（c）log1-pi（c）? （6）

式中：IOU（p，g）為預(yù)測框與ground truth之間的IOU值;ρ2（pctr，gctr）為預(yù)測框與ground truth之間的距離;c為預(yù)測與ground truth的最小包圍框的對角線長度;α與v的乘積為長寬比的懲罰項(xiàng)，其具體計算公式分別為：

α=v（1-IOU）+v （7）

v=4π2arctanwgthgt-arctanwh2 （8）

式中：wgt、hgt分別為真實(shí)框的寬和高;w、h分別為預(yù)測框的寬和高。

3 火災(zāi)檢測網(wǎng)絡(luò)的訓(xùn)練結(jié)果分析

3.1 火災(zāi)檢測數(shù)據(jù)集的制作

在目前公開的數(shù)據(jù)集中，用于火災(zāi)檢測的數(shù)據(jù)集比較少，主要有韓國啟明大學(xué)（Keimyung University）CVPR實(shí)驗(yàn)室的火災(zāi)視頻庫、土耳其比爾肯大學(xué)（Bilkent University）公開的部分火災(zāi)視頻數(shù)據(jù)集以及在火災(zāi)數(shù)據(jù)集網(wǎng)站（Ultimate Chase）的主頁上公開的部分火災(zāi)視頻。本文從上述這些公開的數(shù)據(jù)集中選擇30段典型的火災(zāi)場景視頻，并將其切分成每一張圖片，從中篩選比較清晰的圖像，除了從上述公開的數(shù)據(jù)集中選擇圖片外，從網(wǎng)絡(luò)上另外收集各種場景的火災(zāi)圖像，從而豐富數(shù)據(jù)集。經(jīng)過從各種渠道收集圖像后，本文最終制作的數(shù)據(jù)集包含6 000張圖像，其中，1 200張圖像作為測試數(shù)據(jù)集。為了測試本文中的火災(zāi)檢測網(wǎng)絡(luò)的實(shí)時性，在測試數(shù)據(jù)集中補(bǔ)充5段火災(zāi)視頻。剩余4 800張圖像用于訓(xùn)練本文的火災(zāi)檢測網(wǎng)絡(luò)，在這4 800張圖像中抽取90%的數(shù)據(jù)用于訓(xùn)練，10%的數(shù)據(jù)用于驗(yàn)證。在上述6 000張圖像中，包含了室內(nèi)、室外各種簡單和復(fù)雜環(huán)境，白天和黑夜等不同光照條件以及各種大小不同的火焰，從而保證了本文的火災(zāi)檢測網(wǎng)絡(luò)較高的魯棒性。

3.2 結(jié)果分析

本文的火災(zāi)檢測網(wǎng)絡(luò)訓(xùn)練平臺的操作系統(tǒng)為Ubuntu18.04，深度學(xué)習(xí)框架為Darknet，硬件配置為NVIDIA RTX2080Ti顯卡。為了提高訓(xùn)練的效率，主干網(wǎng)絡(luò)采用預(yù)訓(xùn)練權(quán)重，設(shè)置輸入圖像的尺寸為（416，416），共訓(xùn)練5 000個批次，批處理大小為64，初始學(xué)習(xí)率設(shè)置為0.001。在訓(xùn)練過程中，損失變化曲線如圖4所示。

由圖4可以看出，由于主干網(wǎng)絡(luò)使用了預(yù)訓(xùn)練權(quán)重，在訓(xùn)練了150個批次后，損失值快速下降，在訓(xùn)練1 000個批次后，損失值下降較慢，在訓(xùn)練2 500個批次后，損失值基本不再變化。根據(jù)精確率（Precision，公式中用Precision表示）、召回率（Recall，公式中用Recall表示）[22]計算公式并結(jié)合驗(yàn)證集，本文的各項(xiàng)指標(biāo)見表1。為了綜合評價本文的火災(zāi)檢測網(wǎng)絡(luò)的性能，需要綜合考慮精確率和召回率，即精度（AP）（公式中用AP表示），在本文中由于待檢測的目標(biāo)只有一個，所以在本文中的平均精度（mAP）即為火災(zāi)目標(biāo)的AP。

Precision=TPTP+FP; （9）

Recall=TPTP+FN。 （10）

式中：TP為真正例; FP為假正例; FN為假負(fù)例。

由表1可以看出，本文的火災(zāi)檢測網(wǎng)絡(luò)與YOLOv4-Tiny相比，在精確率方面提高了4.48%，在召回率方面提高了6.88%，在AP值方面提高了0.07，并接近1。由此可見本文中的火災(zāi)檢測網(wǎng)絡(luò)體現(xiàn)了良好的性能。

為了驗(yàn)證本文中的火災(zāi)檢測網(wǎng)絡(luò)在嵌入式設(shè)備上的性能，將本文的火災(zāi)檢測網(wǎng)絡(luò)在NVIDIA Jetson Nano上進(jìn)行部署實(shí)驗(yàn)。NVIDIA Jetson Nano作為一款入門級嵌入式AI計算平臺，具有較高性價比，其軟硬件配置見表2。

在各種場景下的檢測效果如圖5所示，圖5中圖像的分辨率分別為600×399、900×600、523×308、640×424、500×306、275×183，從圖5可以看出，本文中的火災(zāi)檢測網(wǎng)絡(luò)基本能夠準(zhǔn)確識別不同大小的火焰，并且在黑暗環(huán)境中同樣能夠準(zhǔn)確檢測，對于高空拍攝的圖像基本能進(jìn)行準(zhǔn)確檢測，只有少量目標(biāo)漏檢。

為了能夠精確評估本文中的火災(zāi)檢測網(wǎng)絡(luò)的性能，從準(zhǔn)確率、漏檢率和檢測速度的角度出發(fā)，結(jié)合本文數(shù)據(jù)集中的測試集，與傳統(tǒng)的YOLOv4-Tiny、YOLOv4進(jìn)行對比分析，對比結(jié)果見表3。

由表3可以看出，在準(zhǔn)確率方面，本文的火災(zāi)檢測網(wǎng)絡(luò)相比原始YOLOv4-Tiny網(wǎng)絡(luò)提高了3.13%，與YOLOv4幾乎持平;在漏檢率方面，由于本文在3個尺度上輸出預(yù)測結(jié)果，因此比YOLOv4-Tiny降低了6.44%，幾乎與YOLOv4持平;在檢測速度方面，由于計算量遠(yuǎn)小于YOLOv4，因此檢測速度遠(yuǎn)優(yōu)于YOLOv4，稍慢于YOLOv4-Tiny，同樣能夠達(dá)到16幀/s。

本文中的火災(zāi)檢測網(wǎng)絡(luò)發(fā)生漏檢的情況主要為受到周圍環(huán)境干擾和火災(zāi)目標(biāo)較小，如圖6所示，其中藍(lán)色框中的火災(zāi)目標(biāo)由于較小，所以檢測失敗，綠色框中的火災(zāi)目標(biāo)受到周圍環(huán)境的干擾導(dǎo)致檢測失敗。

綜合來看，本文中的火災(zāi)檢測網(wǎng)絡(luò)表現(xiàn)出了良好的綜合性能，能夠在各種場景、各種角度成功檢測各種大小不同的火焰。

4 結(jié)論

由于傳統(tǒng)火災(zāi)傳感器在檢測火災(zāi)的過程中容易受到周圍環(huán)境、安裝距離等因素的影響，因此，本文在現(xiàn)有YOLOv4-Tiny目標(biāo)檢測網(wǎng)絡(luò)的基礎(chǔ)上搭建火災(zāi)目標(biāo)檢測網(wǎng)絡(luò)。在現(xiàn)有的YOLOv4-Tiny網(wǎng)絡(luò)中的FPN結(jié)構(gòu)中引入大尺度預(yù)測層，解決原始YOLOv4-Tiny網(wǎng)絡(luò)漏檢率高的問題;運(yùn)用二分K-Means聚類算法重新生成Anchor Box提高火災(zāi)檢測準(zhǔn)確率，從最終在NVIDIA Jetson Nano上的實(shí)驗(yàn)結(jié)果可以看出，本文搭建的火災(zāi)檢測網(wǎng)絡(luò)具有良好的性能，可以在各種角度、各種環(huán)境中檢測各種大小不同的火焰;在測試數(shù)據(jù)集上的準(zhǔn)確率達(dá)到了97.81%，漏檢率為4.83%，并且檢測速度FPS達(dá)到了16幀/s。但仍然存在一定不足，主要表現(xiàn)在較小目標(biāo)和受外界環(huán)境干擾的目標(biāo)無法成功檢測，未來將從提高檢測準(zhǔn)確率和降低漏檢率的角度進(jìn)一步提升本文中的火災(zāi)檢測網(wǎng)絡(luò)的性能。

【參 考 文 獻(xiàn)】

[1]韋海成，王生營，許亞杰，等.樣本熵融合聚類算法的森林火災(zāi)圖像識別研究[J].電子測量與儀器學(xué)報，2020，34（1）：171-177.

WEI H C， WANG S Y， XU Y J， et al. Forest fire image recognition algorithm of sample entropy fusion and clustering[J]. Journal of Electronic Measurement and Instrumentation， 2020， 34（1）： 171-177.

[2]張為，魏晶晶.嵌入DenseNet結(jié)構(gòu)和空洞卷積模塊的改進(jìn)YOLOv3火災(zāi)檢測算法[J].天津大學(xué)學(xué)報（自然科學(xué)與工程技術(shù)版），2020，53（9）：976-983.

ZHANG W， WEI J J. Improved YOLO v3 fire detection algorithm embedded in DenseNet structure and dilated convolution module[J]. Journal of Tianjin University （Science and Technology）， 2020， 53（9）： 976-983.

[3]HAN X F， JIN J S， WANG M J， et al. Video fire detection based on Gaussian mixture model and multi-color features[J]. Signal， Image and Video Processing， 2017， 11（8）： 1419-1425.

[4]劉凱，魏艷秀，許京港，等.基于計算機(jī)視覺的森林火災(zāi)識別算法設(shè)計[J].森林工程，2018，34（4）：89-95.

LIU K， WEI Y X， XU J G， et. Design of forest fire identification algorithm based on computer vision[J]. Forest Engineering， 2018， 34（4）：89-95.

[5]HORNG W B， PENG J W， CHEN C Y. A new image-based real-time flame detection method using color analysis[C]//Proceedings of 2005 IEEE Networking， Sensing and Control， 2005. March 19-22， 2005， Tucson， AZ， USA. IEEE， 2005： 100-105.

[6]TOREYIN B U， DEDEOGLU Y， GUDUKBAY U， et al. Computer vision based method for real-time fire and flame detection[J]. Pattern Recognition Letters， 2006， 27（1）： 49-58.

[7]CHEN J， HE Y P， WANG J. Multi-feature fusion based fast video flame detection[J]. Building and Environment， 2010， 45（5）：1113-1122.

[8]周飛燕，金林鵬，董軍.卷積神經(jīng)網(wǎng)絡(luò)研究綜述[J].計算機(jī)學(xué)報，2017，40（6）：1229-1251.

ZHOU F Y， JIN L P， DONG J. Review of convolutional neural network[J]. Chinese Journal of Computers， 2017， 40（6）： 1229-1251.

[9]姜俊鵬，呂斌，胡夠英，等.基于機(jī)器視覺的木材種類識別技術(shù)研究[J].林業(yè)機(jī)械與木工設(shè)備，2021，49（10）：36-38.

JIANG J P， LYU B， HU G Y， et al. Research on wood species recognition technology based on machine vision[J]. Forestry Machinery & Woodworking Equipment， 2021， 49（10）： 36-38.

[10]朱泓宇，謝超.基于可逆卷積神經(jīng)網(wǎng)絡(luò)的圖像超分辨率重建方法[J].林業(yè)機(jī)械與木工設(shè)備，2021，49（3）：20-25.

ZHU H Y， XIE C. Image super-resolution reconstruction method based on invertible convolutional neural networks[J]. Forestry Machinery & Woodworking Equipment， 2021， 49（3）： 20-25.

[11]GIRSHICK R， DONAHUE J， DARRELL T， et al. Rich feature hierarchies for accurate object detection and semantic segmentation[C]//2014 IEEE Conference on Computer Vision and Pattern Recognition. June 23-28， 2014， Columbus， OH， USA. IEEE， 2014： 580-587.

[12]GIRSHICK R. Fast R-CNN[C]//Proceedings of the IEEE international conference on computer vision. 2015： 1440-1448.

[13]REN S Q， HE K M， GIRSHICK R， et al. Faster R-CNN： towards real-time object detection with region proposal networks[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2017， 39（6）： 1137-1149.

[14]ZHANG Q X， LIN G H， ZHANG Y M， et al. Wildland forest fire smoke detection based on faster R-CNN using synthetic smoke images[J]. Procedia Engineering， 2018， 211： 441-446.

[15]REDMON J， DIVVALA S， GIRSHICK R， et al. You only look once： unified， real-time object detection[C]//2016 IEEE Conference on Computer Vision and Pattern Recognition （CVPR）. June 27-30， 2016， Las Vegas， NV， USA. IEEE， 2016： 779-788.

[16]REDMON J， FARHADI A. YOLO9000： better， faster， stronger[C]//2017 IEEE Conference on Computer Vision and Pattern Recognition （CVPR）. July 21-26， 2017， Honolulu， HI， USA. IEEE， 2017：7263-7271.

[17]REDMON J， FARHADI A. YOLOv3： an incremental improvement[J]. Journal of Computer and Communications， 2018， 6（11）：1804.02767.

[18]LIU W， ANGUELOV D， ERHAN D， et al. SSD： single shot MultiBox detector[M]. Cham： Springer International Publishing， 2016.

[19]LI Z X， ZHOU F Q. FSSD： feature fusion single shot multibox detector[EB/OL]. 2017， eprint arXiv：1712.00960.

[20]FU C Y， LIU W， RANGA A， et al. DSSD： deconvolutional single shot detector[EB/OL]. 2017， arXiv： 1701.06659[cs.CV].

[21]BOCHKOVSKIY A， WANG C Y， LIAO H Y M. YOLOv4： optimal speed and accuracy of object detection[EB/OL]. 2020， arXiv：2004.10934[cs.CV].

[22]DOLLAR P， WOJEK C， SCHIELE B， et al. Pedestrian detection： a benchmark[C]//2009 IEEE Conference on Computer Vision and Pattern Recognition. June 20-25， 2009， Miami， FL， USA. IEEE， 2009： 304-311.