王振龍 陳彥 劉飛 王優(yōu)優(yōu) 楊羅剛 張佳銘

摘? 要：石油化工行業(yè)生產(chǎn)現(xiàn)場(chǎng)大多具有易燃、易爆、高溫和高壓等特點(diǎn)，是安全監(jiān)管的核心區(qū)域。針對(duì)目前安全監(jiān)管區(qū)域主要依靠監(jiān)控視頻回放及人工檢查方式，導(dǎo)致實(shí)時(shí)性差、安全性低的問(wèn)題，該文提出一種基于YOLOv7和GMM算法的火焰實(shí)時(shí)檢測(cè)方法。首先，通過(guò)生產(chǎn)現(xiàn)場(chǎng)對(duì)數(shù)據(jù)實(shí)時(shí)采集和分析，基于YOLOv7在目標(biāo)檢測(cè)領(lǐng)域的優(yōu)勢(shì)，實(shí)現(xiàn)對(duì)疑似火焰區(qū)域的檢測(cè)；其次，結(jié)合火焰特有的動(dòng)態(tài)特征，利用GMM模型對(duì)檢測(cè)結(jié)果中的疑似火焰區(qū)域進(jìn)行排除，如燈光、太陽(yáng)光等；最后，利用形態(tài)學(xué)操作方法，進(jìn)一步提高對(duì)真實(shí)火焰檢測(cè)的準(zhǔn)確性。通過(guò)實(shí)驗(yàn)結(jié)果表明，該方法能夠?yàn)V除疑似火焰的干擾，有效檢測(cè)出真實(shí)火焰，且在復(fù)雜背景下仍有很好的抗干擾能力和識(shí)別準(zhǔn)確率。

關(guān)鍵詞：易燃；高溫；YOLOv7；GMM；形態(tài)學(xué)操作

中圖分類(lèi)號(hào)：X932? ? ? 文獻(xiàn)標(biāo)志碼：A? ? ? ? ? 文章編號(hào)：2095-2945（2024）05-0001-06

Abstract： Most production sites in the petrochemical industry have the characteristics of flammability， explosion， high temperature， and high pressure， and are the core areas of safety supervision. Aiming at the problem that the current safety supervision area mainly relies on surveillance video playback and manual inspection， which leads to poor real-time performance and low security， a real-time flame detection method based on YOLOv7 and GMM algorithm is proposed in this paper. First of all， through the real-time data collection and analysis on the production site， based on the advantages of YOLOv7 in the field of target detection， the suspected flame area is detected; secondly， combined with the unique dynamic characteristics of the flame， the GMM model is used to eliminate the suspected flame area in the detection results， such as light， sunlight and so on; finally， the morphological operation method is used to further improve the accuracy of real flame detection. The experimental results show that this method can filter out the interference of suspected flame， detect the real flame effectively， and still has good anti-jamming ability and recognition accuracy under complex background.

Keywords： flammability; high temperature; YOLOv7; GMM; morphological operation

目前，石油化工行業(yè)普遍沒(méi)有實(shí)現(xiàn)安防重點(diǎn)如明火、煙霧等實(shí)時(shí)檢測(cè)與告警，導(dǎo)致火災(zāi)的頻發(fā)?；馂?zāi)的發(fā)生一直威脅著人們的生命和財(cái)產(chǎn)安全，嚴(yán)重時(shí)不僅造成巨大經(jīng)濟(jì)損失，而且導(dǎo)致人員的大量傷亡[1-2]。為最大程度地降低火災(zāi)給石化工廠帶來(lái)的潛在風(fēng)險(xiǎn)，及時(shí)偵測(cè)并迅速撲滅火患，需要對(duì)火災(zāi)的發(fā)生進(jìn)行實(shí)時(shí)、準(zhǔn)確地檢測(cè)。

由于火焰的突發(fā)性和頻發(fā)性，前人一直在尋找更加及時(shí)有效的火焰檢測(cè)方法。文獻(xiàn)[3]提出了一種利用RGB顏色空間進(jìn)行火焰檢測(cè)的方法，通過(guò)對(duì)RGB三通道不同的圖像特性進(jìn)行分析來(lái)實(shí)現(xiàn)火焰識(shí)別。文獻(xiàn)[4]提出了一種基于YOLOv4的火焰檢測(cè)算法，利用CSPDarkNet53作為骨干網(wǎng)，通過(guò)SPP和PANET結(jié)構(gòu)增強(qiáng)特征提取網(wǎng)絡(luò)，平均檢測(cè)精度達(dá)91.68%。文獻(xiàn)[5]介紹了一種基于幀差法的火焰檢測(cè)方法，使用面積增長(zhǎng)比作為判別幀數(shù)差的依據(jù)進(jìn)行火焰識(shí)別。文獻(xiàn)[6]提出一種基于改進(jìn)的YOLOv5檢測(cè)算法進(jìn)行火焰檢測(cè)的方法，通過(guò)嵌入?yún)f(xié)同注意力機(jī)制模塊和改進(jìn)損失函數(shù)來(lái)實(shí)現(xiàn)火焰檢測(cè)。傳統(tǒng)的火焰檢測(cè)方法在一定程度上實(shí)現(xiàn)了火焰檢測(cè)的功能，但由于石油石化行業(yè)應(yīng)用場(chǎng)景復(fù)雜、準(zhǔn)確率要求高、場(chǎng)景落地困難，仍存在誤檢率大、檢測(cè)速度慢等問(wèn)題，無(wú)法滿足石油石化行業(yè)生產(chǎn)現(xiàn)場(chǎng)對(duì)火焰檢測(cè)實(shí)時(shí)性和準(zhǔn)確性的要求。

隨著圖像處理和計(jì)算機(jī)視覺(jué)技術(shù)的發(fā)展、視頻監(jiān)控的普及，火焰的實(shí)時(shí)檢測(cè)已成為目標(biāo)檢測(cè)領(lǐng)域的熱點(diǎn)問(wèn)題[7]。本文提出一種基于YOLOv7和GMM算法的火焰實(shí)時(shí)檢測(cè)方法。在確保視頻圖像火焰檢測(cè)速率的同時(shí)，融合火焰獨(dú)特的動(dòng)態(tài)特征，更進(jìn)一步地濾除可能的誤檢情況，從而極大提升火焰檢測(cè)的準(zhǔn)確性。

1? YOLOv7網(wǎng)絡(luò)模型介紹

YOLOv7算法[8]是被廣泛使用的目標(biāo)檢測(cè)網(wǎng)絡(luò)之一，憑借檢測(cè)精度高、推理速度快等特點(diǎn)，在各種工業(yè)領(lǐng)域已取得了不錯(cuò)的成果[9-10]。同時(shí)，YOLO也一直在更新迭代，目前YOLOv7是綜合表現(xiàn)最好的版本，也是更符合火焰實(shí)時(shí)檢測(cè)的要求。

YOLOv7是由YOLOv4團(tuán)隊(duì)的原班人馬提出的。目前，無(wú)論是在實(shí)時(shí)性還是準(zhǔn)確率上都已經(jīng)超過(guò)了目前已知的目標(biāo)檢測(cè)算法[11-12]，在30 FPS的情況下，最高的模型AP值可達(dá)56.8%。YOLOv7網(wǎng)絡(luò)結(jié)構(gòu)主要分成3個(gè)部分：input、backone、Neck&Head。

1.1? input

Input端包括Mosaic數(shù)據(jù)增強(qiáng)、圖片尺寸處理、自適應(yīng)錨框計(jì)算3部分。采用Mosaic方式增強(qiáng)數(shù)據(jù)，這種方式對(duì)小目標(biāo)檢測(cè)效果比較理想，符合本文小目標(biāo)火焰的檢測(cè)需求。

1.2? Backbone

Backbone由BConv層、E-ELAN層及MPConv層交替減半長(zhǎng)寬，增倍通道，提取特征。其中BConv層由卷積層+BN層+激活函數(shù)組成，激活函數(shù)為ReakyReLu；ELAN層由不同的卷積拼接而成，ELAN模塊是一個(gè)高效的網(wǎng)絡(luò)結(jié)構(gòu)，具有更強(qiáng)的魯棒性。MPConv模塊有2個(gè)分支，作用是進(jìn)行下采樣，減少運(yùn)算量和參數(shù)量，加快計(jì)算速度并防止過(guò)擬合。

1.3? Neck&Head

頸部（Neck）&預(yù)測(cè)頭（Head）層通過(guò)SPPCPC層、若干BConv層、若干MPConv層、若干Catconv層及后續(xù)RepVGG block層組成。SPPCSPC層中SPP能夠增大感受野，使得算法適應(yīng)不同的分辨率圖像。Catconv層與ELAN層的操作基本相同；RepVGG block層中REP在訓(xùn)練和部署的時(shí)候結(jié)構(gòu)不同。訓(xùn)練模塊有3分支，最上面的分支是3x3的卷積，用于特征提??；中間的分支是1x1的卷積，用于平滑特征；最后的分支是Identity，用于恒等映射。推理模塊，包含一個(gè)3x3的卷積，stride參數(shù)，在模型重參數(shù)化時(shí)，將1x1的卷積和Identity，轉(zhuǎn)換成3x3的卷積，最后將三者進(jìn)行相加，實(shí)現(xiàn)矩陣的融合。利用單路網(wǎng)絡(luò)的優(yōu)勢(shì)提升推理速度，從而實(shí)現(xiàn)高性能和高速度的平衡。

2? GMM運(yùn)動(dòng)目標(biāo)檢測(cè)算法

運(yùn)動(dòng)目標(biāo)檢測(cè)是基于運(yùn)動(dòng)目標(biāo)的特性，從連續(xù)的視頻序列中抽取出運(yùn)動(dòng)區(qū)域的過(guò)程，其中這些運(yùn)動(dòng)區(qū)域被賦予前景的角色，而靜止部分則成為背景的一部分[13-15]。在石油石化行業(yè)生產(chǎn)現(xiàn)場(chǎng)中還存在許多與火焰顏色很類(lèi)似的物體，如照明燈、太陽(yáng)等，將對(duì)提取真實(shí)的火焰區(qū)域帶來(lái)阻礙，因此還需借助火焰特有的動(dòng)態(tài)特征進(jìn)一步篩選出真實(shí)火焰。本文利用GMM（高斯混合模型）對(duì)火焰特有的動(dòng)態(tài)特征進(jìn)行分析，有效排除檢測(cè)結(jié)果中誤判的情況，從而提高火焰檢測(cè)精度。

2.1? 高斯混合模型

高斯混合模型（GMM）是一種以像素樣本統(tǒng)計(jì)為基礎(chǔ)的背景建模方法[16-17]。假設(shè)像素之間的色彩信息相互獨(dú)立，因此對(duì)視頻圖像中的每個(gè)像素點(diǎn)，其值的變化可以被視為不斷生成新像素值的隨機(jī)過(guò)程，而在統(tǒng)計(jì)學(xué)上，這個(gè)隨機(jī)過(guò)程呈現(xiàn)高斯分布的形態(tài)?，F(xiàn)實(shí)中火焰視頻圖像中由于光線變化、物體微小抖動(dòng)等，每個(gè)像素點(diǎn)分布通常服從多峰高斯分布。運(yùn)動(dòng)檢測(cè)算法流程包括[18]GMM參數(shù)的初始化、模型參數(shù)的更新、運(yùn)動(dòng)目標(biāo)檢測(cè)。

2.1.1? GMM參數(shù)初始化

在運(yùn)動(dòng)檢測(cè)中，通常統(tǒng)計(jì)一段時(shí)間內(nèi)的視頻圖像信息對(duì)各高斯模型參數(shù)進(jìn)行初始化：選取連續(xù)的幀圖像，計(jì)算這些圖像中每個(gè)像素位置的灰度平均值和方差來(lái)初始化各高斯分布的均值矩陣μ0和方差矩陣σ02，公式如下

式中：μk，0表示第k個(gè)高斯分布的均值矩陣；σ表示第k個(gè)高斯分布的均值矩陣；N表示選取連續(xù)的N幀圖像；參數(shù)初始化中，對(duì)視頻序列I（i=1，2，…，N）進(jìn)行累積采樣。

2.1.2? 混合高斯模型參數(shù)更新

當(dāng)GMM模型參數(shù)初始化狀態(tài)結(jié)束后，開(kāi)始進(jìn)行下一步的運(yùn)動(dòng)目標(biāo)檢測(cè)。從實(shí)時(shí)視頻中獲取t時(shí)刻視頻幀，將像素位置（x，y）得到的灰度值It（x，y）與當(dāng)前的k個(gè)混合高斯模型進(jìn)行匹配判斷，若It（x，y）與第k個(gè)模型得到匹配則標(biāo)記Mk，t=1；若沒(méi)有與第k個(gè)高斯模型得到匹配則標(biāo)記Mk，t=0，公式如下所示

It（x，y）-μk，t-1（x，y）≤c·σk，t-1（x，y），

式中：c是經(jīng)驗(yàn)參數(shù)，一般取2～3得到的檢測(cè)效果較為理想。匹配結(jié)束后根據(jù)各個(gè)標(biāo)記M值對(duì)第k個(gè)高斯模型的權(quán)重參數(shù)ωk，t（x，y）進(jìn)行如下更新

ωk，t（x，y）=（1-α）·ωk，t-1（x，y）+Mk，t·α。

若存在某個(gè)Mk，t=1，則對(duì)像素點(diǎn)對(duì)應(yīng)的第k個(gè)高斯模型的均值和方差作如下更新

若像素值It（x，y）與所有模型都未得到匹配，則用值It（x，y）取代最后一個(gè)高斯模型對(duì)應(yīng)位置的均值，并重新為該模型的（x，y）處分配一個(gè)較大方差和較小權(quán)重。α是權(quán)重的學(xué)習(xí)率，αε[0，1]，β是均值和方差的學(xué)習(xí)率，且βε[0，1]。

2.1.3運(yùn)動(dòng)檢測(cè)

在混合高斯模型中，為了得到t時(shí)刻的背景模型，必須對(duì)當(dāng)前t時(shí)刻所有k個(gè)己經(jīng)完成參數(shù)更新的高斯模型做調(diào)整：首先對(duì)每個(gè)像素位置模型權(quán)重作歸一化處理，公式如下

其次，按照ωk，t（x，y）/σ（x，y）從大到小的順序?qū)λ懈咚鼓Ｐ椭匦逻M(jìn)行排序，并選取前B個(gè)滿足如下公式，將該模型作為背景分布，其中τ是權(quán)重閾值。

最后，將當(dāng)前像素點(diǎn)值It（x，y）與上式得到的B個(gè)背景模型進(jìn)行如下公式的匹配判斷，如果找到一個(gè)模型k滿足式，則認(rèn)為該點(diǎn)在t時(shí)刻呈現(xiàn)的是背景信息；否則，判斷該點(diǎn)為運(yùn)動(dòng)前景。

2.2形態(tài)學(xué)操作

形態(tài)學(xué)操作在圖像處理領(lǐng)域應(yīng)用非常廣泛，在諸多行業(yè)領(lǐng)域已取得巨大的成功[19]。形態(tài)學(xué)能夠保證在圖像基本形狀不變的前提下，去除不相關(guān)區(qū)域的部分，如噪聲、邊緣毛刺等。在運(yùn)動(dòng)目標(biāo)檢測(cè)算法中，圖像背景往往不是一直不變的，經(jīng)常處于一種細(xì)微變化的狀態(tài)，導(dǎo)致背景物體誤檢測(cè)為前景。

2.2.1腐蝕

腐蝕運(yùn)算是指將那些孤立邊界點(diǎn)去除掉，使得其邊界收縮的運(yùn)算，其本質(zhì)是計(jì)算局部最小值。用結(jié)構(gòu)元素B對(duì)圖像A做腐蝕操作可記為AΘB，公式如下所示

式中：Bx為結(jié)構(gòu)元素，Bx中的下標(biāo)x=（x1，x2）表示結(jié)構(gòu)元素的參考點(diǎn)在圖像中的坐標(biāo)。

腐蝕操作使原始圖像的凸起部分受到侵蝕。在周?chē)h(huán)境為背景的情況下，可能被錯(cuò)誤識(shí)別為前景的火焰能夠通過(guò)腐蝕操作得以清除，然而這一操作也會(huì)對(duì)前景中的火焰輪廓產(chǎn)生一定影響。

2.2.2? 膨脹

膨脹操作是將與目標(biāo)物體接觸的像素點(diǎn)融合到物體中，從而擴(kuò)展其邊界，本質(zhì)上是計(jì)算局部最大值的運(yùn)算。這一操作能夠?qū)⑽矬w的范圍逐漸擴(kuò)大，以實(shí)現(xiàn)邊界的增強(qiáng)和形態(tài)的變化。用結(jié)構(gòu)元素B對(duì)圖像A做膨脹操作，記為A⊕B。公式如下所示

式中：A為圖像，B為結(jié)構(gòu)元素，表示B集合反射，（）z表示對(duì)B反射進(jìn)行位移z。

在形態(tài)學(xué)處理中，腐蝕和膨脹是最為基礎(chǔ)且至關(guān)重要的2種操作，許多其他形態(tài)學(xué)算法也是由這2種基本運(yùn)算相互組合而成的。本文選用了開(kāi)運(yùn)算的策略，即先腐蝕后膨脹。

3? 火焰實(shí)時(shí)檢測(cè)方法

3.1? 火焰實(shí)時(shí)檢測(cè)流程

本文所提出的火焰檢測(cè)方法的整體實(shí)現(xiàn)流程如圖1所示。

3.2? 數(shù)據(jù)集建立

樣本集是深度學(xué)習(xí)網(wǎng)絡(luò)的基礎(chǔ)，優(yōu)秀的樣本集讓模型有更強(qiáng)的魯棒性和泛化性。本文實(shí)驗(yàn)數(shù)據(jù)集圖像大小為420×420像素，由公開(kāi)火焰數(shù)據(jù)集和互聯(lián)網(wǎng)收集共8 000張圖像，其中火焰圖像為6 510張，非火焰圖像為1 490張。根據(jù)8∶2的比例劃分，生成6 400張訓(xùn)練集和1 600張測(cè)試集，如圖2所示。樣本集采用PASCALVOC格式，圖像標(biāo)注使用LabelImg，標(biāo)注后文件以xml作為后綴存儲(chǔ)，通過(guò)數(shù)據(jù)轉(zhuǎn)換代碼將標(biāo)注文件轉(zhuǎn)換為YOLOv7模型可用的txt文本格式。劃分見(jiàn)表1。

3.3? 模型訓(xùn)練

實(shí)驗(yàn)環(huán)境使用 Ubuntu16. 04操作系統(tǒng)，選用Pytorch架構(gòu)，使用NVIDIA A100 Tensor Core GPU進(jìn)行運(yùn)算，利用Python語(yǔ)言編寫(xiě)程序代碼，實(shí)現(xiàn)火焰檢測(cè)模型的訓(xùn)練和測(cè)試。具體實(shí)驗(yàn)配置見(jiàn)表2。

訓(xùn)練過(guò)程中優(yōu)化器采用SGD；輸入尺寸420×420；batch_size為16；迭代批量大小為128；衰減系數(shù)0.005；迭代次數(shù)為150次；初始學(xué)習(xí)率為0.001。

3.4? 模型對(duì)比

為了有效分析改進(jìn)后模型的性能，本文使用相同的數(shù)據(jù)集和訓(xùn)練參數(shù)設(shè)置分別對(duì)YOLOv3、YOLOv4、YOLOv5、YOLOv6和YOLOv7網(wǎng)絡(luò)進(jìn)行訓(xùn)練，將本文使用的YOLOv7模型與其他模型的mAP（0.5）曲線繪制在同一個(gè)坐標(biāo)系中，如圖3所示，mAP（0.5）值越大，表明檢測(cè)的準(zhǔn)確率越高，網(wǎng)絡(luò)性能越好。從圖中可以看出，基于YOLOv7的火焰檢測(cè)模型在30次左右收斂，在閾值設(shè)定為0.5的前提下，平均檢測(cè)精度（mAP）在94%以上。相比其他模型，收斂速度更快，且準(zhǔn)確率更高。

為進(jìn)一步分析本文模型在火焰檢測(cè)上的性能，將本文所采用的火焰檢測(cè)模型與各主流目標(biāo)檢測(cè)模型進(jìn)行對(duì)比，以Precision（查準(zhǔn)率）、Recall（召回率）、mAP（平均精確率）為主要指標(biāo)，5種模型的對(duì)比結(jié)果見(jiàn)表3。與YOLO系列算法相比，本文改進(jìn)模型比YOLOv3、YOLOv4、YOLOv5和YOLOv6原始模型的mAP（0.5）檢測(cè)精度分別提高了13.04%、8.42%、1.07%和1.63%。

3.5? 測(cè)試結(jié)果

為全面評(píng)估基于YOLOv7的火焰實(shí)時(shí)檢測(cè)的效果，選取視頻幀數(shù)據(jù)進(jìn)行火焰檢測(cè)測(cè)試，以驗(yàn)證模型的可靠性。測(cè)試結(jié)果如圖4所示?？梢钥闯觯赮OLOv7的火焰實(shí)時(shí)檢測(cè)中精確度較高，滿足工廠需求。但在檢測(cè)過(guò)程中也伴隨著一些誤檢情況，主要是工廠燈光及太陽(yáng)光等類(lèi)似火焰對(duì)象的干擾所致。為排除類(lèi)似火焰干擾，本文將進(jìn)一步對(duì)火焰特有的動(dòng)態(tài)特征進(jìn)行分析，提高火焰檢測(cè)的精確度。

3.6? 結(jié)果優(yōu)化

通過(guò)基于YOLOv7算法已檢測(cè)出火焰區(qū)域圖像，但在石化工廠中，存在大量疑似火焰的物體，如燈光、太陽(yáng)光等靜態(tài)圖像，大大干擾了火焰檢測(cè)的精度，如何從疑似火焰中尋找真實(shí)的火焰還需進(jìn)一步研究?；鹧嬖谌紵^(guò)程中的動(dòng)態(tài)抖動(dòng)是區(qū)別于其他疑似火焰的重要特征，根據(jù)火焰特有的動(dòng)態(tài)閃爍特性，利用GMM在運(yùn)動(dòng)目標(biāo)檢測(cè)領(lǐng)域的優(yōu)勢(shì)找出發(fā)生空間位置變化的物體。該方法分為3個(gè)步驟：圖像預(yù)處理、火焰檢測(cè)、圖像后處理，如圖5所示。

圖像預(yù)處理階段：為進(jìn)一步消除圖像其他不相關(guān)部分的干擾，將基于YOLOv7算法檢測(cè)出的火焰區(qū)域截取出來(lái)進(jìn)行單獨(dú)分析。采用將其他不相關(guān)部分的圖像像素值取0操作，得到預(yù)處理后的原始圖像。如圖5（b）所示。

火焰檢測(cè)階段：利用高斯混合模型在運(yùn)動(dòng)目標(biāo)檢測(cè)領(lǐng)域優(yōu)勢(shì)，對(duì)疑似火焰區(qū)域進(jìn)行前景目標(biāo)檢測(cè)，檢測(cè)后得到火焰動(dòng)態(tài)變化的二值圖像，如圖5（c）所示。模型參數(shù)設(shè)置：GMM數(shù)目k為5，GMM更新了β為0.2，與模型匹配的標(biāo)準(zhǔn)差系數(shù)c為2.2，權(quán)重閾值τ為0.8。

后處理階段：使用形態(tài)學(xué)方法（具體是先腐蝕再膨脹操作）對(duì)檢測(cè)階段得到的二值圖進(jìn)行降噪處理，排除了疑似火焰的干擾，最終得到真實(shí)的火焰形態(tài)。如圖5（d）所示。

4? 結(jié)論

本文針對(duì)目前安全監(jiān)管區(qū)域主要依靠監(jiān)控視頻回放及人工檢查方式，導(dǎo)致實(shí)時(shí)性差、安全性低的問(wèn)題，提出一種基于YOLOv7和GMM算法的火焰實(shí)時(shí)檢測(cè)方法。通過(guò)實(shí)驗(yàn)結(jié)果展示，該方法在安全監(jiān)管區(qū)域的場(chǎng)景中具有較好性能，能夠在保證實(shí)時(shí)火焰檢測(cè)精度、排除疑似火焰干擾的同時(shí)，實(shí)現(xiàn)真實(shí)火焰的實(shí)時(shí)檢測(cè)，具有一定的應(yīng)用前景。通過(guò)對(duì)生產(chǎn)區(qū)域火災(zāi)危險(xiǎn)場(chǎng)景進(jìn)行實(shí)時(shí)檢測(cè)和異常報(bào)警，及時(shí)發(fā)現(xiàn)安全隱患，提醒內(nèi)操或者調(diào)度人員糾正現(xiàn)場(chǎng)人員行為，有效提升企業(yè)安全管控能力。

參考文獻(xiàn)：

[1] 張志英.視頻監(jiān)控系統(tǒng)中火災(zāi)檢測(cè)技術(shù)的研究[D].成都：電子科技大學(xué)，2010.

[2] 關(guān)鐵.淺談火災(zāi)事故調(diào)查存在的問(wèn)題與對(duì)策[J].科技創(chuàng)新與應(yīng)用，2016（4）：294-294.

[3] 蘇展，張防震，王瑞，等.基于RGB+HSI顏色模型的早期火焰檢測(cè)算法研究[J].河南教育學(xué)院學(xué)報(bào)（自然科學(xué)版），2021，30（3）：28-32.

[4] SUN X Q， XIN S J. Flame detection algorithm based on YOLOv4[C]//Proceedings of the IEEE 7th International Conference on Intelligent Computing and Signal Processing， Xi An， China： IEEE Press， 2022： 314-317.

[5] 楊述斌，周敏瑞，潘偉.基于煙霧圖像動(dòng)態(tài)多幀差分法的火災(zāi)識(shí)別研究[J].自動(dòng)化與儀表，2021，36（7）：47-50，100.

[6] 陳露萌，曹彥彥，黃民，等.基于改進(jìn)YOLOv5的火焰檢測(cè)方法[J].計(jì)算機(jī)工程，2023，49（8）：291-301，309.

[7] 江洋.基于深度學(xué)習(xí)的火災(zāi)視頻實(shí)時(shí)智能檢測(cè)研究[D].海口：海南大學(xué)，2020.

[8] 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.

[9] 李柯泉，陳燕，劉佳晨，等.基于深度學(xué)習(xí)的目標(biāo)檢測(cè)算法綜述[J].計(jì)算機(jī)工程，2022，48（7）：1-12.

[10] 李文博，趙正旭.基于YOLOv5的遙感圖像小目標(biāo)檢測(cè)[J].科技創(chuàng)新與應(yīng)用，2023，13（6）：63-67.

[11] WANG C Y，BOCHKOVSKIY A，LIAO H.YOLOv7：trainable bag-of-freebies sets new state-of-the-art forreal-time object detectors[J].arXiv：2207.02696，2022.

[12] 張亞騰，黃俊.基于YOLOv7的鋼表面缺陷檢測(cè)[J/OL].激光雜志：1-7[2023-08-03].http：//kns.cnki.net/kcms/detail/50.1085.TN.20230726.0945.004.html.

[13] 唐慧娟，李軍民.智能視頻監(jiān)控中的運(yùn)動(dòng)目標(biāo)檢測(cè)研究[J].科技創(chuàng)新與應(yīng)用，2016（12）：41.

[14] 杜保亮.基于高斯混合模型的運(yùn)動(dòng)動(dòng)作跟蹤研究[J].信息技術(shù)，2022（7）：1-5，11.

[15] LI R，WANG Z，GU C，et al. A novel time-of-use tariff design based on Gaussian mixture model[J].Applied Energy，2016.

[16] GREGGIO N， BERNARDINO A， LASCHI C， et al. Self-adaptive Gaussian mixture models for real-time video segmentation and background subtraction[C]//10th International Conference on Intelligent Systems Design and Applications， Cairo，2010：983-989.

[17] CHEN Z Z， TIM E. Self-adaptive gaussian mixture model for urban traffic monitoring system[C]//IEEE International Conference on Computer VisionWorkshops，Barcelona，2011：1769-1776.

[18] 周建英.基于GMM的智能視頻運(yùn)動(dòng)目標(biāo)檢測(cè)算法研究[D].合肥：安徽大學(xué)，2013.

[19] 吳凡.基于深度學(xué)習(xí)的火災(zāi)檢測(cè)算法研究與實(shí)現(xiàn)[D].杭州：杭州電子科技大學(xué)，2020.