作者简介：奚方园，在读硕士，合肥学院先进制造工程学院。研究方向：ＦＰＧＡ项目开发、深度学习。李燕，在读硕士，合肥学院先进制造工程学院。研究方向：过程控制与信息化。梅腱，博士，讲师，合肥学院先进制造工程学院。研究方向：精密测试技术及仪器、智能信息处理。胡国华，博士，教授，合肥学院先进制造工程学院。研究方向：无线通信、智能信息处理。基金项目：安徽高校自然科学研究项目“基于肺部ＣＴ图像特征提取的多窗实值离散Ｇａｂｏｒ变换快速算法研究”（项目编号：ＫＪ２０１９Ａ０８３８）；合肥学院人才科研基金项目（项目编号：２０ＲＣ０９）。文章编号：２０９６－３８７４（２０２３）０１－００６３－０８基于改进的ＹＯＬＯｖ３火灾检测算法研究奚方园，李燕，梅腱，胡国华（合肥学院先进制造工程学院，安徽合肥２３００００）摘要：卷积神经网络的快速发展，在图像分类、目标检测、跟踪任务等领域得到广泛的应用。因此，将卷积神经网络算法应用到火灾检测上有助于提升其在复杂环境下目标识别和抗干扰能力。针对火灾发生时烟雾及火焰目标在复杂背景下检测困难的问题，通过引入ＭｏｂｉｌｅＮｅｔｖ３特征提取网络、聚焦（Ｆｏｃｕｓ）和空间金字塔池化（ＳｐａｔｉａｌＰｙｒａｍｉｄＰｏｌｉｎｇ，ＳＰＰ）等方法对ＹＯＬＯｖ３算法进行改进，以提高对火灾发生时烟雾及火焰的精确识别。实验结果表明：改进后的Ｍｏｂｉｌｅｎ⁃Ｎｅｔｖ３＋ＹＯＬＯｖ３＋ＳＰＰ算法的实时检测帧率达到６１ＦＰＳ，目标识别准确率８８．７３％，满足实时检测的要求。关键词：卷积神经网络；火焰检测；烟雾检测；改进ＹＯＬＯｖ３中图分类号：ＴＰ１８：ＴＰ３９１．４文献标识码：Ａ在日常生活中，火灾的发生会对人们带来巨大的危害［１］。在火灾发生前，通常伴随着烟雾和火焰的不断产生，若能够在火灾发生早期，及时地对烟雾和火焰进行迅速并且准确地检测，就可以有效地把财产损失和危害降到最低。深度学习的发展，特别是基于深度学习的卷积神经网络的出现，为火灾发生时烟雾及火焰特征提取带来了全新的解决方法。陈俊周等人［２］利用原始图像的光流序列提取动态烟雾纹理信息，将烟雾纹理的静态特征与动态特征相结合，提升了复杂环境烟雾的检测效果，降低了误检率，但是由于早期的烟雾特征不明显，无关的区域较大，直接将原始图像输入到ＣＮＮ，增大了模型的复杂度；蒋珍存等人［３］基于ＶＧＧ１６网络，将３层全连接层修改为２层，并利...
