a*<a*pa*>a*随a*着a*城a*市a*化a*建a*设a*进a*程a*的a*不a*断a*推a*进a*，a*近a*年a*来a*城a*市a*建a*筑a*火a*灾a*的a*发a*生a*概a*率a*呈a*上a*升a*趋a*势a*，a*不a*仅a*对a*人a*类a*生a*命a*安a*全a*带a*来a*威a*胁a*，a*而a*且a*还a*会a*造a*成a*严a*重a*的a*财a*产a*损a*失a*。a*为a*了a*降a*低a*城a*市a*建a*筑a*火a*灾a*带a*来a*的a*损a*失a*，a*因a*此a*各a*种a*火a*灾a*预a*警a*的a*方a*法a*应a*运a*而a*生a*。a*从a*基a*于a*传a*统a*图a*像a*处a*理a*的a*火a*灾a*检a*测a*技a*术a*到a*基a*于a*机a*器a*学a*习a*的a*火a*灾a*检a*测a*技a*术a*，a*这a*些a*火a*灾a*检a*测a*方a*法a*所a*依a*靠a*的a*特a*征a*和a*判a*定a*阈a*值a*均a*是a*人a*为a*设a*定a*的a*，a*无a*法a*涵a*盖a*火a*焰a*和a*烟a*雾a*的a*所a*有a*特a*征a*，a*得a*到a*的a*结a*果a*往a*往a*局a*部a*最a*优a*。a*深a*度a*学a*习a*算a*法a*在a*处a*理a*图a*像a*型a*数a*据a*上a*具a*有a*准a*确a*性a*高a*、a*成a*本a*低a*、a*速a*度a*快a*等a*优a*势a*。a*因a*此a*，a*本a*文a*基a*于a*图a*像a*型a*数a*据a*，a*将a*深a*度a*学a*习a*算a*法a*应a*用a*于a*城a*市a*建a*筑a*火a*灾a*识a*别a*与a*检a*测a*领a*域a*，a*致a*力a*于a*研a*发a*准a*确a*高a*效a*的a*城a*市a*建a*筑a*火a*灾a*识a*别a*与a*检a*测a*方a*法a*，a*并a*为a*火a*灾a*检a*测a*技a*术a*走a*向a*现a*代a*化a*的a*实a*际a*应a*用a*提a*供a*了a*理a*论a*与a*技a*术a*支a*持a*。a*具a*体a*的a*研a*究a*内a*容a*主a*要a*有a*：a*<a*/a*pa*>a* a* a*<a*pa*>a*（a*1a*）a*针a*对a*基a*于a*传a*统a*图a*像a*处a*理a*的a*识a*别a*算a*法a*存a*在a*检a*测a*精a*度a*不a*高a*且a*对a*小a*目a*标a*物a*体a*的a*识a*别a*较a*困a*难a*等a*问a*题a*，a*本a*文a*对a*Ia*na*ca*ea*pa*ta*ia*oa*na*Va*3a*卷a*积a*神a*经a*网a*络a*做a*了a*深a*入a*的a*研a*究a*，a*通a*过a*对a*其a*网a*络a*结a*构a*中a*的a*激a*活a*函a*数a*和a*正a*则a*化a*方a*法a*进a*行a*改a*进a*，a*提a*出a*了a*一a*种a*基a*于a*改a*进a*的a*Ia*na*ca*ea*pa*ta*ia*oa*na*Va*3a*的a*城a*市a*建a*筑a*火a*灾a*识a*别a*算a*法a*。a*通a*过a*将a*火a*灾a*识a*别a*看a*作a*一a*个a*二a*分a*类a*问a*题a*，a*实a*现a*火a*灾a*和a*非a*火a*灾a*的a*分a*类a*，a*在a*本a*文a*构a*建a*的a*火a*灾a*识a*别a*数a*据a*库a*上a*进a*行a*训a*练a*。a*实a*验a*结a*果a*表a*明a*，a*改a*进a*的a*Ia*na*ca*ea*pa*ta*ia*oa*na*Va*3a*算a*法a*识a*别a*精a*度a*和a*速a*度a*方a*面a*具a*有a*良a*好a*的a*性a*能a*。a*<a*/a*pa*>a* a* a*<a*pa*>a*（a*2a*）a*针a*对a*当a*前a*目a*标a*检a*测a*模a*型a*在a*小a*目a*标a*检a*测a*性a*能a*方a*面a*的a*不a*足a*，a*根a*据a*火a*灾a*中a*的a*火a*焰a*和a*烟a*雾a*信a*息a*，a*将a*火a*灾a*检a*测a*问a*题a*转a*化a*为a*坐a*标a*回a*归a*问a*题a*，a*本a*文a*对a*Ya*Oa*La*Oa*va*4a*目a*标a*检a*测a*算a*法a*做a*了a*深a*入a*研a*究a*，a*通a*过a*使a*用a*Ka*-a*ma*ea*a*na*sa*算a*法a*进a*行a*重a*新a*聚a*类a*并a*对a*其a*网a*络a*结a*构a*和a*非a*极a*大a*值a*抑a*制a*算a*法a*进a*行a*改a*进a*，a*提a*出a*了a*一a*种a*基a*于a*改a*进a*Ya*Oa*La*Oa*va*4a*的a*城a*市a*建a*筑a*检a*测a*算a*法a*。a*在a*本a*文a*构a*建a*的a*城a*市a*建a*筑a*火a*灾a*检a*测a*数a*据a*集a*上a*进a*行a*模a*型a*训a*练a*。a*实a*验a*结a*果a*表a*明a*，a*改a*进a*之a*后a*的a*Ya*Oa*La*Oa*va*4a*算a*法a*在a*小a*目a*标a*物a*体a*检a*测a*上a*表a*现a*出a*较a*好a*的a*检a*测a*性a*能a*。a*<a*/a*pa*>a* a* a*<a*pa*>a*（a*3a*）a*城a*市a*建a*筑a*火a*灾a*检a*测a*系a*统a*的a*开a*发a*与a*应a*用a*。a*基a*于a*本a*文a*所a*提a*出a*的a*火a*灾a*检a*测a*算a*法a*，a*设a*计a*并a*开a*发a*了a*一a*套a*城a*市a*建a*筑a*火a*灾a*实a*时a*检a*测a*预a*警a*系a*统a*。a*该a*系a*统a*主a*要a*实a*现a*了a*视a*频a*获a*取a*模a*块a*、a*火a*灾a*检a*测a*模a*块a*、a*火a*灾a*预a*警a*模a*块a*以a*及a*火a*场a*信a*息a*采a*集a*模a*块a*。a*经a*过a*系a*统a*测a*试a*，a*监a*测a*系a*统a*可a*以a*有a*效a*地a*实a*现a*火a*灾a*检a*测a*的a*目a*标a*。a*<a*/a*pa*>a* a* a*<a*pa*>a*最a*后a*，a*经a*实a*验a*证a*明a*，a*本a*文a*提a*出a*的a*城a*市a*建a*筑a*火a*灾a*识a*别a*与a*检a*测a*算a*法a*均a*可a*以a*对a*建a*筑a*火a*灾a*区a*域a*进a*行a*有a*效a*识a*别a*与a*检a*测a*，a*能a*够a*满a*足a*实a*时a*检a*测a*火a*灾a*的a*需a*求a*，a*对a*今a*后a*的a*研a*究a*和a*应a*用a*具a*有a*重a*要a*的a*价a*值a*和a*指a*导a*意a*义a*。a*<a*/a*pa*>a* a*

a*<a*pa*>a*Wa*ia*ta*ha* a*ta*ha*ea* a*ca*oa*na*ta*ia*na*ua*oa*ua*sa* a*a*da*va*a*na*ca*ea*ma*ea*na*ta* a*oa*fa* a*ta*ha*ea* a*ua*ra*ba*a*na*ia*za*a*ta*ia*oa*na* a*pa*ra*oa*ca*ea*sa*sa*,a* a*ta*ha*ea* a*pa*ra*oa*ba*a*ba*ia*la*ia*ta*ya* a*oa*fa* a*ua*ra*ba*a*na* a*ba*ua*ia*la*da*ia*na*ga* a*fa*ia*ra*ea*sa* a*ha*a*sa* a*ba*ea*ea*na* a*oa*na* a*ta*ha*ea* a*ra*ia*sa*ea* a*ia*na* a*ra*ea*ca*ea*na*ta* a*ya*ea*a*ra*sa*,a* a*wa*ha*ia*ca*ha* a*na*oa*ta* a*oa*na*la*ya* a*ta*ha*ra*ea*a*ta*ea*na*sa* a*ta*ha*ea* a*sa*a*fa*ea*ta*ya* a*oa*fa* a*ha*ua*ma*a*na* a*la*ia*fa*ea*,a* a*ba*ua*ta* a*a*la*sa*oa* a*ca*a*ua*sa*ea*sa* a*sa*ea*ra*ia*oa*ua*sa* a*pa*ra*oa*pa*ea*ra*ta*ya* a*la*oa*sa*sa*ea*sa*.a* a*Ia*na* a*oa*ra*da*ea*ra* a*ta*oa* a*ra*ea*da*ua*ca*ea* a*ta*ha*ea* a*la*oa*sa*sa*ea*sa* a*ca*a*ua*sa*ea*da* a*ba*ya* a*ua*ra*ba*a*na* a*ba*ua*ia*la*da*ia*na*ga* a*fa*ia*ra*ea*sa*,a* a*va*a*ra*ia*oa*ua*sa* a*fa*ia*ra*ea* a*wa*a*ra*na*ia*na*ga* a*ma*ea*ta*ha*oa*da*sa* a*ha*a*va*ea* a*ea*ma*ea*ra*ga*ea*da*.a* a*Fa*ra*oa*ma* a*fa*ia*ra*ea* a*da*ea*ta*ea*ca*ta*ia*oa*na* a*ta*ea*ca*ha*na*oa*la*oa*ga*ya* a*ba*a*sa*ea*da* a*oa*na* a*ta*ra*a*da*ia*ta*ia*oa*na*a*la* a*ia*ma*a*ga*ea* a*pa*ra*oa*ca*ea*sa*sa*ia*na*ga* a*ta*oa* a*fa*ia*ra*ea* a*da*ea*ta*ea*ca*ta*ia*oa*na* a*ta*ea*ca*ha*na*oa*la*oa*ga*ya* a*ba*a*sa*ea*da* a*oa*na* a*ma*a*ca*ha*ia*na*ea* a*la*ea*a*ra*na*ia*na*ga*,a* a*ta*ha*ea* a*fa*ea*a*ta*ua*ra*ea*sa* a*a*na*da* a*ja*ua*da*ga*ma*ea*na*ta* a*ta*ha*ra*ea*sa*ha*oa*la*da*sa* a*ta*ha*a*ta* a*ta*ha*ea*sa*ea* a*fa*ia*ra*ea* a*da*ea*ta*ea*ca*ta*ia*oa*na* a*ma*ea*ta*ha*oa*da*sa* a*ra*ea*la*ya* a*oa*na* a*a*ra*ea* a*a*ra*ta*ia*fa*ia*ca*ia*a*la*la*ya* a*sa*ea*ta*,a* a*wa*ha*ia*ca*ha* a*ca*a*na*na*oa*ta* a*ca*oa*va*ea*ra* a*a*la*la* a*ta*ha*ea* a*fa*ea*a*ta*ua*ra*ea*sa* a*oa*fa* a*fa*la*a*ma*ea* a*a*na*da* a*sa*ma*oa*ka*ea*,a* a*a*na*da* a*ta*ha*ea* a*ra*ea*sa*ua*la*ta*sa* a*oa*ba*ta*a*ia*na*ea*da* a*a*ra*ea* a*oa*fa*ta*ea*na* a*pa*a*ra*ta*ia*a*la* a*Ia*sa* a*oa*pa*ta*ia*ma*a*la*.a* a*Da*ea*ea*pa* a*la*ea*a*ra*na*ia*na*ga* a*a*la*ga*oa*ra*ia*ta*ha*ma*sa* a*ha*a*va*ea* a*ta*ha*ea* a*a*da*va*a*na*ta*a*ga*ea*sa* a*oa*fa* a*ha*ia*ga*ha* a*a*ca*ca*ua*ra*a*ca*ya*,a* a*la*oa*wa* a*ca*oa*sa*ta*,a* a*a*na*da* a*fa*a*sa*ta* a*sa*pa*ea*ea*da* a*ia*na* a*pa*ra*oa*ca*ea*sa*sa*ia*na*ga* a*ia*ma*a*ga*ea* a*da*a*ta*a*.a* a*Ta*ha*ea*ra*ea*fa*oa*ra*ea*,a* a*ba*a*sa*ea*da* a*oa*na* a*ia*ma*a*ga*ea* a*da*a*ta*a*,a* a*ta*ha*ia*sa* a*pa*a*pa*ea*ra* a*a*pa*pa*la*ia*ea*sa* a*da*ea*ea*pa* a*la*ea*a*ra*na*ia*na*ga* a*a*la*ga*oa*ra*ia*ta*ha*ma*sa* a*ta*oa* a*ta*ha*ea* a*fa*ia*ea*la*da* a*oa*fa* a*ua*ra*ba*a*na* a*ba*ua*ia*la*da*ia*na*ga* a*fa*ia*ra*ea* a*ra*ea*ca*oa*ga*na*ia*ta*ia*oa*na* a*a*na*da* a*da*ea*ta*ea*ca*ta*ia*oa*na*,a* a*a*na*da* a*ia*sa* a*ca*oa*ma*ma*ia*ta*ta*ea*da* a*ta*oa* a*ta*ha*ea* a*da*ea*va*ea*la*oa*pa*ma*ea*na*ta* a*oa*fa* a*a*ca*ca*ua*ra*a*ta*ea* a*a*na*da* a*ea*fa*fa*ia*ca*ia*ea*na*ta* a*ua*ra*ba*a*na* a*ba*ua*ia*la*da*ia*na*ga* a*fa*ia*ra*ea* a*ra*ea*ca*oa*ga*na*ia*ta*ia*oa*na* a*a*na*da* a*da*ea*ta*ea*ca*ta*ia*oa*na* a*ma*ea*ta*ha*oa*da*sa*,a* a*a*na*da* a*pa*ra*oa*va*ia*da*ea*sa* a*ta*ha*ea*oa*ra*ia*ea*sa* a*a*na*da* a*ta*ea*ca*ha*na*ia*ca*a*la* a*sa*ua*pa*pa*oa*ra*ta* a*fa*oa*ra* a*ta*ha*ea* a*ma*oa*da*ea*ra*na*ia*za*a*ta*ia*oa*na* a*oa*fa* a*fa*ia*ra*ea* a*da*ea*ta*ea*ca*ta*ia*oa*na* a*ta*ea*ca*ha*na*oa*la*oa*ga*ya*.a* a*Ta*ha*ea* a*sa*pa*ea*ca*ia*fa*ia*ca* a*ra*ea*sa*ea*a*ra*ca*ha* a*ca*oa*na*ta*ea*na*ta* a*ma*a*ia*na*la*ya* a*ia*na*ca*la*ua*da*ea*sa*:a*<a*/a*pa*>a* a* a*<a*pa*>a*(a*1a*)a* a*Aa*ia*ma*ia*na*ga* a*a*ta* a*ta*ha*ea* a*pa*ra*oa*ba*la*ea*ma*sa* a*oa*fa* a*ta*ha*ea* a*ra*ea*ca*oa*ga*na*ia*ta*ia*oa*na* a*a*la*ga*oa*ra*ia*ta*ha*ma* a*ba*a*sa*ea*da* a*oa*na* a*ta*ra*a*da*ia*ta*ia*oa*na*a*la* a*ia*ma*a*ga*ea* a*pa*ra*oa*ca*ea*sa*sa*ia*na*ga* a*sa*ua*ca*ha* a*a*sa* a*la*oa*wa* a*da*ea*ta*ea*ca*ta*ia*oa*na* a*a*ca*ca*ua*ra*a*ca*ya* a*a*na*da* a*da*ia*fa*fa*ia*ca*ua*la*ta* a*ra*ea*ca*oa*ga*na*ia*ta*ia*oa*na* a*oa*fa* a*sa*ma*a*la*la* a*ta*a*ra*ga*ea*ta* a*oa*ba*ja*ea*ca*ta*sa*,a* a*ta*ha*ia*sa* a*pa*a*pa*ea*ra* a*ha*a*sa* a*da*oa*na*ea* a*a*na* a*ia*na*-a*da*ea*pa*ta*ha* a*sa*ta*ua*da*ya* a*oa*na* a*ta*ha*ea* a*Ia*na*ca*ea*pa*ta*ia*oa*na*Va*3a* a*ca*oa*na*va*oa*la*ua*ta*ia*oa*na*a*la* a*na*ea*ua*ra*a*la* a*na*ea*ta*wa*oa*ra*ka*,a* a*ta*ha*ra*oa*ua*ga*ha* a*ta*ha*ea* a*a*ca*ta*ia*va*a*ta*ia*oa*na* a*fa*ua*na*ca*ta*ia*oa*na* a*ia*na* a*ia*ta*sa* a*na*ea*ta*wa*oa*ra*ka* a*sa*ta*ra*ua*ca*ta*ua*ra*ea* a*a*na*da* a*ta*ha*ea* a*ra*ea*ga*ua*la*a*ra*ia*za*a*ta*ia*oa*na* a*ma*ea*ta*ha*oa*da* a*ia*sa* a*ia*ma*pa*ra*oa*va*ea*da*,a* a*a*na*da* a*a*na* a*ua*ra*ba*a*na* a*ba*ua*ia*la*da*ia*na*ga* a*fa*ia*ra*ea* a*ra*ea*ca*oa*ga*na*ia*ta*ia*oa*na* a*a*la*ga*oa*ra*ia*ta*ha*ma* a*ba*a*sa*ea*da* a*oa*na* a*ta*ha*ea* a*ia*ma*pa*ra*oa*va*ea*da* a*Ia*na*ca*ea*pa*ta*ia*oa*na*Va*3a* a*ia*sa* a*pa*ra*oa*pa*oa*sa*ea*da*.a* a*Ba*ya* a*ta*ra*ea*a*ta*ia*na*ga* a*fa*ia*ra*ea* a*ia*da*ea*na*ta*ia*fa*ia*ca*a*ta*ia*oa*na* a*a*sa* a*a* a*ta*wa*oa*-a*ca*la*a*sa*sa*ia*fa*ia*ca*a*ta*ia*oa*na* a*pa*ra*oa*ba*la*ea*ma*,a* a*ta*ha*ea* a*ca*la*a*sa*sa*ia*fa*ia*ca*a*ta*ia*oa*na* a*oa*fa* a*fa*ia*ra*ea* a*a*na*da* a*na*oa*na*-a*fa*ia*ra*ea* a*ia*sa* a*ra*ea*a*la*ia*za*ea*da*,a* a*a*na*da* a*ta*ra*a*ia*na*ia*na*ga* a*ia*sa* a*ca*a*ra*ra*ia*ea*da* a*oa*ua*ta* a*oa*na* a*ta*ha*ea* a*fa*ia*ra*ea* a*ia*da*ea*na*ta*ia*fa*ia*ca*a*ta*ia*oa*na* a*da*a*ta*a*ba*a*sa*ea* a*ca*oa*na*sa*ta*ra*ua*ca*ta*ea*da* a*ia*na* a*ta*ha*ia*sa* a*pa*a*pa*ea*ra*.a* a*Ea*xa*pa*ea*ra*ia*ma*ea*na*ta*a*la* a*ra*ea*sa*ua*la*ta*sa* a*sa*ha*oa*wa* a*ta*ha*a*ta* a*ta*ha*ea* a*ia*ma*pa*ra*oa*va*ea*da* a*Ia*na*ca*ea*pa*ta*ia*oa*na*Va*3a* a*a*la*ga*oa*ra*ia*ta*ha*ma* a*ha*a*sa* a*ga*oa*oa*da* a*pa*ea*ra*fa*oa*ra*ma*a*na*ca*ea* a*ia*na* a*ta*ea*ra*ma*sa* a*oa*fa* a*ra*ea*ca*oa*ga*na*ia*ta*ia*oa*na* a*a*ca*ca*ua*ra*a*ca*ya* a*a*na*da* a*sa*pa*ea*ea*da*.a*<a*/a*pa*>a* a* a*<a*pa*>a*(a*2a*)a* a*Ia*na* a*va*ia*ea*wa* a*oa*fa* a*ta*ha*ea* a*sa*ha*oa*ra*ta*ca*oa*ma*ia*na*ga*sa* a*oa*fa* a*ta*ha*ea* a*ca*ua*ra*ra*ea*na*ta* a*ta*a*ra*ga*ea*ta* a*da*ea*ta*ea*ca*ta*ia*oa*na* a*ma*oa*da*ea*la* a*ia*na* a*ta*ha*ea* a*da*ea*ta*ea*ca*ta*ia*oa*na* a*pa*ea*ra*fa*oa*ra*ma*a*na*ca*ea* a*oa*fa* a*sa*ma*a*la*la* a*ta*a*ra*ga*ea*ta*sa*,a* a*a*ca*ca*oa*ra*da*ia*na*ga* a*ta*oa* a*ta*ha*ea* a*fa*la*a*ma*ea* a*a*na*da* a*sa*ma*oa*ka*ea* a*ia*na*fa*oa*ra*ma*a*ta*ia*oa*na* a*ia*na* a*ta*ha*ea* a*fa*ia*ra*ea*,a* a*ta*ha*ea* a*fa*ia*ra*ea* a*da*ea*ta*ea*ca*ta*ia*oa*na* a*pa*ra*oa*ba*la*ea*ma* a*ia*sa* a*ta*ra*a*na*sa*fa*oa*ra*ma*ea*da* a*ia*na*ta*oa* a*a* a*ca*oa*oa*ra*da*ia*na*a*ta*ea* a*ra*ea*ga*ra*ea*sa*sa*ia*oa*na* a*pa*ra*oa*ba*la*ea*ma*.a* a*Ta*ha*ia*sa* a*pa*a*pa*ea*ra* a*da*oa*ea*sa* a*a*na* a*ia*na*-a*da*ea*pa*ta*ha* a*sa*ta*ua*da*ya* a*oa*na* a*ta*ha*ea* a*Ya*Oa*La*Oa*va*4a* a*ta*a*ra*ga*ea*ta* a*da*ea*ta*ea*ca*ta*ia*oa*na* a*a*la*ga*oa*ra*ia*ta*ha*ma*,a* a*ua*sa*ia*na*ga* a*Ka* a*-a*ma*ea*a*na*sa* a*a*la*ga*oa*ra*ia*ta*ha*ma* a*ra*ea*-a*ca*la*ua*sa*ta*ea*ra*ea*da* a*a*na*da* a*ia*ma*pa*ra*oa*va*ea*da* a*ia*ta*sa* a*na*ea*ta*wa*oa*ra*ka* a*sa*ta*ra*ua*ca*ta*ua*ra*ea* a*a*na*da* a*na*oa*na*-a*ma*a*xa*ia*ma*ua*ma* a*sa*ua*pa*pa*ra*ea*sa*sa*ia*oa*na* a*a*la*ga*oa*ra*ia*ta*ha*ma*,a* a*a*na*da* a*pa*ra*oa*pa*oa*sa*ea*da* a*a*na* a*ua*ra*ba*a*na* a*ba*ua*ia*la*da*ia*na*ga* a*da*ea*ta*ea*ca*ta*ia*oa*na* a*a*la*ga*oa*ra*ia*ta*ha*ma* a*ba*a*sa*ea*da* a*oa*na* a*ia*ma*pa*ra*oa*va*ea*da* a*Ya*Oa*La*Oa*va*4a*.a* a*Ta*ha*ea* a*ma*oa*da*ea*la* a*ia*sa* a*ta*ra*a*ia*na*ea*da* a*oa*na* a*ta*ha*ea* a*ua*ra*ba*a*na* a*ba*ua*ia*la*da*ia*na*ga* a*fa*ia*ra*ea* a*da*ea*ta*ea*ca*ta*ia*oa*na* a*da*a*ta*a* a*sa*ea*ta* a*ca*oa*na*sa*ta*ra*ua*ca*ta*ea*da* a*ia*na* a*ta*ha*ia*sa* a*pa*a*pa*ea*ra*.a* a*Ea*xa*pa*ea*ra*ia*ma*ea*na*ta*a*la* a*ra*ea*sa*ua*la*ta*sa* a*sa*ha*oa*wa* a*ta*ha*a*ta* a*ta*ha*ea* a*ia*ma*pa*ra*oa*va*ea*da* a*Ya*Oa*La*Oa*va*4a* a*a*la*ga*oa*ra*ia*ta*ha*ma* a*sa*ha*oa*wa*sa* a*ba*ea*ta*ta*ea*ra* a*da*ea*ta*ea*ca*ta*ia*oa*na* a*pa*ea*ra*fa*oa*ra*ma*a*na*ca*ea* a*ia*na* a*sa*ma*a*la*la* a*ta*a*ra*ga*ea*ta* a*oa*ba*ja*ea*ca*ta* a*da*ea*ta*ea*ca*ta*ia*oa*na*.a* a*Fa*ia*na*a*la*la*ya*,a* a*ea*xa*pa*ea*ra*ia*ma*ea*na*ta*sa* a*ha*a*va*ea* a*pa*ra*oa*va*ea*da* a*ta*ha*a*ta* a*ta*ha*ea* a*ua*ra*ba*a*na* a*ba*ua*ia*la*da*ia*na*ga* a*fa*ia*ra*ea* a*ia*da*ea*na*ta*ia*fa*ia*ca*a*ta*ia*oa*na* a*a*na*da* a*da*ea*ta*ea*ca*ta*ia*oa*na* a*a*la*ga*oa*ra*ia*ta*ha*ma*sa* a*pa*ra*oa*pa*oa*sa*ea*da* a*ia*na* a*ta*ha*ia*sa* a*pa*a*pa*ea*ra* a*ca*a*na* a*ea*fa*fa*ea*ca*ta*ia*va*ea*la*ya* a*ia*da*ea*na*ta*ia*fa*ya* a*a*na*da* a*da*ea*ta*ea*ca*ta* a*ba*ua*ia*la*da*ia*na*ga* a*fa*ia*ra*ea* a*a*ra*ea*a*sa*,a* a*a*na*da* a*ca*a*na* a*ma*ea*ea*ta* a*ta*ha*ea* a*na*ea*ea*da*sa* a*oa*fa* a*ra*ea*a*la*-a*ta*ia*ma*ea* a*fa*ia*ra*ea* a*da*ea*ta*ea*ca*ta*ia*oa*na*.a* a*Ia*ta* a*ha*a*sa* a*ia*ma*pa*oa*ra*ta*a*na*ta* a*va*a*la*ua*ea* a*a*na*da* a*ga*ua*ia*da*ia*na*ga* a*sa*ia*ga*na*ia*fa*ia*ca*a*na*ca*ea* a*fa*oa*ra* a*fa*ua*ta*ua*ra*ea* a*ra*ea*sa*ea*a*ra*ca*ha* a*a*na*da* a*a*pa*pa*la*ia*ca*a*ta*ia*oa*na*.a*<a*/a*pa*>a* a* a*<a*pa*>a*(a*3a*)a* a*Da*ea*va*ea*la*oa*pa*ma*ea*na*ta* a*a*na*da* a*a*pa*pa*la*ia*ca*a*ta*ia*oa*na* a*oa*fa* a*ua*ra*ba*a*na* a*ba*ua*ia*la*da*ia*na*ga* a*fa*ia*ra*ea* a*da*ea*ta*ea*ca*ta*ia*oa*na* a*sa*ya*sa*ta*ea*ma*.a* a*Ba*a*sa*ea*da* a*oa*na* a*ta*ha*ea* a*fa*ia*ra*ea* a*da*ea*ta*ea*ca*ta*ia*oa*na* a*a*la*ga*oa*ra*ia*ta*ha*ma* a*pa*ra*oa*pa*oa*sa*ea*da* a*ia*na* a*ta*ha*ia*sa* a*pa*a*pa*ea*ra*,a* a*a* a*ra*ea*a*la*-a*ta*ia*ma*ea* a*da*ea*ta*ea*ca*ta*ia*oa*na* a*a*na*da* a*ea*a*ra*la*ya* a*wa*a*ra*na*ia*na*ga* a*sa*ya*sa*ta*ea*ma* a*fa*oa*ra* a*ua*ra*ba*a*na* a*ba*ua*ia*la*da*ia*na*ga* a*fa*ia*ra*ea*sa* a*ia*sa* a*da*ea*sa*ia*ga*na*ea*da* a*a*na*da* a*da*ea*va*ea*la*oa*pa*ea*da*.a* a*Ta*ha*ea* a*sa*ya*sa*ta*ea*ma* a*ma*a*ia*na*la*ya* a*ia*ma*pa*la*ea*ma*ea*na*ta*sa* a*a* a*va*ia*da*ea*oa* a*a*ca*qa*ua*ia*sa*ia*ta*ia*oa*na* a*ma*oa*da*ua*la*ea*,a* a*a* a*fa*ia*ra*ea* a*da*ea*ta*ea*ca*ta*ia*oa*na* a*ma*oa*da*ua*la*ea*,a* a*a* a*fa*ia*ra*ea* a*wa*a*ra*na*ia*na*ga* a*ma*oa*da*ua*la*ea*,a* a*a*na*da* a*a* a*fa*ia*ra*ea* a*sa*ca*ea*na*ea* a*ia*na*fa*oa*ra*ma*a*ta*ia*oa*na* a*a*ca*qa*ua*ia*sa*ia*ta*ia*oa*na* a*ma*oa*da*ua*la*ea*.a* a*Aa*fa*ta*ea*ra* a*sa*ya*sa*ta*ea*ma* a*ta*ea*sa*ta*ia*na*ga*,a* a*ta*ha*ea* a*ma*oa*na*ia*ta*oa*ra*ia*na*ga* a*sa*ya*sa*ta*ea*ma* a*ca*a*na* a*ea*fa*fa*ea*ca*ta*ia*va*ea*la*ya* a*a*ca*ha*ia*ea*va*ea* a*ta*ha*ea* a*ga*oa*a*la* a*oa*fa* a*fa*ia*ra*ea* a*da*ea*ta*ea*ca*ta*ia*oa*na*.a*<a*/a*pa*>a* a* a*<a*pa*>a*Fa*ia*na*a*la*la*ya*,a* a*ia*ta* a*ia*sa* a*pa*ra*oa*va*ea*da* a*ba*ya* a*ea*xa*pa*ea*ra*ia*ma*ea*na*ta*sa* a*ta*ha*a*ta* a*ta*ha*ea* a*ua*ra*ba*a*na* a*ba*ua*ia*la*da*ia*na*ga* a*fa*ia*ra*ea* a*ia*da*ea*na*ta*ia*fa*ia*ca*a*ta*ia*oa*na* a*a*na*da* a*da*ea*ta*ea*ca*ta*ia*oa*na* a*a*la*ga*oa*ra*ia*ta*ha*ma*sa* a*pa*ra*oa*pa*oa*sa*ea*da* a*ia*na* a*ta*ha*ia*sa* a*pa*a*pa*ea*ra* a*ca*a*na* a*ea*fa*fa*ea*ca*ta*ia*va*ea*la*ya* a*ia*da*ea*na*ta*ia*fa*ya* a*a*na*da* a*da*ea*ta*ea*ca*ta* a*ba*ua*ia*la*da*ia*na*ga* a*fa*ia*ra*ea* a*a*ra*ea*a*sa*,a* a*ca*a*na* a*ma*ea*ea*ta* a*ta*ha*ea* a*na*ea*ea*da*sa* a*oa*fa* a*ra*ea*a*la*-a*ta*ia*ma*ea* a*fa*ia*ra*ea* a*da*ea*ta*ea*ca*ta*ia*oa*na*,a* a*a*na*da* a*ha*a*va*ea* a*ia*ma*pa*oa*ra*ta*a*na*ta* a*va*a*la*ua*ea* a*a*na*da* a*ga*ua*ia*da*ia*na*ga* a*sa*ia*ga*na*ia*fa*ia*ca*a*na*ca*ea* a*fa*oa*ra* a*fa*ua*ta*ua*ra*ea* a*ra*ea*sa*ea*a*ra*ca*ha* a*a*na*da* a*a*pa*pa*la*ia*ca*a*ta*ia*oa*na*.a*<a*/a*pa*>a* a*

[1] 段宗志, 刘瑞华. 城市建筑火灾伤亡事故主客体场景指标分析[J]. 宿州学院学报, 2019(4): 20-23.

[2] 徐元元. 基于动态贝叶斯网络的高层建筑火灾应急决策研究[D]. 郑州: 郑州大学管理科学与工程, 2019.

[3] Nilsson N J. Principle of artificial intelligence[J]. Intelligent Systems IEEE, 1982, 29(2): 2-4.

[4] Vedaldi A, Fulkerson B. VLFeat: An open and portable library of computer vision algorithms: Proceedings of the 18th International Conference on Multimedea 2010, Firenze, Italy, October 25-29, 2010, 2010[C].

[5] Cheng Y H, Wang J. A Motion Image Detection Method Based on the Inter-Frame Difference Method[J]. Applied Mechanics and Materials, 2014, 2958(981): 1283-1286.

[6] Pundir A S, Raman B. Deep Belief Network For Smoke Detection[J]. Fire Technology, 2017, 53(6): 1943-1960.

[7] Jin H, Zhang R. A fire and flame detecting method based on video: International Conference on Machine Learning & Cybernetics, 2009[C].

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

[9] Vonka V, E Sobotková, Ham E, et al. Induction of anti-tumour immunity by suicide-gene-modified HPV-16-transformed hamster cells[J]. International Journal of Cancer Journal International Du Cancer, 2015, 77(3): 470-475.

[10] Yuan F. Video-based smoke detection with histogram sequence of LBP and LBPV pyramids[J]. Fire Safety Journal, 2011, 46(3): 132-139.

[11] Wang Y, Li M, Zhang C, et al. Weighted-fusion feature of MB-LBPUH and HOG for facial expression recognition[J]. Soft Computing, 2020, 24(3): 5859–5875.

[12] Yu C, Zhang Y, Fa Ng J, et al. Texture Analysis of Smoke for Real-Time Fire Detection[C]// 2009 Second International Workshop on Computer Science and Engineering. IEEE, 2010.

[13] Yuan F. A fast accumulative motion orientation model based on integral image for video smoke detection[J]. Pattern Recognition Letters, 2008, 29(7): 925-932.

[14] Xu Z, Xu J. Automatic Fire Smoke Detection Based on Image Visual Features: Computational Intelligence and Security Workshops, 2007. CISW 2007. International Conference on, 2008[C].

[15] Yamagishi H, Yamaguchi J. Fire flame detection algorithm using a color camera: Micromechatronics and Human Science, 1999. MHS'99. Proceedings of 1999 International Symposium on, 2002[C].

[16] 史海山, 吕厚余, 仲元红, 等. 基于遗传神经网络的火灾图像识别及应用[J]. 计算机科学, 2006, 33: 233-236.

[17] 秦薇薇. 基于红外视频的火灾探测算法研究[D]. 西安: 西安建筑科技大学信号与信息处理, 2012.

[18] 毛文涛, 王文朋, 蒋梦雪, 等. 基于局部特征过滤的快速火焰图像识别方法[J]. 计算机应用, 2016, 36: 2907-2911.

[19] Bi F, Fu X, Chen W, et al. Fire Detection Method Based on Improved Fruit Fly Optimization-Based SVM[J]. CMC: Computers, Materials & Continua, 2020, 62(1): 199-216.

[20] 梅建军, 张为. 基于ViBe与机器学习的早期火灾检测算法[J]. 光学学报, 2018, 38(07): 60-67.

[21] 熊昊, 李伟. 基于SVM的视频火焰检测算法[J]. 传感器与微系统, 2020, 39(01): 143-145.

[22] Xiong D, Yan L. Early smoke detection of forest fires based on SVM image segmentation[J]. Journal of Forest Science, 2019, 65: 150-159.

[23] Hinton G E, Salakhutdinov R R. Reducing the Dimensionality of Data with Neural Networks[J]. Science, 2006, 313(5786): 504-507.

[24] Luo Y, Zhao L, Liu P, et al. Fire smoke detection algorithm based on motion characteristic and convolutional neural networks[J]. Multimedia Tools and Applications, 2018, 77(12): 15075-15092.

[25] Zhen Z, Minjuan W, Yukun S, et al. A convolutional neural network-based flame detection method in video sequence[J]. Signal Image and Video Processing, 2018, 12(8): 1619-1627.

[26] Frizzi S, Kaabi R, Bouchouicha M, et al. Convolutional neural network for video fire and smoke detection: Conference of the IEEE Industrial Electronics Society, 2016[C].

[27] 王文朋, 毛文涛, 何建樑, 等. 基于深度迁移学习的烟雾识别方法[J]. 计算机应用, 2017, 37(11): 3176-3181, 3193.

[28] 程广涛, 巩家昌, 李建. 基于稠密卷积神经网络的烟雾识别方法[J]. 计算机应用, 2020, 40(5): 1465-1469.

[29] 张倩, 周平平, 王公堂, 等. 基于合成图像的Faster R-CNN森林火灾烟雾检测[J]. 山东师范大学学报(自然科学版), 2019, 34(2): 180-185.

[30] 刘丽娟, 陈松楠. 一种基于改进SSD的烟雾实时检测模型[J]. 信阳师范学院学报(自然科学版), 2020, 33(2): 305-311.

[31] 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(16): 75-83.

[32] 陈俊周, 汪子杰, 陈洪瀚, 等. 基于级联卷积神经网络的视频动态烟雾检测[J]. 电子科技大学学报, 2016, 45(6): 992-996.

[33] 刘俊, 张文风. 基于YOLOv3算法的高速公路火灾检测[J]. 上海船舶运输科学研究所学报, 2019, 42(4): 61-65, 83.

[34] 罗小权潘善亮. 改进YOLOV3的火灾检测方法[J]. 计算机工程与应用, 2020, 960(17): 192-201.

[35] A S D, B O M. Logistic regression and artificial neural network classification models: a methodology review[J]. Journal of Biomedical Informatics, 2002, 35(5): 352-359.

[36] 许可. 卷积神经网络在图像识别上的应用的研究[D]. 杭州: 浙江大学, 2012.

[37] Rumelhart D E, Hinton G E, Williams R J. Learning representations by back-propagating errors[J]. Nature, 1986, 323: 533-536.

[38] 李哲. 基于图像的火焰检测技术分析[D]. 北京: 华北电力大学, 2015.

[39] Krizhevsky, Alex, Sutskever, et al. ImageNet Classification with Deep Convolutional Neural Networks[J]. Communications of the ACM, 2017, 60(6): 84-90.

[40] 庄福振, 罗平, 何清, 等. 迁移学习研究进展[J]. 软件学报, 2015, 26: 26-39.

[41] Simonyan K, Zisserman A. Very Deep Convolutional Networks for Large-Scale Image Recognition[J]. Computer Science, 2014.

[42] He K, Zhang X, Ren S , et al. Deep Residual Learning for Image Recognition[C]// 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). IEEE, 2016.

[43] Szegedy C, Wei L, Jia Y, et al. Going deeper with convolutions[C]// 2015 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). IEEE, 2015.

[44] Cetin E. Computer Vision Based Fire Detection Software[DB/OL]. [2021/4/7]. http://signal.ee.bilkent.edu.tr/VisiFire/.

[45] University C L A K. Wildfire smoke Video Database[DB/OL]. [2021/4/7]. https://cvpr.kmu.ac.kr/iusm2020/index.html.

[46] Girshick, Ross, Donahue, et al. Rich Feature Hierarchies for Accurate Object Detection and Semantic Segmentation: IEEE Conference on Computer Vision and Pattern Recognition, Columbus, OH(US), 2014[C].

[47] Girshick R. Fast R-CNN[J]. Computer Science, 2015: 1440-1448.

[48] Uijlings J R R, Sande K E A V, Gevers T, et al. Selective Search for Object Recognition[J]. International Journal of Computer Vision, 2013, 104(2): 154-171.

[49] Ren S, He K, 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, 2015, 39(6): 1137-1149.

[50] Bochkovskiy A, Wang C Y, Liao H Y M. YOLOv4: Optimal Speed and Accuracy of Object Detection[J]. 2020.

[51] Redmon J, Divvala S, Girshick R, et al. You Only Look Once: Unified, Real-Time Object Detection: Computer Vision & Pattern Recognition, 2016[C].

[52] Wang C Y, Liao H Y M, Wu Y H, et al. CSPNet: A New Backbone that can Enhance Learning Capability of CNN: 2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops (CVPRW), 2020[C].

[53] 蒋华, 季丰, 王慧娇, 等. 改进Kmeans算法的海洋数据异常检测[J]. 计算机工程与设计, 2018, 39(10): 3132-3136.

[54] 万卓, 叶明, 刘凯. 基于改进YOLOv4的电机端盖缺陷检测[J]. 计算机系统应用, 2021, 30(3): 79-87.

[55] 李彬, 汪诚, 吴静, 等. 改进YOLOv4算法的航空发动机部件表面缺陷检测[J]. 激光与光电子学进展: 1-17[2021-06-18].

[56] Neubeck A, Van Gool L A A A. Efficient Non-Maximum Suppression: Pattern Recognition, 2006. ICPR 2006. 18th International Conference on{Place Published}, 2006[C].

[57] Redmon J, Farhadi A. YOLOv3: An Incremental Improvement[J]. arXiv e-prints, 2018.

[58] 蔡舒平, 孙仲鸣, 刘慧, 等. 基于改进型YOLOv4的果园障碍物实时检测方法[J]. 农业工程学报, 2021, 37: 36-43.