火灾作为一种频发的灾害事故,使得人们的生命和财产安全受到严重威胁。为避免火灾发生,对其进行早期检测已成为关键一环。传统火灾检测方法是通过传感器设备对环境中各项指标进行分析和判断,但是普遍存在检测距离受限、反应慢、误报率高等问题。随着视频监控技术的广泛应用,人工智能在视频图像处理领域中飞速发展,基于此的火焰检测方法开始形成新的突破点。但目前现有的火焰检测方法,还存在着检测准确度低、实时性差等问题。针对现有火焰数据集清晰度低以及噪声高等问题,利用Gaussian滤波算法进行火焰图像降噪,采用基于Fast Guided Filter的暗通道去雾算法和自适应直方图均衡化算法提高火焰图像数据集质量;采用Random Erasing方法和Mosaic算法对火焰数据集进行增强,以提高训练后模型的泛化能力以及在火焰目标被遮挡情况下的模型检测准确度。针对现有火焰检测模型准确率低且对小目标火焰存在漏检等问题,结合特征融合和注意力机制,提出一种改善对小尺寸火焰和遮挡火焰检测的优化YOLOv3网络结构,通过减少卷积后输出火焰特征信息的丢失来提高检测精度。采用标签平滑算法对样本标签进行处理,避免模型训练中“过分”相信样本标签;采用Focal Loss函数作为模型训练时的损失函数,改善火焰数据集样本不平衡分布问题。经实验验证,改进火焰检测模型平均精度为94.81%,较原始YOLOv3模型提升了 3.75%。针对模型计算量大、前向推理时间长导致的火焰检测算法实时性差等问题,首先基于BN层对稀疏化后火焰检测模型卷积层进行通道剪枝,然后利用全局通道剪枝阈值与L1范数结合的方法,对改进YOLOv3火焰检测模型Shortcut层进行剪枝,进一步减少模型层间输入和输出的推断时间。经实验验证,生成的轻量级火焰检测模型,模型大小缩减了 95.8%,检测速度提高了 66%。在火焰检测精度和实时性两方面对YOLOv3模型进行了相关优化,最终进行火焰检测模型的现场实验验证,结果表明所提火焰检测方法均能很好的满足视频图像火焰检测精度和速度要求。