基于卷积网络结构的火灾检测系统实现

1.摘要

本文实现了实现了一个完整的火灾检测工作流，从数据预处理、模型训练到最终的推理和报警功能。首先基于卷积神经网络（CNN）模型，设计实现了一个可分离卷积（SeparableConv2D）和残差连接的卷积神经网络模型，该模型经过实验证明能够适用于图像分类任务，特别是火灾检测任务。最后本文基于训练好的参数实现了一个火灾检测系统，该系统能够高效、准确地检测图像或视频中的火灾，并通过报警提示用户。

2.模型设计与实现

核心代码如下：

input_shape = image_size + (3,)
num_classes = 2
inputs = keras.Input(shape=input_shape)
x = inputs
#x = data_augmentation(inputs)
x = layers.experimental.preprocessing.Rescaling(1.0 / 255)(x)
#x = layers.Conv2D(32, 3, strides=2, padding="same")(x)
x = layers.Conv2D(8, 3, strides=2, padding="same")(x)
x = layers.BatchNormalization()(x)
x = layers.Activation("relu")(x)
previous_block_activation = x
for size in [8]:x = layers.Activation("relu")(x)x = layers.SeparableConv2D(size, 3, padding="same")(x)x = layers.BatchNormalization()(x)x = layers.Activation("relu")(x)x = layers.SeparableConv2D(size, 3, padding="same")(x)x = layers.BatchNormalization()(x)x = layers.MaxPooling2D(3, strides=2, padding="same")(x)residual = layers.Conv2D(size, 1, strides=2, padding="same")(previous_block_activation)x = layers.add([x, residual])previous_block_activation = x
x = layers.SeparableConv2D(8, 3, padding="same")(x)
x = layers.BatchNormalization()(x)
x = layers.Activation("relu")(x）
x = layers.GlobalAveragePooling2D()(x)
x = layers.Dropout(0.5)(x)
activation = "sigmoid" if num_classes == 2 else "softmax"
units = 1 if num_classes == 2 else num_classes
outputs = layers.Dense(1, activation='sigmoid')(x)

该模型是一个带有深度可分离卷积（SeparableConv2D）和残差连接的卷积神经网络，适用于图像分类任务，特别是火灾检测任务。通过以下几层构成：

1.输入层：输入形状为 (height, width, 3)，即 RGB 图像。
2.卷积层 + 批归一化 + 激活函数：多层卷积和激活函数，通过 SeparableConv2D 层实现深度可分离卷积，减少计算量。
3.池化层：最大池化层（MaxPooling2D）用于下采样。
4.残差连接：部分层包含残差连接，用于缓解深层网络中的梯度消失问题。
5.全局平均池化层：用来减少特征图的维度，并生成一个固定长度的输出向量。
6.Dropout：防止过拟合，通过丢弃一部分神经元来正则化网络。
7.输出层：使用 sigmoid 激活函数，适用于二分类任务（火灾 vs 非火灾）
整个模型结构较为简单但有效，特别适合于资源有限的设备（如边缘设备），因为深度可分离卷积显著减少了计算量。

训练数据集可见之前博客内容。

3.系统实现

实现的系统该利用深度学习模型进行火灾检测，能够在用户上传的图片或视频中识别火灾并发出报警。

支持两种用户输入选择：
- 上传视频：用户上传视频文件进行实时检测。
- 上传图片：用户上传单张图片进行火灾检测。
视频或图像处理：
- 若选择视频输入，系统通过 OpenCV 打开视频文件，逐帧读取并进行检测。
- 若选择图片输入，系统会加载上传的图片，并进行处理。
- 每帧图像或单张图片经过模型的推理，检测其中是否存在火灾。
火灾检测与报警：
- 在图像或视频帧中，若检测到火灾（即模型预测出火灾类别且置信度大于50%），系统会在火灾区域绘制矩形框，并标注置信度。
- 若火灾被检测到，系统触发报警，通过 Pygame 播放火灾报警声音。
- 在未检测到火灾时，系统会停止播放报警声音。