基于深度學(xué)習(xí)的宿舍火災(zāi)檢測(cè)報(bào)警系統(tǒng)的研究

周鄭歡　李閃閃　趙媛媛

摘 要：針對(duì)宿舍火災(zāi)檢測(cè)報(bào)警系統(tǒng)的需求，提出了一種基于深度學(xué)習(xí)的宿舍火災(zāi)檢測(cè)報(bào)警系統(tǒng)。該系統(tǒng)使用了深度學(xué)習(xí)技術(shù)，利用視頻監(jiān)控技術(shù)進(jìn)行圖像處理，對(duì)宿舍樓及室內(nèi)的火焰、煙霧等參數(shù)進(jìn)行實(shí)時(shí)監(jiān)測(cè)和分析，以判斷是否發(fā)生火災(zāi)，并及時(shí)發(fā)出警報(bào)。該系統(tǒng)具有較高的準(zhǔn)確率和實(shí)時(shí)性，能夠有效地檢測(cè)宿舍的火災(zāi)發(fā)生情況，提高了火災(zāi)預(yù)防和救援的效率。

關(guān)鍵詞：深度學(xué)習(xí)；目標(biāo)檢測(cè)；火災(zāi)檢測(cè)；報(bào)警系統(tǒng)

一、引言

由于擴(kuò)招政策的落實(shí)，學(xué)生數(shù)量急劇增加，使得高校辦學(xué)規(guī)模也逐漸擴(kuò)大，而學(xué)生宿舍是高校安全事故的多發(fā)區(qū)，常常出現(xiàn)火災(zāi)隱患或是盜竊問(wèn)題，其中火災(zāi)隱患的危害性更大，學(xué)生安全意識(shí)不高，在宿舍內(nèi)常常使用熱得快電氣產(chǎn)品或是吸煙行為，甚至私設(shè)電線，形成火災(zāi)隱患，使得火災(zāi)事故頻發(fā)。由于火災(zāi)具有破壞力強(qiáng)、蔓延速度快等特性，所以應(yīng)對(duì)早期火災(zāi)特征快速檢測(cè)，以減少損失。在這樣的環(huán)境背景下，探究高校學(xué)生宿舍火災(zāi)監(jiān)測(cè)系統(tǒng)設(shè)計(jì)具有非常重要的現(xiàn)實(shí)意義。[1]

目前，傳統(tǒng)的火災(zāi)檢測(cè)方法主要依靠人工巡查和煙霧探測(cè)器等設(shè)備。但是，這些方法存在許多問(wèn)題，如人工巡查不夠及時(shí)和全面、煙霧探測(cè)器容易誤報(bào)等。隨著深度學(xué)習(xí)技術(shù)的發(fā)展，基于深度學(xué)習(xí)的火災(zāi)檢測(cè)報(bào)警系統(tǒng)逐漸成為研究熱點(diǎn)。

深度學(xué)習(xí)是一種人工智能技術(shù)，可以通過(guò)大量的數(shù)據(jù)訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型，實(shí)現(xiàn)對(duì)復(fù)雜問(wèn)題的高精度預(yù)測(cè)和分類。在火災(zāi)檢測(cè)中，深度學(xué)習(xí)可以通過(guò)對(duì)火災(zāi)特征的學(xué)習(xí)和提取，實(shí)現(xiàn)對(duì)火災(zāi)的準(zhǔn)確預(yù)測(cè)和報(bào)警。因此，基于深度學(xué)習(xí)的火災(zāi)檢測(cè)報(bào)警系統(tǒng)具有檢測(cè)精度高、響應(yīng)速度快、誤報(bào)率低等優(yōu)點(diǎn)，能夠有效提高火災(zāi)檢測(cè)的效率和準(zhǔn)確率。

隨著深度學(xué)習(xí)技術(shù)的不斷發(fā)展，基于深度學(xué)習(xí)的火災(zāi)檢測(cè)報(bào)警系統(tǒng)得到了廣泛關(guān)注和研究。國(guó)內(nèi)外學(xué)者針對(duì)不同場(chǎng)景和應(yīng)用需求，開(kāi)展了大量的研究工作。在目標(biāo)檢測(cè)領(lǐng)域，國(guó)內(nèi)外學(xué)者已經(jīng)開(kāi)展了大量的工作。Ross Girshick等人在2014年提出了目標(biāo)檢測(cè)算法R-CNN[2]，它通過(guò)在圖像中提取候選區(qū)域，然后對(duì)每個(gè)候選區(qū)域進(jìn)行分類和邊界框回歸來(lái)實(shí)現(xiàn)目標(biāo)檢測(cè)。R-CNN在目標(biāo)檢測(cè)領(lǐng)域具有較好的性能，但仍有計(jì)算量大，速度慢等缺點(diǎn)。后續(xù)的研究提出了一系列改進(jìn)算法，如Fast R-CNN[3]、Faster R-CNN[4]等，以加快目標(biāo)檢測(cè)的速度和提高準(zhǔn)確率。2016年，Redmon J 首次提出了單階段深度學(xué)習(xí)目標(biāo)檢測(cè)算法 YOLO[5]，它的核心思想是將目標(biāo)檢測(cè)任務(wù)轉(zhuǎn)化為一個(gè)回歸問(wèn)題，通過(guò)單次前向傳播即可同時(shí)預(yù)測(cè)圖像中多個(gè)目標(biāo)的類別和邊界框。YOLO在速度方面很具優(yōu)勢(shì)，但是在小目標(biāo)的檢測(cè)精度上存在不足。而后續(xù)的YOLOv2[6]、YOLOv3[7]、YOLOv4[8]、YOLOv5等版本，都針對(duì)精度等問(wèn)題做出了改進(jìn)，在兼顧速度的同時(shí)精度也有極大提升。使得YOLO系列成為了目標(biāo)檢測(cè)領(lǐng)域中備受關(guān)注和廣泛使用的算法之一。

在宿舍等人員密集場(chǎng)所的火災(zāi)檢測(cè)方面，國(guó)內(nèi)外學(xué)者也開(kāi)展了相關(guān)的研究。例如，馮路佳[9]等提出了一種基于目標(biāo)區(qū)域的卷積神經(jīng)網(wǎng)絡(luò)火災(zāi)煙霧識(shí)別，該方法構(gòu)建了兩層火災(zāi)煙霧識(shí)別模型，可以在復(fù)雜環(huán)境下的數(shù)據(jù)集中，有效降低誤檢率，提高煙霧識(shí)別的準(zhǔn)確率。陳培豪[10]等提出了一種基于深度學(xué)習(xí)的視頻火災(zāi)識(shí)別算法，采用混合高斯建模法進(jìn)行運(yùn)動(dòng)檢測(cè)，然后采用集成學(xué)習(xí)中 Adaboost 算法對(duì)運(yùn)動(dòng)圖像進(jìn)行疑似火災(zāi)區(qū)域提取，最后采用輕量級(jí)神經(jīng)網(wǎng)絡(luò) MobileNetv3 自動(dòng)提取疑似火災(zāi)區(qū)域特征進(jìn)行火災(zāi)識(shí)別，能在保證準(zhǔn)確率的同時(shí)保證較好的實(shí)時(shí)性。

綜合來(lái)看，國(guó)內(nèi)外學(xué)者已經(jīng)在火災(zāi)檢測(cè)報(bào)警系統(tǒng)方面取得了一定的研究進(jìn)展。但是，目前還存在一些問(wèn)題，如檢測(cè)精度不高、響應(yīng)速度慢等。因此，需要進(jìn)一步深入研究和探索，以提高火災(zāi)檢測(cè)的效率和準(zhǔn)確率。

二、基于深度學(xué)習(xí)的目標(biāo)檢測(cè)算法

（一）單階段目標(biāo)檢測(cè)方法

單階段目標(biāo)檢測(cè)算法是一類計(jì)算機(jī)視覺(jué)算法，用于檢測(cè)圖像或視頻中的目標(biāo)。與傳統(tǒng)的兩階段目標(biāo)檢測(cè)算法相比，單階段目標(biāo)檢測(cè)算法更加簡(jiǎn)單和高效，能夠在實(shí)時(shí)應(yīng)用中取得較好的性能。

常見(jiàn)的單階段目標(biāo)檢測(cè)算法有：

1.YOLO（You Only Look Once）：YOLO是一種經(jīng)典的單階段目標(biāo)檢測(cè)算法。它將目標(biāo)檢測(cè)任務(wù)轉(zhuǎn)化為一個(gè)回歸問(wèn)題，通過(guò)將圖像劃分為網(wǎng)格并為每個(gè)網(wǎng)格預(yù)測(cè)邊界框和類別概率來(lái)檢測(cè)目標(biāo)。YOLO具有較快的速度和較好的準(zhǔn)確性，適用于實(shí)時(shí)目標(biāo)檢測(cè)應(yīng)用。

2.SSD（Single Shot MultiBox Detector）：SSD是另一種常見(jiàn)的單階段目標(biāo)檢測(cè)算法。它通過(guò)在不同尺度的特征圖上預(yù)測(cè)邊界框和類別概率來(lái)檢測(cè)目標(biāo)。SSD使用了多個(gè)卷積層來(lái)提取不同尺度的特征，并通過(guò)多個(gè)預(yù)測(cè)層來(lái)預(yù)測(cè)不同大小的目標(biāo)。

3.RetinaNet：RetinaNet是一種基于特征金字塔網(wǎng)絡(luò)（Feature Pyramid Network，F(xiàn)PN）的單階段目標(biāo)檢測(cè)算法。它通過(guò)在不同尺度的特征圖上進(jìn)行目標(biāo)檢測(cè)，并引入了一種稱為Focal Loss的損失函數(shù)，用于解決目標(biāo)類別不平衡的問(wèn)題。RetinaNet在檢測(cè)小目標(biāo)方面表現(xiàn)出色。

4.EfficientDet：EfficientDet是一種高效的單階段目標(biāo)檢測(cè)算法，它結(jié)合了EfficientNet網(wǎng)絡(luò)和BiFPN（Bi-directional Feature Pyramid Network）模塊。EfficientDet通過(guò)在不同尺度的特征圖上進(jìn)行目標(biāo)檢測(cè)，并使用BiFPN模塊來(lái)提高特征的語(yǔ)義信息和上下文信息的傳遞。

對(duì)于火災(zāi)實(shí)時(shí)檢測(cè)來(lái)說(shuō)，YOLO系列算法更為合適。YOLOv5是一種基于深度學(xué)習(xí)的目標(biāo)檢測(cè)算法，它是YOLO（You Only Look Once）系列算法的最新版本。YOLO系列算法的主要特點(diǎn)是實(shí)時(shí)性和準(zhǔn)確性，能夠在圖像或視頻中快速檢測(cè)和定位多個(gè)目標(biāo)。YOLOv5相對(duì)于之前的版本有一些改進(jìn)和優(yōu)化。它采用了一種新的架構(gòu)，使用了更深的網(wǎng)絡(luò)結(jié)構(gòu)，并且引入了一些新的技術(shù)來(lái)提高檢測(cè)的準(zhǔn)確性和速度。YOLOv5的訓(xùn)練和推理過(guò)程都可以在GPU上進(jìn)行，這使得它在實(shí)時(shí)目標(biāo)檢測(cè)任務(wù)中表現(xiàn)出色。

（二）YOLOv5算法

1.YOLOv5的主要優(yōu)點(diǎn)包括：

（1）高速度：YOLOv5能夠?qū)崟r(shí)檢測(cè)圖像或視頻中的目標(biāo)，并且在保持較高準(zhǔn)確性的同時(shí)，具有較快的處理速度。

（2）高準(zhǔn)確性：通過(guò)使用更深的網(wǎng)絡(luò)結(jié)構(gòu)和一些新的技術(shù)，YOLOv5在目標(biāo)檢測(cè)任務(wù)中取得了更好的準(zhǔn)確性，能夠準(zhǔn)確地檢測(cè)和定位多個(gè)目標(biāo)。

（3）靈活性：YOLOv5可以應(yīng)用于各種不同的目標(biāo)檢測(cè)任務(wù)，包括人體檢測(cè)、車(chē)輛檢測(cè)、物體檢測(cè)等。它可以適應(yīng)不同的場(chǎng)景和需求，并且可以進(jìn)行定制化的訓(xùn)練和調(diào)整。

（4）易用性：YOLOv5提供了簡(jiǎn)單易用的API和工具，使得用戶可以方便地進(jìn)行訓(xùn)練、測(cè)試和部署。它還提供了預(yù)訓(xùn)練的模型和權(quán)重，可以直接在各種應(yīng)用中使用。

2.YOLOv5的輸入端

Mosaic數(shù)據(jù)增強(qiáng)，能夠豐富數(shù)據(jù)集和減少GPU；自適應(yīng)錨框計(jì)算，每次訓(xùn)練時(shí)能夠自適應(yīng)的計(jì)算不同的訓(xùn)練集的最佳錨框值；自適應(yīng)圖片縮放，YOLOv5可以通過(guò)計(jì)算，更改圖片比例的同時(shí)添加最少的黑色邊框，這樣可以減少計(jì)算量，提高檢測(cè)速度。

3.Backbone

（1）Focus結(jié)構(gòu)

Focus結(jié)構(gòu)的核心是對(duì)圖片進(jìn)行切片操作。圖3以一個(gè)的簡(jiǎn)單的3×4×4輸入圖片為例。對(duì)于紅色的區(qū)域，不論寬還是高，都從0開(kāi)始，每隔兩個(gè)步長(zhǎng)取值；黃色的區(qū)域，不論寬還是高，都從1開(kāi)始，每隔兩個(gè)步長(zhǎng)取值；依次類推，對(duì)三個(gè)通道都采取這樣的切片操作。最后將所有的切片，按照通道concat在一起，得到一個(gè)12×2×2的特征圖。在yolov5網(wǎng)絡(luò)模型中，原始608x608x3的圖像輸入Focus結(jié)構(gòu)，采用切片操作，先變成304×304×12的特征圖，再經(jīng)過(guò)一次32個(gè)卷積核的卷積操作，最終變成304×304×32的特征圖。

（2）CSP結(jié)構(gòu)

YOLOv5中的CSP結(jié)構(gòu)是一種用于構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)的模塊設(shè)計(jì)。CSP結(jié)構(gòu)的核心思想是通過(guò)將輸入特征圖進(jìn)行分割，將一部分特征圖直接進(jìn)行處理，而另一部分則通過(guò)一系列卷積操作后再與之前處理的特征圖進(jìn)行融合。

具體來(lái)說(shuō)，CSP結(jié)構(gòu)包含以下幾個(gè)關(guān)鍵組成部分：主干特征提取網(wǎng)絡(luò)：CSP結(jié)構(gòu)首先通過(guò)一系列卷積層來(lái)提取輸入圖像的特征。這部分網(wǎng)絡(luò)通常是一個(gè)深度的卷積神經(jīng)網(wǎng)絡(luò)，例如Darknet-53；主干特征圖的分割：在CSP結(jié)構(gòu)中，主干特征圖被分割成兩個(gè)部分。一部分特征圖直接進(jìn)行處理，而另一部分則通過(guò)一系列卷積操作后再與之前處理的特征圖進(jìn)行融合；融合操作：分割后的特征圖經(jīng)過(guò)一系列卷積操作后，與之前處理的特征圖進(jìn)行融合。融合的方式可以是簡(jiǎn)單的通道拼接，也可以是使用注意力機(jī)制等更復(fù)雜的方式；輸出特征圖：最終，經(jīng)過(guò)融合操作后得到的特征圖將作為下一層的輸入，或者用于目標(biāo)檢測(cè)的預(yù)測(cè)。

CSP結(jié)構(gòu)的設(shè)計(jì)可以有效地減少網(wǎng)絡(luò)中的參數(shù)數(shù)量和計(jì)算量，從而提高了網(wǎng)絡(luò)的速度和精度。通過(guò)分割特征圖并進(jìn)行融合，CSP能夠更好地捕捉不同尺度的特征信息，并提升網(wǎng)絡(luò)的感受野。這使得YOLOv5在目標(biāo)檢測(cè)任務(wù)中具有更好的性能。

（3）Neck

主要是指用于特征融合的部分，通常位于卷積神經(jīng)網(wǎng)絡(luò)的中間。這個(gè)部分的設(shè)計(jì)有助于將不同層次的特征信息融合在一起，從而提高目標(biāo)檢測(cè)的性能。

YOLOv5采用PANet來(lái)進(jìn)行特征金字塔融合。PANet可以有效地整合不同尺度的特征圖，以便更好地捕捉各種目標(biāo)的信息。它通過(guò)自上而下和自下而上的路徑來(lái)聚合不同尺度的特征，從而產(chǎn)生具有更豐富語(yǔ)義信息的特征圖。FPN也是一種特征金字塔網(wǎng)絡(luò)，用于融合不同尺度的特征圖。它的工作方式是在主干網(wǎng)絡(luò)中選擇幾個(gè)特定層的特征圖，然后通過(guò)上采樣和卷積操作將它們?nèi)诤显谝黄穑援a(chǎn)生多尺度的特征金字塔。YOLOv5中還引入了SAM，這是一種用于捕捉空間信息的模塊。SAM可以通過(guò)學(xué)習(xí)每個(gè)位置的注意力權(quán)重，使網(wǎng)絡(luò)更注重關(guān)注物體的空間位置，有助于提高檢測(cè)性能。

這些Neck結(jié)構(gòu)的設(shè)計(jì)目的是增強(qiáng)目標(biāo)檢測(cè)模型對(duì)不同尺度和復(fù)雜性的目標(biāo)的感知能力，從而提高檢測(cè)的準(zhǔn)確性。這些結(jié)構(gòu)一起協(xié)同工作，確保網(wǎng)絡(luò)在不同尺度下都能夠有效地檢測(cè)目標(biāo)，使YOLOv5成為一種強(qiáng)大的目標(biāo)檢測(cè)算法。

4.YOLOv5的輸出端

YOLOv5的輸出端通常是一系列的錨定框（anchor boxes）以及對(duì)應(yīng)的目標(biāo)類別和置信度（confidence）預(yù)測(cè)值。每個(gè)錨定框都會(huì)輸出對(duì)各種可能的目標(biāo)類別的預(yù)測(cè)概率。模型會(huì)輸出錨定框的位置信息，包括邊界框的中心坐標(biāo)、寬度和高度。也會(huì)輸出每個(gè)錨定框的置信度，表示該框中是否包含一個(gè)目標(biāo)以及該預(yù)測(cè)的可信度。YOLOv5的輸出是一個(gè)三維張量，其中第一個(gè)維度對(duì)應(yīng)錨定框的數(shù)量，第二個(gè)維度對(duì)應(yīng)每個(gè)錨定框的信息（類別概率、位置信息、置信度等），第三個(gè)維度則對(duì)應(yīng)不同的類別。

三、系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)

（一）宿舍火災(zāi)檢測(cè)報(bào)警系統(tǒng)架構(gòu)

通過(guò)紅外探測(cè)儀成像輸出視頻，對(duì)視頻進(jìn)處理檢測(cè)。

火災(zāi)檢測(cè)算法整體流程圖，本文的火災(zāi)檢測(cè)算法整體流程如圖5所示。先通過(guò)攝像頭對(duì)煙霧數(shù)據(jù)進(jìn)行采集，建立煙霧數(shù)據(jù)庫(kù)，再對(duì)煙霧數(shù)據(jù)進(jìn)行數(shù)據(jù)增強(qiáng)；然后讀取煙霧數(shù)據(jù)輸入到Y(jié)OLOv5檢測(cè)模型中進(jìn)行數(shù)據(jù)訓(xùn)練學(xué)習(xí)，從而得到結(jié)果模型；同時(shí)，對(duì)受監(jiān)控場(chǎng)景，通過(guò)攝像頭獲取監(jiān)控視頻幀序列，將視頻幀圖像送入訓(xùn)練好的檢測(cè)模型中進(jìn)行檢測(cè)；在此基礎(chǔ)上，對(duì)視頻幀圖像做判斷處理；當(dāng)待檢測(cè)的視頻幀序列滿足條件時(shí)，則判定為有煙霧，并發(fā)出煙霧警報(bào)。

在宿舍中安裝紅外成像儀進(jìn)行監(jiān)測(cè)，實(shí)時(shí)傳遞視頻到檢測(cè)模型進(jìn)行分析檢測(cè)，如果判定有火災(zāi)隱患，就啟動(dòng)報(bào)警系統(tǒng)，通知宿舍同學(xué)及宿舍管理人員，第一時(shí)間進(jìn)行處理，在火災(zāi)并未形成嚴(yán)重災(zāi)害的情況及時(shí)撲滅，有效防止人員傷亡及財(cái)產(chǎn)損失。

YOLOv5與EfficientDet兩個(gè)目標(biāo)檢測(cè)器協(xié)同工作并行檢測(cè)火災(zāi)，通過(guò)生成候選框以及非極大值抑制確定目標(biāo)火災(zāi)區(qū)域，引入EfficientNet用于關(guān)注全局信息，以降低誤報(bào)率。集成3個(gè)網(wǎng)絡(luò)的火災(zāi)檢查模型，改善特征提取方法，能夠最大化利用全局特征和局部特征，提升小目標(biāo)檢測(cè)精度，提高召回率。

（二）微信小程序設(shè)計(jì)

為了讓學(xué)生更快地接收到火源警報(bào)，設(shè)計(jì)通過(guò)小程序服務(wù)通知向?qū)W生以及管理人員發(fā)送警報(bào)消息。因事關(guān)財(cái)產(chǎn)人身安全，程序后臺(tái)必須保持運(yùn)行并且服務(wù)器不能崩壞，系統(tǒng)將搭載云服務(wù)器進(jìn)行服務(wù)。小程序是控制和連接用戶與系統(tǒng)之間的導(dǎo)線和接觸口，為了保證用戶使用感良好，小程序應(yīng)該有著強(qiáng)大的續(xù)航能力和處理數(shù)據(jù)的能力，再加上簡(jiǎn)單明了的操作界面，讓用戶能夠輕松的接收實(shí)時(shí)場(chǎng)景的圖像，并判斷火災(zāi)的有無(wú)。提供一些設(shè)置選項(xiàng)，例如報(bào)警方式、報(bào)警靈敏度等，讓用戶可以根據(jù)自己的需求進(jìn)行設(shè)置。小程序端與云平臺(tái)可以進(jìn)行數(shù)據(jù)的交互，小程序可以接收來(lái)自云平臺(tái)傳輸?shù)男畔⒗缁馂?zāi)圖片等，當(dāng)火災(zāi)發(fā)生時(shí)，實(shí)現(xiàn)報(bào)警機(jī)制，例如發(fā)出聲音警報(bào)、發(fā)送警報(bào)信息給相關(guān)人員或自動(dòng)觸發(fā)火災(zāi)報(bào)警系統(tǒng)等，以便及時(shí)提醒宿舍內(nèi)的人員并促使他們采取逃生措施。

在小程序中，采用雙重保障機(jī)制，首先以服務(wù)通知的形式向用戶發(fā)送火源警報(bào)，用戶在確認(rèn)手機(jī)號(hào)和地址后點(diǎn)“進(jìn)入小程序查看”便可查看攝像頭捕捉到的火源圖片。若確認(rèn)為火源，則點(diǎn)擊確認(rèn)選項(xiàng)，信息發(fā)送至平臺(tái)服務(wù)器，平臺(tái)報(bào)警前往查看。若是發(fā)現(xiàn)誤判了火源，則可以點(diǎn)擊誤判選項(xiàng)。因火源引發(fā)的安全事務(wù)緊急，涉及到人身財(cái)產(chǎn)安全，若用戶一分鐘內(nèi)未點(diǎn)擊確認(rèn)或誤判做出回復(fù)，警報(bào)系統(tǒng)將將報(bào)警信息與火災(zāi)圖片信息告知于宿舍管理人員及消防部門(mén)，由消防部門(mén)對(duì)火災(zāi)情形進(jìn)行處理。小程序可以記錄火災(zāi)檢測(cè)的數(shù)據(jù)，包括火災(zāi)發(fā)生的時(shí)間、地點(diǎn)和檢測(cè)到的火災(zāi)跡象等信息。用戶可以查看歷史記錄，以便更好地了解火災(zāi)發(fā)生的情況和采取相應(yīng)的措施。

（三）數(shù)據(jù)庫(kù)結(jié)構(gòu)設(shè)計(jì)

本系統(tǒng)基于MySQL構(gòu)造數(shù)據(jù)庫(kù)，數(shù)據(jù)庫(kù)主要包含火災(zāi)歷史，火災(zāi)上報(bào)和用戶等信息等，MySQL功能強(qiáng)大，可擴(kuò)展，兼容性較好的數(shù)據(jù)庫(kù)管理系統(tǒng)。

MySQL主要特性有：1.體積小、速度快、總體擁有成本低，開(kāi)源；2.系統(tǒng)的并發(fā)性能好，可支持多人同時(shí)訪問(wèn)。容量大，可保存5000萬(wàn)條記錄；3.支持多種語(yǔ)言函數(shù)，實(shí)現(xiàn)遠(yuǎn)程訪問(wèn)；4.相比于其他同類數(shù)據(jù)庫(kù)，訪問(wèn)和處理的速度較快；5.采用基于多線程的內(nèi)存分配方法，穩(wěn)定性高，操作簡(jiǎn)單，上手快。

①火災(zāi)歷史表。火災(zāi)發(fā)生后將火災(zāi)發(fā)生地，火災(zāi)名稱，發(fā)生時(shí)間以及當(dāng)時(shí)的環(huán)境等存儲(chǔ)在該表中，目的是為以后查看和研究提供數(shù)據(jù)依據(jù)。

②火災(zāi)上報(bào)表。系統(tǒng)在監(jiān)測(cè)到當(dāng)前區(qū)域發(fā)生火災(zāi)之后，把當(dāng)前區(qū)域的地點(diǎn)和環(huán)境以及發(fā)生火災(zāi)的攝像頭ID和當(dāng)前管理人員等信息存儲(chǔ)在該表中。并上報(bào)火災(zāi)進(jìn)行報(bào)警，記錄報(bào)警時(shí)間。

③用戶信息表。主要存儲(chǔ)宿舍值班和管理人員基本信息，方便對(duì)登錄，查看等進(jìn)行權(quán)限管理。

這些數(shù)據(jù)的記錄還可用于數(shù)據(jù)分析，得出當(dāng)?shù)鼗馂?zāi)易發(fā)生的原因，更好的做到防患于未然，而內(nèi)部對(duì)于火勢(shì)的圖像監(jiān)控，也能更好的幫助消防人員采取救火措施。

四、結(jié)論

基于深度學(xué)習(xí)的火災(zāi)監(jiān)測(cè)系統(tǒng)可以廣泛運(yùn)用于室內(nèi)外的火災(zāi)監(jiān)測(cè)，通過(guò)攝像頭的實(shí)時(shí)畫(huà)面進(jìn)行識(shí)別，及時(shí)甄別出火災(zāi)隱患，大大減少因火災(zāi)帶來(lái)的人身安全和財(cái)產(chǎn)上的損失。該系統(tǒng)使用深度學(xué)習(xí)算法對(duì)宿舍內(nèi)的圖像或視頻進(jìn)行分析，能夠準(zhǔn)確地檢測(cè)出火災(zāi)跡象，如火焰、煙霧等。通過(guò)實(shí)時(shí)監(jiān)測(cè)，可以及早發(fā)現(xiàn)火災(zāi)并采取相應(yīng)的措施。一旦系統(tǒng)檢測(cè)到火災(zāi)跡象，它會(huì)立即觸發(fā)報(bào)警機(jī)制，例如發(fā)出聲音警報(bào)、發(fā)送警報(bào)信息給相關(guān)人員或自動(dòng)觸發(fā)火災(zāi)報(bào)警系統(tǒng)。這能夠迅速提醒宿舍內(nèi)的人員并促使他們采取逃生措施。系統(tǒng)可以持續(xù)監(jiān)控宿舍內(nèi)的情況，無(wú)需人工干預(yù)。這樣可以提高監(jiān)測(cè)的效率，并減少人為疏忽或錯(cuò)誤導(dǎo)致的火災(zāi)未被及時(shí)發(fā)現(xiàn)的風(fēng)險(xiǎn)。

宿舍火災(zāi)檢測(cè)報(bào)警系統(tǒng)還可以記錄火災(zāi)檢測(cè)的數(shù)據(jù)，包括火災(zāi)發(fā)生的時(shí)間、地點(diǎn)和檢測(cè)到的火災(zāi)跡象等信息。這些數(shù)據(jù)可以用于事后分析和調(diào)查，幫助改進(jìn)火災(zāi)預(yù)防措施和安全管理。如果未來(lái)該系統(tǒng)更加成熟，可以推廣到更多的應(yīng)用場(chǎng)景，可以給各個(gè)場(chǎng)景的攝像頭都增加此功能，讓火災(zāi)可能造成損害的可能性降到最低。

參考文獻(xiàn)：

[1]龐淑蘭，王曉輝.高校學(xué)生宿舍火災(zāi)監(jiān)測(cè)系統(tǒng)的設(shè)計(jì)探究[J].考試周刊，2019（32）：196.

[2]RSHICK R， DONAHUE J， DARRELL T， et al. Rich Feature Hierarchies for Accurate Object Detection and Semantic Segmentation[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recogni‐tion.2014：580-587.

[3]GIRSHICK R. Fast R-cnn[C]//Proceedings of the IEEE International Conference on Computer Vsion.2015：1440-1448.

[4]REN S， HE K， GIRSHICK R， et al.Faster R-cnn：To‐wards Real-time Object Detection with Region Pro‐posal Networks[J].Advances in Neural Information Pro ‐cessing Systems，2015，39（6）：1137-1149.

[5]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： 779-788.

[6]Redmon J， Farhadi A. YOLO9000： better， faster， stronger[C]//Proceedings of the IEEEConference on Computer Vision and Pattern Recognition， 2017： 7263-7271.

[7]Redmon J， Farhadi A. Yolov3： An incremental improvement[J]. arXiv preprint arXiv：1804.02767， 2018.

[8]Bochkovskiy A， Wang C-Y， Liao H-Y M. Yolov4： Optimal speed and accuracy of object detection[J]. arXiv preprint arXiv：2004.10934， 2020.

[9]馮路佳，王慧琴，王可等.基于目標(biāo)區(qū)域的卷積神經(jīng)網(wǎng)絡(luò)火災(zāi)煙霧識(shí)別[J].激光與光電子學(xué)進(jìn)展，2020，57（16）：83-91.

[10]陳培豪，肖鐸，劉泓.基于深度學(xué)習(xí)的視頻火災(zāi)識(shí)別算法[J].燃燒科學(xué)與技術(shù)，2021，27（06）：695-700.

[11]楊劍，陳世娥.基于圖像處理技術(shù)的煙霧檢測(cè)在家庭火災(zāi)防范中應(yīng)用[J].電腦知識(shí)與技術(shù)，2021，17（06）：189-191.DOI：10.14004/j.cnki.ckt.2021.0476.

[12]金潤(rùn)澤，陳凱，陸晨菲等.基于深度學(xué)習(xí)的智能火災(zāi)檢測(cè)報(bào)警系統(tǒng)[J].長(zhǎng)江信息通信，2022，35（10）：88-91.

作者簡(jiǎn)介：周鄭歡，女，漢族，安徽宣城人，宿州學(xué)院在讀本科學(xué)生。李閃閃，女，漢族，碩士研究生，宿州學(xué)院講師，研究方向：數(shù)據(jù)挖掘、多標(biāo)簽學(xué)習(xí)。趙媛媛，女，漢族，安徽合肥人，宿州學(xué)院在讀本科學(xué)生。

基金項(xiàng)目：宿州學(xué)院資助安徽省大學(xué)生創(chuàng)新創(chuàng)業(yè)訓(xùn)練計(jì)劃項(xiàng)目“基于深度學(xué)習(xí)的宿舍火災(zāi)檢測(cè)報(bào)警系統(tǒng)的研究與實(shí)現(xiàn)” （S202310379096）。