《火灾科学（中英文）》编辑部

张曦,李泊宁,李晓旭,于春雨.基于颜色自注意力引导的火灾检测算法[J].火灾科学,2025,34(1):51-56.

基于颜色自注意力引导的火灾检测算法

Color-based self-attention guided algorithm for fire detection

DOI：10.3969/j.issn.1004-5309.2025.01.06

基金项目:国家重点研发计划项目(2021YFC3001605);应急管理部重点科技计划项目(2024EMST111105)

作者	单位
张曦	1.应急管理部沈阳消防研究所,沈阳,110034 2.消防与应急救援国家工程研究中心,沈阳,110034 3.辽宁省火灾防治技术重点实验室,沈阳,110034
李泊宁	1.应急管理部沈阳消防研究所,沈阳,110034 2.消防与应急救援国家工程研究中心,沈阳,110034 3.辽宁省火灾防治技术重点实验室,沈阳,110034
李晓旭	1.应急管理部沈阳消防研究所,沈阳,110034 2.消防与应急救援国家工程研究中心,沈阳,110034 3.辽宁省火灾防治技术重点实验室,沈阳,110034
于春雨	1.应急管理部沈阳消防研究所,沈阳,110034 2.消防与应急救援国家工程研究中心,沈阳,110034 3.辽宁省火灾防治技术重点实验室,沈阳,110034

中文关键词: 火灾检测计算机视觉深度学习颜色空间

英文关键词:Fire detection Computer vision Deep learning Color space

摘要点击次数: 1156

全文下载次数: 26

中文摘要:

针对计算机视觉方法解决传统火灾探测在大尺度空间上的不足,基于YCbCr颜色空间中的火灾特征,设计了一个基于颜色自注意力引导模块用于突出火灾特征。同时根据早期火灾的特点,对现有模型的结构进行了重新设计,在有效融合深层特征的同时减少了模型尺寸和推断时间。实验结果表明,基于颜色自注意力引导的早期火灾检测算法模型具有体积小、参数量少、准确率高的优点。参数数量相比YOLO v5s减少了95.5%，FLOPs减少了93.3%，模型大小减少了98.3%,IoU取值为0.5时所有类别平均准确率仅下降2.1%,达到83.6%。

英文摘要:

To address the shortcomings of traditional fire detection methods in large-scale spaces, this paper studied fire features in different color spaces and designed a Color-based Self-Attention Guided module (CSAG module) to highlight fire features. At the same time, the structure of the existing model has been redesigned based on the characteristics of fires. While effectively integrating deep features, it reduces model size and inference time. The experiments indicate that the color-based Self-Attention Guided Network proposed in this paper has the advantages of small size, few parameters, and high accuracy. Compared to YOLO v5s, the number of parameters decreased by 95.5%, FLOPS decreased by 93.3%, and the model size decreased by 98.3%, and when the IoU value is set to 0.5, the mAP of CSAGNet only decreases by 2.1%, reaching 83.6%.

关闭