火焰检测是火灾智能化防控关键技术,通过预警人们能够有效减少损失。传统火焰检测方法依赖人工特征提取,模型的普适性应用较差。深度学习目前已成为火焰检测方法研究的主流,并在复杂环境中拥有较好的表现。但是基于深度学习的火焰检测方法应用于火灾预警时,需要保证火焰检测方法具有较高的实时性和准确性,因此本学位论文选取YOLOv5s为基线模型,提出了轻量化的火焰检测方法。首先,针对模型体积较大不利于嵌入式设备部署的问题,本文分别提出了基于Mobile Netv2、Mobile Netv3和Ghost Net的轻量化方法,通过使用三种轻量级网络瓶颈块对主干网络进行重构,借鉴深度可分离卷积以及Ghost模块思想实现模型轻量化设计;为获取关联性更强的特征信息,引入协调注意力机制来优化主干网络,以此提高特征图的表征能力。其次,针对小目标火焰检测欠佳的问题,本文设计了两种优化模块。第一种为小目标检测模块,通过增加特征融合网络P2检测层和预测网络目标检测器,实现在更高分辨率特征图中对小目标火焰进行检测。另一种为特征融合模块,该方法在特征融合网络中对低层特征层进行跨路径连接,避免了经过上下采样多次融合之后低层特征信息容易丢失的问题,以此来优化小目标检测性能。最后,根据火焰单类别任务特性重定义了损失函数,采用含有预测框和真实框中心点欧氏距离的CIo U替换位置回归损失部分,整合置信度损失和分类损失,达到加速模型训练收敛速度和提高抗干扰性效果。并利用提出的改进方法设计了一种采用Ghost Net的YOLOv5s改进模型的火焰检测算法。实验结果表明,基于上述三种轻量化方法改进之后的新模型体积均得到有效压缩,并且检测效果均优于基线模型,其中基于Ghost Net轻量化方法改进的新模型参数量最小,引入注意力机制后增益效果明显,此方法为最佳方案。相比YOLOv5s算法,本文提出的火焰检测算法参数量下降了34.9%,在自制的火焰测试集中无差别目标和小目标检测的m AP为0.884和0.908,分别提升了3.0%和4.1%,并且在RTX 2080上取得了88.1FPS的平均推理速度。此外,在嵌入式平台Jetson Nano上对不同分辨率的火灾视频进行了测试,高分辨率和低分辨率测试视频的推理速度分别为3.8FPS和6.3FPS,测试结果表明本文提出的火焰检测方法可以部署在嵌入式设备中,具有进一步开发基于火焰检测的实时火灾预警系统的可行性应用。