电器火灾发生次数频繁,急需利用技术手段来探测危险源的存在,危险源目标检测技术的研究与应用有利于促进危险源威胁的解除。目前,深度学习已经在各种不同的任务中推动了目标检测领域的发展,但是现在还没有针对电器危险源的目标检测系统,即便有针对火焰和烟雾的,也只涉及灾难性大火以及单纯烟雾检测,各类报警传感器对于烟雾浓度以及火焰温度把握不好。因此,通过研究各类电器危险源、火焰危险源和各种烟雾危险源目标检测技术,并将此应用到智能消防,为出警网络提供及时信息和人员分配参考。下面从三个方面阐述对危险源目标检测技术研究及应用。1、现在还没有电器危险源数据集,火灾和烟雾数据集也较少。为解决数据集收集量大无效数据占比高的问题,从百度、谷歌、哔哩哔哩等众多浏览器和多媒体收集数万份图片和视频,通过人工筛选,过滤无效数据,并通过多人合作使用labe Iimg工具标注出一个标准匹配的样本集合来供实验进行研究对比;2、针对检测算法问题,这里使用目前最先进的YOLOv4作为基础模型。在此基础上调整各个先进组件,使用融合数据增强、扩大感受野、调整训练策略等方法,使得该网络在基准、危险源数据集上的速度和性能达到最优。具体的,在MS-COCO2017验证集上mAP达到50.2%,比YOLOv4高出4个百分点,在危险源数据集上mAP达到77.6%,比YOLOv4高出7.5个百分点,同时比对了静态目标和动态目标结合训练和分开训练的性能,为后续最优模型训练提供参考方向;3、面向智能消防的需要,基于上述训练好的模型,扩展出报警、打印信息、扩大监视范围等具体应用,并搭建危险源检测系统平台一套。该系统设计了模型微调、影像上传与下载、电器危险源位置信息展示、火焰面积速度方位展示、多种烟雾面积速度方位展示等功能,交互界面友好,能够满足实时的检测需求。系统全部打包上传至Docker,方便迁移和部署。改进模型速度快、性能高、信息展示全面。多种数据集用于开展实验,并在不同场景上开发应用,实验结果表明,改进后的模型能够更好的应用在危险源数据集,能够确保在速度和性能的最优下,满足实际应用需求。