烟雾检测作为火灾预警的先验技术手段,对于现代智能消防系统至关重要。然而烟雾图像场景模糊,背景复杂多变,实现快速准确的烟雾检测识别一直是学者们的研究目标。随着计算机视觉与图像处理技术的快速发展,近年来不断涌现出基于深度学习的烟雾检测检测算法。相较于传统的点式传感器预警系统,其在准确率和应用范围上取得了突破性的进展,为火灾预警提供了可靠的技术保障。尽管当前的烟雾检测算法在准确率上取得了一定的成绩,但不容乐观的是,大多数算法存在计算复杂度高、耗时较长、误报率和漏报率居高不下等问题。本文由此对烟雾检测算法的优化进行了一系列探索研究。论文提出了一种端到端的轻量级卷积网络SInception,该网络首先对GoogLeNet中的Inception结构进行调整,在保留低计算量特性的同时提高烟雾检测准确率,随后针对Sequeeze-and-Excitation block进行优化,将其与调整后的SInception结构结合,对特征图中的通道权重进行自动分配,帮助网络提高特征表达能力。论文利用数据集YUAN进行训练,该算法检测准确率达到98.68%,检测率为96.94%,误检率为0,检测速度仅为0.2ms。对比当前最先进的烟雾检测算法DNCNN,本算法在检测率上提升了1.11%,网络参数量仅为其8.8%,计算速度提升了7倍。为了高效利用烟雾图像的RGB特征以及暗通道特征,提高算法的准确率,论文首先从原始数据集中提取暗通道数据制作成暗通道数据集,并利用该数据集训练拟提出的网络得到暗通道先验模型。随后在不破坏预训练模型的基础上,采用概率融合策略以及Max fusion函数,对标准模型与暗通道模型的预测结果进行融合。融合模型的检测准确率提升至99.07%。为了探索数据分布对检测算法的性能影响,论文采用数据增强以及深度卷积生成对抗网络两种技术手段,利用公开数据集YUAN生成更多的训练样本,混合原始数据和生成数据制作成扩充数据集GAN-AUG-YUAN。本文在原始数据集和扩充数据集上进行了大量对比实验,其中融合模型的检测准确率高达99.79%,超越了之前所有的烟雾检测算法。实验结果表明,在当前烟雾检测精度趋近饱和的状态下,数据扩充能够有效提升模型检测的准确率。