火灾是一种破坏性强、蔓延速度快、难以控制的自然灾害之一,第一时间对火灾进行预警,能够最大限度地减少火灾带来的损失。随着人工智能技术的发展,基于视觉的智能检测技术给火灾预防提供了新思路。相比于传统的检测方法,基于视觉的火灾检测具有监测范围广、可视效果好、预警速度快等优点。火灾发生早期,往往伴随着烟雾的出现,烟雾检测识别显得尤为重要。本文从解决现实存在的烟雾检测问题着手,结合烟雾的静态和动态特征,改进卷积神经网络模型,从而实现烟雾的可靠检测。本论文主要工作如下:1.研究了烟雾图像在不同颜色空间下各通道表现的形式,以及如何准确提取烟雾的运动区域。以Le Net经典卷积神经网络架构为基础,可视化烟雾图像在各卷积层所表现的特征形式,分析卷积层提取的特征图像间相互关系。2.针对烟雾、云雾难分类的问题,提出了多网络模型融合架构,将VGG16与Res Net50网络模型的特征提取器相融合,更好地表达了图像的空间信息和语义信息,重新构造了全连接层,很好地区分了烟雾与云雾。与目前流行的烟雾检测方法相比,采用多网络模型融合的方法,在精确度、虚警率上更具有优势。3.针对神经网络模型参数量和计算量过大,很难在计算资源有限的嵌入式平台应用问题,本文改进了轻量级卷积神经网络Mobile Net模型。在保证精度基本不变的条件下,能够实现对烟雾的实时可靠检测。主要分为两个阶段对烟雾检测,在疑似烟雾区域提取阶段,结合了烟雾图像的静态特征和动态特征,在烟雾检测阶段,改进了Mobile Net模型的输出层,采用sigmoid激活函数实现烟雾的二分类。实验结果表明,本文提出的方法具有较高的精度和实用价值。