世界每年都会发生很多火灾,火势一旦蔓延开来很难在短时间内扑灭。对火灾的控制重在预防,如果通过技术手段在火灾发生的早期就发出预警,很多火灾都可以在大范围爆发前将其扑灭。烟雾是火焰燃烧之前最明显的特征,因此烟雾检测能够对火灾起到“防范于未燃”的作用。当火灾发生在野外时,烟雾的检测面临着更大的挑战和难度,野外环境的空间范围较大,云、飞鸟、树枝、阳光等都会对烟雾的识别造成较大的干扰;并且烟雾是非刚性物质,同时还具有半透明特性,其形状、纹理特征易受外界干扰,这些烟雾的物理特征导致烟雾检测具有较高的难度。针对烟雾检测的工作,本文提出了基于迁移学习的双通道卷积神经网(DC-CNN)和融合暗通道特征的双通道残差网络(Dark C-DCN)烟雾检测方法。首先,在本文提出的第一个网络模型中,为了解决数据集不足的问题,在第一条网络通道上采用了迁移学习策略,使用大型数据集Image Net训练并生成预训练模型,再将预训练模型中的参数迁移至目标模型进行参数初始化;其次,为了增加模型的鲁棒性,新增第二条网络通道直接训练烟雾数据集,提取出烟雾更有针对性的细节特征;最后采用Concat层融合两条通道分别提取出的特征,生成完整的网络模型进行烟雾检测。对于第二个网络模型,在第一条网络通道上引入了残差模块,有效地解决梯度消失问题并加快网络的收敛速度;其次,将烟雾的暗通道图像作为网络模型的另一个训练数据集,输入至第二条网络通道用于提取烟雾的暗通道特征;两条通道同时训练最后通过Concat层进行特征的融合,增加特征的全面性,生成网络模型,完成烟雾检测的任务。本文建立了基于双通道卷积神经网络的烟雾检测方法,实现了对复杂环境下的烟雾检测。实验结果表明,所提的两个模型在烟雾检测任务上都表现出了良好的性能,分别达到了99.33%和99.08%的准确率,可以辅助进行早期火灾的预防。