工业园区生产企业高度聚集,火灾诱因多,火灾事故隐患大,需要高度重视火灾防控。烟雾总是先于火焰产生,烟雾检测技术可以实现更早的火灾检测。传统的感烟火灾探测器由于接触式检测方式容易受环境中粉尘及其他颗粒物的干扰,且不适用于大范围、开放式的火灾探测环境。视频烟雾检测可以弥补传统火灾探测方式探测范围受限的不足,响应速度快,适应性强,适用于室内空间大、室外空间开阔的工业园区。传统的视频烟雾检测技术过于依赖特征工程,而烟雾的颜色、形态和运动多样化,使得特征描述子难以反应烟雾的本质,影响烟雾检测的效果。基于深度学习的视频烟雾检测技术避免了人工特征提取的不全面性和盲目性,但网络复杂度的增加使其在嵌入式设备上的实现出现困难。基于上述背景,论文针对视频烟雾检测技术展开了研究,并基于目标检测技术和嵌入式技术设计开发了一种早期火灾预警系统,主要工作如下:面向工业园区早期火灾防控,研究基于深度学习的视频烟雾检测方法。针对图像烟雾响应时间长的问题,采用轻量化深度学习网络,减少网络计算的复杂度,降低模型对算力的需求,提高视频烟雾检测的实时性。针对烟雾检测误检和漏检高的问题,利用迁移学习对烟雾检测网络进行模型微调,并结合数字图像增强技术增加样本的丰富度,提高模型的泛化能力,有效降低了视频烟雾检测模型在烟雾样本集上的误检率和漏检率。基于嵌入式技术,将视频烟雾检测模型部署到成本低廉、体积小、功耗低及可拓展性高的树莓派上,实现基于视频烟雾检测的早期火灾预警系统。针对树莓派因计算能力受限发生降频导致系统实时性低的问题,降低视频帧采样频率,减少单位时间内的计算量,提高了系统实时性。经过测试,基于视频烟雾检测的早期火灾预警系统最终进行烟雾检测的精确度为88.9%、召回率为91.7%,可靠性较高。系统对图像烟雾的响应时间在15秒内,实时性较好。