随着经济发展与技术进步,利用视频监控进行火情检测的方式已被广泛应用于生产生活的各个方面,及时地对早期火灾进行检测能够最大程度上降低其造成的危害。近年来,基于图像处理的火情检测方法因其监控范围广、发生火情可以实时报警和具备高度智能化的特性,成为了当下科研人员的研究热点。但由于火情目标的视觉特征比较复杂,轮廓极不规则,采用传统图像处理的方法难以应对充满干扰的复杂环境,极易出现漏检等情况。深度学习的方法无需人工手动设计特征,能够摆脱对特征提取复杂性和目标背景多样性的局限,具有更强大的鲁棒性,是目前最主流的检测方法。不过其需要巨大的运算量,尤其针对视频流的实时检测,将其直接应用还有待进一步的深入研究。鉴于此,本文提出一种基于YOLOX的目标检测网络,并针对烟火目标特点进行了改进。首先采用注意力机制,一方面通过对特征图的重要区域加以权重,强化对目标贡献更大的特征,另一方面又引入软阈值化思想,进一步抑制了冗余的背景噪声。此外,还提出一种高底层注意力特征融合结构,有效改善了对多尺度目标的特征提取能力,最后针对感受野固定造成的对可形变目标适应性差的问题,引入了可变形卷积,进一步提高了网络的检测精度。为加速视频检测,本文还根据视频流数据特点,提出一种双路特征融合检测算法。区别于对输入视频图像按顺序逐帧输入网络来检测的方式,该算法以火焰目标形变量为依据,在线地将视频划分为关键帧与非关键帧,对关键帧采用常规网络进行检测,而信息冗余的非关键帧只使用轻量的浅层网络进行特征提取,整体上降低了计算量。并且通过实验证明,该算法在提高了检测速度的同时还有效抑制了误检情况。在此基础上,本文利用视频检测结果,提出一种火情分析方法,通过将视频检测得到的火焰区域像素数组成火势发展序列,再经过数据平滑和异常值处理后,采用基于关键点的序列分段和线性拟合算法来寻找火势发展中的关键信息与整体趋势。另外在序列分段的过程中,也提出了一种自动确定关键点的方法,使得分段数量和分段准确度之间能够达到最佳平衡。最后本文将上述火情检测方法部署到了边缘计算设备Jetson Xavier NX上,设计了一套火情检测系统,可对监控区域进行快速检测。另外,本系统还采用B/S架构,基于Flask框架搭建了软件平台,包括实时检测、本地视频检测和本地图片检测三大模块,最终可实现用户在移动端实时查看检测结果,以便消防人员及时快速地展开救援工作。