火灾检测在安全检查中至关重要,人们能够基于预警有效减少损失。传统的火灾检测方法存在明显的局限性。首先,人们需要借助温度探测器、烟雾探测器、热敏摄像机等设备计算室内温度、微小颗粒物和烟尘的密度来检查火灾,但这些设备通常价格昂贵、易受损伤、准确性低且伴随过多的误报。其次,传统检测方式要求开发人员掌握如火焰和烟雾的温度、运动形态、成分等相关专业知识,但这些要求严重制约了火灾检测模型的创建。深度学习的问世给火灾检测提供了新的契机。人们只需提供大量有标签的数据集,训练模型从数据中自动识别火焰和烟雾,而开发人员不再需要专业仪器和完备的专业背景知识。本文主要选取四种目前比较常用的基于深度学习的目标检测算法,分别是:Faster-RCNN、R-FCN、SSD和YOLO。本文采用相同的数据集对比四种方法的性能,结果表明YOLO算法在精确度和检测时间上都优于其他三种算法。因此,本文在YOLO算法的基础上进一步改进和实验。本文主要基于最新的YOLOv5算法进行实验,并针对目标边框覆盖范围不全、复杂背景下检测效果不佳这两大问题进行改进,使得YOLOv5算法整体精度进一步提升。本文主要通过更改数据集、在残差模块中加入ECA（Efficient Channel Attention,通道注意力模型）,并改用Focal Loss作为损失函数。实验结果表明,上述改进有效增加了模型的鲁棒性,使检测精确度显著提升。最后,实验使用PyQt5制作了火灾检测系统,将改进后的项目进行封装在用户上传待检图片后出现检测结果。该系统能够实现上传图片、目标检测、保存结果等功能。