TACSTechnology and Application of Computer Science2998-89262998-8934Art and Technology10.61369/TACS.2025130037Article基于改进卷积神经网络模型的火灾检测方法https://artdesignp.com/journal/TACS/2/13/10.61369/TACS.2025130037马杰,何子龙,叶煜婷,刘琼,毛肇辉,谭平20252132025-07-14为解决传统消防通信系统中烟雾报警器易受粉尘干扰、户外监测能力弱、缺乏直观图像数据等问题，结合现有图像检测技术与卷积神经网络研究，并考虑到移动设备资源有限的实际情况，本文提出了一种基于深度学习的火灾检测方法，通过改进传统的卷积神经网络实现对火灾图像特征的检测、识别。实验结果表明：采用了改进的MobileNet 模型实现了模型的轻量化；添加改进的ECA 注意力机制，在能兼顾轻量化同时保障了准确率；改进后的模型准确率达到98.28%，召回率达到95.54%，F1分数达到96.62%，可实现火灾的精准检测。卷积神经网络,轻量化部署,图像检测,火灾隐情

[1] 朱弥雪, 刘志强, 张旭, 等. 林火视频烟雾检测算法综述[J]. 计算机工程与应用,2022,58(14):16-26.[2] 潘明明, 王白根, 齐红涛, 等. 面向电气设施火灾早期检测的多模态融合模型[J]. 电子技术应用,2025,51(06):10-15.[3] 杨寒雨, 赵晓永, 王磊. 数据归一化方法综述[J]. 计算机工程与应用,2023,59(03):13-22.[4] 于营, 杨婷婷, 杨博雄. 混淆矩阵分类性能评价及Python 实现[J]. 现代计算机,2021,(20):70-73+79.[5] 许嘉, 唐嵘蓉, 吕品, 等. 基于学习迁移的稳定知识追踪模型[J]. 华南师范大学学报( 自然科学版),2024,56(04):68-79.