摘要：随着城市化进程的加快，火灾事故频发给人民生命财产安全带来严重威胁。传统的火灾探测器基于温度或烟雾浓度传感器，存在响应时间慢、易受环境干扰等缺陷。本文提出了一种基于计算机视觉的火灾与烟雾智能检测系统，该系统采用HSV颜色空间进行火焰特征提取，结合形态学分析和纹理特征实现烟雾识别。
项目概览
项目简介
本系统主要创新点包括：（1）针对火焰检测，提出了基于HSV颜色空间的多阈值过滤方法，通过色调（H>0.16）、饱和度（0.5<S<0.6）和明度（V>0.97）三重约束精确定位火焰区域；（2）针对烟雾检测，设计了低饱和度特征提取算法（S<0.3），结合形态学处理去除噪声，并通过圆形度过滤排除误检；（3）开发了基于MATLAB的图形用户界面，支持图像和视频双模式实时检测，并提供三级危险等级评估。
实验结果表明，该系统对火焰检测准确率达到92.5%，对烟雾检测准确率达到88.3%，平均检测时间小于0.5秒/帧，满足实时监控需求。系统具有部署简单、成本低廉、检测准确的优点，可广泛应用于家庭、办公楼、工厂等场所的火灾预警。
系统架构
本系统采用分层模块化架构，包含数据输入层、核心检测层、图形界面层和结果输出层四个主要层次。数据输入层支持图像和视频双模式输入；核心检测层基于HSV颜色空间实现火焰检测，通过低饱和度特征和形态学处理实现烟雾检测；图形界面层采用MATLAB App Designer构建，提供实时显示、统计分析和三级危险评估功能；结果输出层支持标注图像保存和视频逐帧处理。整个系统采用事件驱动机制，各模块松耦合设计，易于扩展和维护。
图1 系统架构图
技术创新
创新点1：多阈值HSV颜色空间火焰检测算法
本系统提出了基于HSV颜色空间的三通道联合约束火焰检测方法。通过色调(H>0.16)、饱和度(0.5<S<0.6)和明度(V>0.97)的多重阈值过滤，精确定位火焰区域，相比传统的RGB颜色空间单一阈值方法，对光照变化更加鲁棒，检测准确率提升至92.5%。
创新点2：低饱和度特征与形态学双重过滤烟雾识别
针对烟雾的灰色低饱和度特性，设计了S<0.3的低饱和度特征提取算法，结合形态学处理去除噪声，并通过圆形度过滤(Ck<0.8)排除误检。该方法有效解决了烟雾边界模糊、形态不规则的识别难题，烟雾检测准确率达到88.3%。
创新点3： 双模式实时检测与三级危险评估系统
系统实现了图像和视频的统一检测框架，支持双模式实时处理，并建立了基于检测区域数量和面积的三级危险评估机制(高危/中度/安全)。平均检测时间<1.5秒/帧，满足实时监控需求，具有部署简单、成本低廉、实用性强的优点。
数据集构建和训练
数据集构建
数据集通过公开数据集下载、网络爬取、实验拍摄和视频截帧等多源采集火焰/烟雾图像，经过质量筛选、格式统一和文件夹分类标注后，构建了包含8张训练样本（5火+3烟）和5张测试样本的小规模数据集
数据集训练
训练过程将 data/ 目录中的火焰和烟雾图像转换为HSV色彩空间后提取所有像素的H、S、V值作为特征，使用8个隐藏层神经元的模式识别网络（patternnet）训练100个epoch，最终将训练好的分类器保存到 model.mat。
快速开始
在MATLAB中运行 FireSmokeDetectionGUI.m 打开图形化界面，加载已训练的 model.mat 模型，即可对图像或视频进行火焰/烟雾检测。
环境要求
需要安装 MATLAB R2016a或更高版本，并包含图像处理工具箱（Image Processing Toolbox）和神经网络工具箱（Neural Network Toolbox），支持Windows/Linux/macOS系统。
运行展示
运行gui.py
图2 系统主界面
图3 图像检测：火焰和烟雾检测结果
图4 图像检测：火焰和烟雾检测结果
图5 图像检测：火焰和烟雾检测结果
图6 图像检测：保存结果
图7 视频检测：火焰和烟雾检测结果
项目资源
配套文件
包括完整的项目源代码、演示视频、运行截图，开箱即用。
项目信息
作者信息
作者：Bob (张家梁)
项目编号：IP-6-M
原创声明：本项目为原创作品