据报道，2021年全国消防救援队伍共接报火灾74.8万起，死亡1987人，受伤2225人，直接财产损失67.5亿元。传统靠人工报警的方法存在人员管理难、场地数量多且分散等问题，无法有效发现险情降低火灾损失。为了保障民众的生命财产安全，应用AI技术及时、自动检测监控区域内的烟雾和火灾至关重要。
然而，在实际产业中，由于发生火灾的环境复杂多样、干扰因素较多，对模型检测的精度具有一定的影响，另外，有很多物体和烟火较为相似，比如红色的灯光，容易造成模型误检。
针对如上问题，飞桨产业实践范例库开源了《火灾烟雾检测》方案，提供了从数据准备、技术方案、模型训练优化到模型部署的全流程可复用方案，提供误检率低至1.1%的模型优化方案，有效解决了复杂环境下烟火检测问题，降低产业落地门槛，适用于城市住宅、加油站、公路、森林等火灾高发场景。
方案难点
1.推理速度要求高: 在烟雾和火灾检测场景，需要模型能在火情发生的第一时间即做出响应，对模型推理速度有较高的要求；
2.干扰样本多，容易造成误检: 生活中有很多物体和烟火是非常接近的，如: 云朵、红色的灯光等，难以区分，容易造成模型误检。
项目方案
基于上述难点，结合场景特点和模型效果验证，我们选用YOLOv3、PP-YOLOv1、PP-YOLOv2进行实验，最终选用效果最好的PP-YOLOv2模型进行训练与优化。
为了让模型结果更具说服力，我们重新定义了评价指标：
1.图片级别的召回率：只要在有目标的图片上检测出目标（不论框的个数），该图片被认为召回。计算有目标图片中被召回图片所占的比例，即为图片级别的召回率。
2.图片级别的误检率：只要在无目标的图片上检测出目标（不论框的个数），该图片被认为误检。计算无目标图片中被误检图片所占的比例，即为图片级别的错误率。
模型优化和效果
模型优化策略包括数据增强、可变形卷积、加入背景图片等。下表详细展示了不同实验结果（单卡NVIDIA Tesla V100下同）, 根据上述实验数据，我们的方案降低了错误率、提高了召回率。推荐使用backbone为ResNet101的PPYOLOV2模型，通过使用数据增强、加入背景图、COCO预训练、空间金字塔池化(SPP)等优化策略，实现96%召回率，2.2%的错误率。更多优化策略详解请关注我们的直播课。
部署方案
在项目中为用户提供了基于Jetson NX的部署Demo方案，支持用户输入单张图片、文件夹、视频流进行预测。用户可根据实际情况自行参考。
产业应用案例
目前我们的合作伙伴普宙科技已将该方案应用到城市和森林两大场景中，实现了大范围森林的火情监测，一旦发现火情，控制中心将及时收到火情警报。目前，飞桨已在普宙的 8 大行业、17 个场景落地应用，并走出国门、落地东南亚155个森林公安分局。相比过去的人工巡检，这套系统效率提高 200%，巡检范围也从之前的 40% 提升至 100% 全范围覆盖，召回率由原来的75.64% 提升到 90%，准确率从原来的 69.58% 提升至 91.6%。
范例使用工具介绍
本范例应用使用飞桨PaddleX工具实现，PaddleX集成飞桨智能视觉领域图像分类、目标检测、语义分割、实例分割任务能力，将深度学习开发全流程从数据准备、模型训练与优化到多端部署端到端打通，开发者无需分别安装不同套件，以低代码的形式即可快速完成飞桨全流程开发。PaddleX 经过质检、安防、巡检、遥感、零售、医疗等十多个行业实际应用场景验证，沉淀产业实际经验，并提供丰富的案例实践教程，全程助力开发者产业实践落地。
