基于双波段传感器的火灾检测系统设计

这是一篇关于火灾检测,双波段传感器,火灾特征,逻辑设计,FPGA的论文, 主要内容为火灾是最常见的严重影响社会发展与人身安全的灾害之一,因此,在火灾发生初期进行及时、准确的检测具有极大的现实意义。传统火灾检测技术有着检测范围小,响应速度慢等弊端。随着数字图像技术的发展,基于视频图像的火灾检测技术取得了较大进展。当前的图像型火灾检测系统大多采用单波段传感器,使用可见光传感器与红外传感器中的一种进行数据采集。但在有干扰物遮挡的情况下可见光火灾检测并不能取得良好的效果,易出现漏检情况。红外图像针对火焰与周围环境温度差异较大的场景有着明显优势,但是其图像质量较差,影响了火焰特征提取的精度,并不适用于所有场景的火灾检测。针对单波段视频图像火灾检测系统无法在复杂环境下取得理想的检测效果,本文设计了一套基于双波段传感器的火灾检测系统。采用可见光传感器与红外传感器获取两种不同波段图像,使用现场可编程逻辑门阵列(Field Programmable Gate Array,FPGA)与先进精简指令集机器(Advanced RISC Machine,ARM)为核心处理器,共同实现了火灾检测算法,提高了算法的实时性与准确性。本文主要工作内容如下:(1)双波段检测算法设计。针对可见光图像,利用改进的背景差分法进行前景提取,设计了顺序背景更新模块与帧差统计模块,做到了背景模板的快速更新与动态背景的去除,保证了算法的准确率。针对红外图像,采用自适应阈值分割算法,利用FPGA高并行优势,实现算法加速。采用层次分析法对两个波段火灾图像特征信息进行分析,根据分析结果完成最终的火灾判定。(2)基于双波段传感器的火灾检测系统硬件设计与算法的硬件实现。针对单波段火灾检测系统抗干扰能力较差,检测场景受限的问题,本文采用红外加可见光的双波段传感器作为系统的采集装置,实现两个波段图像的采集;设计数据转发板对红外和可见光图像数据进行传输与格式转换;采用FPGA加ARM的异构架构设计了数据处理板,完成火灾的检测、数据流的控制、火灾报警与图像输出工作。将本文算法分为两部分进行实现,充分利用了FPGA高并行性的特点,实现了可见光与红外图像前景提取等大数据量的处理工作;利用ARM实现了火灾特征分析、火灾判定等复杂的逻辑判断工作。两者协同合作,提高了火灾检测算法的运行效率。(3)基于双波段传感器的火灾检测系统测试。制定测试方案,对系统的火灾检测,HDMI实时显示等功能进行测试。使用四种不同场景下的火灾视频进行测试,测试结果表明,该系统能够实现1080p@50Hz可见光图像和512p@50Hz红外图像的实时处理,对于不同场景火灾都有较高的准确率与较短的响应时间,做到了两个波段传感器的优势互补,准确率达到了95%以上且响应时间小于3秒。整套系统克服了基于单波段传感器的火灾检测系统存在的抗干扰能力差,检测场景受限的缺点,其检测准确率高,整体系统又兼具小型化、低成本的优点,可应用于不同场景下的火灾检测,工程实践价值较大。

化工仓库消防机器人的设计与研究

这是一篇关于消防机器人,Vibe算法,火灾检测的论文, 主要内容为随着国家工业的发展,化工行业也越来越多,化工仓库堆集着各种易燃易爆的化工原料,存在着火灾隐患,对于化工仓库的管理以及应急处理显得尤为重要,当前火灾预警存在误报,视频监控存在盲区等问题。传统仓库的火灾检测,主要对仓库安装监控或者其他传感器,由于仓库内会堆积各种原料,遮挡视野,导致出现盲区,从而产生漏报问题,本课题在该背景下,设计了一种消防机器人,主要用于日常对化工仓库的巡检任务,对化工仓库进行火灾检测,能够在火灾发生时发出警报,并可以通过操作人员控制或者机器人的自动处置功能进行早期火灾灭火,提高火灾预警以及处置能力。根据对仓库环境的工作需求,对消防机器人进行整体方案的设计,机器人在工作过程中需要灵活的行驶路线,采用视觉引导,改变传统的转向机构,通过车轮差速实现机器人的转向,并且对机器人的底座以及车身进行设计,确保机器人能够满足工作要求。机器人的火灾检测是将颜色特征提取以及Vibe运动目标前景结合进行检测,通过对Vibe算法的样本采集、背景更新和邻域更新进行改进,去除其他运动目标的干扰,提高火焰以及烟雾检测的准确率。理论分析完成之后,对消防机器人的样机进行制作,搭建实验平台,对机器人的移动性能测试,验证机器人能够完成直线、弯道以及爬坡行驶;通过Matlab对机器人的自动行驶模拟仿真,重点对机器人系统测试,即视频监测功能以及火灾检测功能,验证系统能够实时监测仓库环境,并且能准确对火焰和烟雾进行检测预警。

基于微服务架构的校园安防监控系统的设计与实现

这是一篇关于校园安防,微服务架构,Spring Cloud,火灾检测的论文, 主要内容为随着近几年高校的扩招,高校中的人数不断增加。而高校大多都是开放式校园,因此进出校园的人员、车辆复杂多样,校园安全问题日益严峻,社会各界对校园安防越来越重视。提高校园安防水平,保障校园内师生、员工等人员的生命和财产安全具有重要意义。随着社会信息化的发展,使用校园安防监控系统对校园内的人员、车辆、消防等各类型因素进行管理是一个保障校园安全的有效措施。现有的校园安防监控系统大多使用单体架构,具有维护、开发困难等问题。微服务架构具有低耦合、维护简单、部署效率高的优点,解决了单体架构所存在的问题,因此本文设计了一个基于微服务架构的校园安防监控系统。系统使用Spring Cloud微服务框架组件实现了服务治理功能,对各个微服务进行管理;通过划分不同的微服务实现了车辆管理等功能模块,能够对校园内车辆、人员形成有效的管理;使用目标检测的方法,通过检测视频中的火焰从而实现火灾检测功能,能够快速判断某一区域是否发生火灾,保障师生财产和人身安全。本文的主要工作:首先,对校园安防监控系统进行了需求分析,提出对系统的各种各样的设计。其次使用了基于Spring Cloud框架的组件进行服务治理,使用Eureka集群对各个服务进行管理、使用Hystrix实现服务熔断机制提升了系统稳定性;使用服务网关,使得系统端口号不会对外暴露,提升了系统的安全性;使用feign组件实现了服务间的相互调用;使用Docker容器技术对微服务进行部署。之后结合需求分析和总体设计实现了车辆信息管理微服务、人员信息管理微服务、用户登录微服务、违规处理微服务以及基于YOLO v5网络模型训练的火灾检测微服务,并给出了各个微服务的流程图、类图和时序图,实现了对车辆、人员信息的管理,对火灾的检测功能。最后,对系统的功能和性能开展测试工作,对系统服务管理、熔断机制功能以及火灾检测功能进行.了测试;使用压力测试工具对系统进行压力测试,分析了测试结果。基于微服务架构的校园安防监控系统的设计与实现,使得校园安防管理更加智能化。微服务架构低耦合的优点使得系统可以更容易扩充功能;目标检测的方法进行火灾检测能够更快速有效的检测出火情并发出警报。本系统已经在山东大学保卫处的指挥中心进行了试运行,能有效的对车辆、人员等信息进行管理减少安保人员工作强度,快速识别出测试视频中的火灾,保障师生安全,有利于进一步建设和谐校园。

基于深度学习的火灾报警系统研究

这是一篇关于YOLOv5,火灾检测,注意力机制,特征融合,轻量化的论文, 主要内容为火灾会严重威胁人们的生命安全,造成重大经济损失。为避免火灾发生,火灾检测与报警一直是消防工作的重点问题。传统的火灾报警系统基于近距离激活的传感器,需要人的参与来确认火灾,不适用于危急的环境并且检测距离受限、反应慢、精度低。随着深度学习在视频监控领域的广泛应用,火灾检测技术从基于传统图像处理方法发展到基于深度学习的方法,但仍存在检测精度低、漏检率高、实时性差、报警信息缺失等问题,且缺乏完整可行的火灾自动报警系统。针对火焰检测模型检测精度低、小目标火焰漏检率高等问题,在原始YOLOv5网络的基础上,添加小火焰目标检测头专注于提取小目标的特征,根据ASFF机制设计与之匹配的4×4检测头的火焰特征融合结构。另外,结合SPD模块改进YOLOv5的Conv模块,提升对低分辨率和小图像的检测准确率。最后,使用SA注意力机制和WIo U损失函数提高火焰检测器的整体性能。实验结果表明,YOLOSSA模型的性能优于原始的YOLOv5模型以及其他主流目标检测算法,达到了78.35%的平均精确度。针对传统火灾报警系统报警信息缺失和实时性差等问题,设计了轻量化网络模型用于火灾现场的辅助多目标提取任务,将火情的现场信息转化为文字作为辅助报警信息反馈给消防系统。使用轻量级的Ghost模块和轻量级的通用上采样因子CARAFE大大降低了模型的复杂度,通过对模型的剪枝操作提高了模型效率。在COCO128数据集上的验证了所提出的轻量YOLO-GC模型能够很好地完成多目标提取任务,达到了88.63%的平均精确度,参数量与YOLOv5s相比减少了74%,计算复杂度减少了71%。针对现有火灾报警系统功能不完善的问题,完成了火灾桌面检测软件、Android客户端应用程序和Web网页的开发,具有图片检测、视频文件检测和实时视频流检测等功能。为提高消防系统出警效率、简化出警流程,设计了基于Nodejs和Vue的前后端分离系统完善消防任务,实现了集智能检测、智能报警、智能接警和智能出警于一身的智能火灾报警系统,完成真正意义上的“智慧消防”。

基于微服务架构的校园安防监控系统的设计与实现

这是一篇关于校园安防,微服务架构,Spring Cloud,火灾检测的论文, 主要内容为随着近几年高校的扩招,高校中的人数不断增加。而高校大多都是开放式校园,因此进出校园的人员、车辆复杂多样,校园安全问题日益严峻,社会各界对校园安防越来越重视。提高校园安防水平,保障校园内师生、员工等人员的生命和财产安全具有重要意义。随着社会信息化的发展,使用校园安防监控系统对校园内的人员、车辆、消防等各类型因素进行管理是一个保障校园安全的有效措施。现有的校园安防监控系统大多使用单体架构,具有维护、开发困难等问题。微服务架构具有低耦合、维护简单、部署效率高的优点,解决了单体架构所存在的问题,因此本文设计了一个基于微服务架构的校园安防监控系统。系统使用Spring Cloud微服务框架组件实现了服务治理功能,对各个微服务进行管理;通过划分不同的微服务实现了车辆管理等功能模块,能够对校园内车辆、人员形成有效的管理;使用目标检测的方法,通过检测视频中的火焰从而实现火灾检测功能,能够快速判断某一区域是否发生火灾,保障师生财产和人身安全。本文的主要工作:首先,对校园安防监控系统进行了需求分析,提出对系统的各种各样的设计。其次使用了基于Spring Cloud框架的组件进行服务治理,使用Eureka集群对各个服务进行管理、使用Hystrix实现服务熔断机制提升了系统稳定性;使用服务网关,使得系统端口号不会对外暴露,提升了系统的安全性;使用feign组件实现了服务间的相互调用;使用Docker容器技术对微服务进行部署。之后结合需求分析和总体设计实现了车辆信息管理微服务、人员信息管理微服务、用户登录微服务、违规处理微服务以及基于YOLO v5网络模型训练的火灾检测微服务,并给出了各个微服务的流程图、类图和时序图,实现了对车辆、人员信息的管理,对火灾的检测功能。最后,对系统的功能和性能开展测试工作,对系统服务管理、熔断机制功能以及火灾检测功能进行.了测试;使用压力测试工具对系统进行压力测试,分析了测试结果。基于微服务架构的校园安防监控系统的设计与实现,使得校园安防管理更加智能化。微服务架构低耦合的优点使得系统可以更容易扩充功能;目标检测的方法进行火灾检测能够更快速有效的检测出火情并发出警报。本系统已经在山东大学保卫处的指挥中心进行了试运行,能有效的对车辆、人员等信息进行管理减少安保人员工作强度,快速识别出测试视频中的火灾,保障师生安全,有利于进一步建设和谐校园。

基于深度学习的火灾报警系统研究

这是一篇关于YOLOv5,火灾检测,注意力机制,特征融合,轻量化的论文, 主要内容为火灾会严重威胁人们的生命安全,造成重大经济损失。为避免火灾发生,火灾检测与报警一直是消防工作的重点问题。传统的火灾报警系统基于近距离激活的传感器,需要人的参与来确认火灾,不适用于危急的环境并且检测距离受限、反应慢、精度低。随着深度学习在视频监控领域的广泛应用,火灾检测技术从基于传统图像处理方法发展到基于深度学习的方法,但仍存在检测精度低、漏检率高、实时性差、报警信息缺失等问题,且缺乏完整可行的火灾自动报警系统。针对火焰检测模型检测精度低、小目标火焰漏检率高等问题,在原始YOLOv5网络的基础上,添加小火焰目标检测头专注于提取小目标的特征,根据ASFF机制设计与之匹配的4×4检测头的火焰特征融合结构。另外,结合SPD模块改进YOLOv5的Conv模块,提升对低分辨率和小图像的检测准确率。最后,使用SA注意力机制和WIo U损失函数提高火焰检测器的整体性能。实验结果表明,YOLOSSA模型的性能优于原始的YOLOv5模型以及其他主流目标检测算法,达到了78.35%的平均精确度。针对传统火灾报警系统报警信息缺失和实时性差等问题,设计了轻量化网络模型用于火灾现场的辅助多目标提取任务,将火情的现场信息转化为文字作为辅助报警信息反馈给消防系统。使用轻量级的Ghost模块和轻量级的通用上采样因子CARAFE大大降低了模型的复杂度,通过对模型的剪枝操作提高了模型效率。在COCO128数据集上的验证了所提出的轻量YOLO-GC模型能够很好地完成多目标提取任务,达到了88.63%的平均精确度,参数量与YOLOv5s相比减少了74%,计算复杂度减少了71%。针对现有火灾报警系统功能不完善的问题,完成了火灾桌面检测软件、Android客户端应用程序和Web网页的开发,具有图片检测、视频文件检测和实时视频流检测等功能。为提高消防系统出警效率、简化出警流程,设计了基于Nodejs和Vue的前后端分离系统完善消防任务,实现了集智能检测、智能报警、智能接警和智能出警于一身的智能火灾报警系统,完成真正意义上的“智慧消防”。

基于深度学习的火灾报警系统研究

这是一篇关于YOLOv5,火灾检测,注意力机制,特征融合,轻量化的论文, 主要内容为火灾会严重威胁人们的生命安全,造成重大经济损失。为避免火灾发生,火灾检测与报警一直是消防工作的重点问题。传统的火灾报警系统基于近距离激活的传感器,需要人的参与来确认火灾,不适用于危急的环境并且检测距离受限、反应慢、精度低。随着深度学习在视频监控领域的广泛应用,火灾检测技术从基于传统图像处理方法发展到基于深度学习的方法,但仍存在检测精度低、漏检率高、实时性差、报警信息缺失等问题,且缺乏完整可行的火灾自动报警系统。针对火焰检测模型检测精度低、小目标火焰漏检率高等问题,在原始YOLOv5网络的基础上,添加小火焰目标检测头专注于提取小目标的特征,根据ASFF机制设计与之匹配的4×4检测头的火焰特征融合结构。另外,结合SPD模块改进YOLOv5的Conv模块,提升对低分辨率和小图像的检测准确率。最后,使用SA注意力机制和WIo U损失函数提高火焰检测器的整体性能。实验结果表明,YOLOSSA模型的性能优于原始的YOLOv5模型以及其他主流目标检测算法,达到了78.35%的平均精确度。针对传统火灾报警系统报警信息缺失和实时性差等问题,设计了轻量化网络模型用于火灾现场的辅助多目标提取任务,将火情的现场信息转化为文字作为辅助报警信息反馈给消防系统。使用轻量级的Ghost模块和轻量级的通用上采样因子CARAFE大大降低了模型的复杂度,通过对模型的剪枝操作提高了模型效率。在COCO128数据集上的验证了所提出的轻量YOLO-GC模型能够很好地完成多目标提取任务,达到了88.63%的平均精确度,参数量与YOLOv5s相比减少了74%,计算复杂度减少了71%。针对现有火灾报警系统功能不完善的问题,完成了火灾桌面检测软件、Android客户端应用程序和Web网页的开发,具有图片检测、视频文件检测和实时视频流检测等功能。为提高消防系统出警效率、简化出警流程,设计了基于Nodejs和Vue的前后端分离系统完善消防任务,实现了集智能检测、智能报警、智能接警和智能出警于一身的智能火灾报警系统,完成真正意义上的“智慧消防”。

基于轻量级卷积神经网络的图像型火灾检测算法研究

这是一篇关于火灾检测,深度学习,目标检测,轻量级网络,动态卷积的论文, 主要内容为火灾是日常生活中极具破坏力的灾害,及时发现并报警具有十分重要的意义。与基于传统传感器的火灾检测方法相比,基于视觉的火灾检测方法具有准确度高、响应速度快、应用范围广、报警信息丰富等诸多优点。早期的图像型火灾检测方法基于颜色、形状、纹理等传统特征,难以适应复杂环境下的火灾检测。随着深度学习技术快速发展,基于卷积神经网络和目标检测的火灾检测方法逐渐成为研究热点。然而,现有基于深度学习的火灾检测方法在检测精度、误报抑制和模型复杂度方面难以取得平衡。为此,本文提出了一种基于轻量级卷积神经网络的火灾检测方法,较好地解决了上述问题。轻量级火灾检测网络以FCOS为基础网络,降低其通道数并引入Ghost Net作为主干网络,从而实现网络轻量化。在主干网络中引入动态卷积,在不增加网络宽度和深度的情况下提高其对形态多变的火焰的特征提取能力。增加空间注意力模块,优化网络空间特征表达,同时利用H-Swish激活函数优化网络的学习能力。对于损失函数,利用颜色权重改进分类损失函数,提高训练过程中对火焰颜色区域的关注度,并将中心度作为回归损失的权重,提高中心区域特征的贡献。此外,在火灾检测网络之前引入运动前景检测,形成完整的火灾检测算法。本文建立了场景丰富、标注规范的火灾检测数据集,并在自建和公开数据集进行了一系列消融实验和对比实验。轻量级火灾检测网络在自建火灾数据集的平均精确率为92.0%,参数量为4.58M,浮点计算量为31.45G。完整的火灾检测算法在公开数据集中火灾视频的平均真正例率为99.23%,干扰视频的平均真负例率为99.21%。在真实监控场景进行较长时间测试,算法未产生误报且响应速度较快。实验结果表明本文算法对多种场景的火灾均有较好的检测效果,在检测精度、误报抑制和模型复杂度方面具有优势,具有较高的应用价值。

化工仓库消防机器人的设计与研究

这是一篇关于消防机器人,Vibe算法,火灾检测的论文, 主要内容为随着国家工业的发展,化工行业也越来越多,化工仓库堆集着各种易燃易爆的化工原料,存在着火灾隐患,对于化工仓库的管理以及应急处理显得尤为重要,当前火灾预警存在误报,视频监控存在盲区等问题。传统仓库的火灾检测,主要对仓库安装监控或者其他传感器,由于仓库内会堆积各种原料,遮挡视野,导致出现盲区,从而产生漏报问题,本课题在该背景下,设计了一种消防机器人,主要用于日常对化工仓库的巡检任务,对化工仓库进行火灾检测,能够在火灾发生时发出警报,并可以通过操作人员控制或者机器人的自动处置功能进行早期火灾灭火,提高火灾预警以及处置能力。根据对仓库环境的工作需求,对消防机器人进行整体方案的设计,机器人在工作过程中需要灵活的行驶路线,采用视觉引导,改变传统的转向机构,通过车轮差速实现机器人的转向,并且对机器人的底座以及车身进行设计,确保机器人能够满足工作要求。机器人的火灾检测是将颜色特征提取以及Vibe运动目标前景结合进行检测,通过对Vibe算法的样本采集、背景更新和邻域更新进行改进,去除其他运动目标的干扰,提高火焰以及烟雾检测的准确率。理论分析完成之后,对消防机器人的样机进行制作,搭建实验平台,对机器人的移动性能测试,验证机器人能够完成直线、弯道以及爬坡行驶;通过Matlab对机器人的自动行驶模拟仿真,重点对机器人系统测试,即视频监测功能以及火灾检测功能,验证系统能够实时监测仓库环境,并且能准确对火焰和烟雾进行检测预警。

基于深度学习的火灾报警系统研究

这是一篇关于YOLOv5,火灾检测,注意力机制,特征融合,轻量化的论文, 主要内容为火灾会严重威胁人们的生命安全,造成重大经济损失。为避免火灾发生,火灾检测与报警一直是消防工作的重点问题。传统的火灾报警系统基于近距离激活的传感器,需要人的参与来确认火灾,不适用于危急的环境并且检测距离受限、反应慢、精度低。随着深度学习在视频监控领域的广泛应用,火灾检测技术从基于传统图像处理方法发展到基于深度学习的方法,但仍存在检测精度低、漏检率高、实时性差、报警信息缺失等问题,且缺乏完整可行的火灾自动报警系统。针对火焰检测模型检测精度低、小目标火焰漏检率高等问题,在原始YOLOv5网络的基础上,添加小火焰目标检测头专注于提取小目标的特征,根据ASFF机制设计与之匹配的4×4检测头的火焰特征融合结构。另外,结合SPD模块改进YOLOv5的Conv模块,提升对低分辨率和小图像的检测准确率。最后,使用SA注意力机制和WIo U损失函数提高火焰检测器的整体性能。实验结果表明,YOLOSSA模型的性能优于原始的YOLOv5模型以及其他主流目标检测算法,达到了78.35%的平均精确度。针对传统火灾报警系统报警信息缺失和实时性差等问题,设计了轻量化网络模型用于火灾现场的辅助多目标提取任务,将火情的现场信息转化为文字作为辅助报警信息反馈给消防系统。使用轻量级的Ghost模块和轻量级的通用上采样因子CARAFE大大降低了模型的复杂度,通过对模型的剪枝操作提高了模型效率。在COCO128数据集上的验证了所提出的轻量YOLO-GC模型能够很好地完成多目标提取任务,达到了88.63%的平均精确度,参数量与YOLOv5s相比减少了74%,计算复杂度减少了71%。针对现有火灾报警系统功能不完善的问题,完成了火灾桌面检测软件、Android客户端应用程序和Web网页的开发,具有图片检测、视频文件检测和实时视频流检测等功能。为提高消防系统出警效率、简化出警流程,设计了基于Nodejs和Vue的前后端分离系统完善消防任务,实现了集智能检测、智能报警、智能接警和智能出警于一身的智能火灾报警系统,完成真正意义上的“智慧消防”。

基于深度学习的电动汽车充电站火灾检测方法研究

这是一篇关于电动汽车充电站,火灾检测,YOLO,卷积模块优化,注意力机制的论文, 主要内容为随着石化燃料减少和环境污染日益严重,电动汽车作为清洁能源工具,对实现交通领域低碳化发展至关重要。预计到2025年,我国电动汽车保有量将达1782万辆,充电桩总量约为939.1万个,车桩比为1:0.53。电动汽车在充电过程中为缩短充电时间,普遍采用高电压、大电流等快速充电方式,导致电池发热严重极易引发火灾事故,造成重大经济损失甚至危害人身安全。因此,对电动汽车充电站进行实时火灾检测具有重大意义。电动汽车充电站发生火灾时,电气设备剧烈燃烧并释放大量灰黑色烟雾,火焰与烟雾边界相融合,易受风和光照等因素影响导致特征复杂多变,而烟雾传感器等传统火灾检测方法在室外条件下检测精度较低,不适用于此场景。因此,本文提出基于YOLO(You Only Look Once,YOLO)的电动汽车充电站火灾检测方法,对火焰和烟雾目标检测难点进行分析并构建数据集,在不规则目标特征提取和算法模型轻量化两方面进行优化,通过消融实验选取最优模型并进行硬件设备部署。本文主要研究内容如下:首先,从电动汽车充电站这一特定检测场景出发,分析其火灾原因、特点和检测难点。对火焰烟雾数据集图片进行筛选、扩充和标注,最终得到适用于电动汽车充电站火灾检测的专用数据集。其次,基于YOLO网络结构和检测原理,提出改进Ghost Net的电动汽车充电站火灾检测算法,在原YOLOv4算法中引入轻量化Ghost Net模块、K-means++聚类算法和坐标注意力模块(Coordinate Attention,CA),基于已有监控设备,对火灾实施动态检测。然后,为提升模型的检测精度,将模型部署在中央集群监控平台上,实现多场地集中监控,提出基于改进YOLOv7的电动汽车充电站火灾检测算法。将Head中Rep Conv模块更改为深度超参数化卷积(Depthwise Over-parameterized Convolutional Layer,DO-Conv),加强检测头的目标特征提取能力,训练优化后的YOLOv7-DO-Conv模型并测试实时检测性能。最后,为进一步提升模型的检测速度,部署在低算力嵌入式平台上,实现就地端实时检测,提出基于改进YOLOv7-Tiny的电动汽车充电站火灾检测算法。引入无参注意力机制模块(Sim AM)和动态卷积(Omni-dimensional Dynamic Convolution,OD-Conv),加强网络特征能力。通过消融实验对比各改进模型性能并选取最优模型部署在英伟达Jetson Xavier NX上。实验结果表明,改进后的模型满足在就地端低算力平台实时检测的需求。