# 基于深度学习的火灾报警系统

**Repository Path**: fanzsss/deep-learning-work-1

## Basic Information

- **Project Name**: 基于深度学习的火灾报警系统
- **Description**: 本项目是一个基于 PyTorch 的火情智能识别系统，主要用于对图像中的火情与非火情场景进行二分类识别。项目以卷积神经网络（CNN）为基础，在模型中加入残差连接，并结合多层卷积特征提取提升模型对火焰、烟雾及复杂背景的识别能力。系统包含完整的训练、验证、测试和模型保存流程，同时提供基于 Streamlit 的可视化网页，支持单张图片检测、摄像头实时监测、火情概率显示、报警提示、检测记录和概率变化曲线
- **Primary Language**: Python
- **License**: MulanPSL-2.0
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 1
- **Forks**: 0
- **Created**: 2026-10-10
- **Last Updated**: 2026-10-19

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# 🔥 火情智能识别系统

基于 PyTorch 构建的火情二分类项目，支持模型训练、测试评估、单张图片识别以及 Streamlit 网页端展示。

## 🌐 在线体验

> 将下面地址替换成你实际部署后的网页地址。

[点击进入火情智能监测平台](https://你的网页地址)

---

## 📌 项目简介

本项目用于识别图像中是否存在火情，分类结果包括：

- `0`：非火情
- `1`：火情

项目采用 CNN / Residual CNN 进行图像分类，并提供完整的训练、测试和网页展示流程。

当前训练代码默认将输入图片统一调整为 `384 × 384`。

## 🧠 模型结构

项目中的 `FireCNN` 由两个 CNN 分支组成。

### 1. OriginalResidualCNN

原始残差 CNN，共包含 10 个卷积层，并在相邻卷积层之间加入残差连接。

```text
输入图片
↓
Conv1 + Conv2 + Residual
↓
Pool
↓
Conv3 + Conv4 + Residual
↓
Pool
↓
Conv5 + Conv6 + Residual
↓
Pool
↓
Conv7 + Conv8 + Residual
↓
Pool
↓
Conv9 + Conv10 + Residual
↓
Pool
↓
AdaptiveAvgPool
↓
全连接层
↓
二分类输出
```

### 2. ContextResidualCNN

第二个分支使用 `ResNet18` 作为 CNN 特征提取骨干，并结合：

- Adaptive Average Pooling
- Adaptive Max Pooling
- 全连接分类器

当前代码中使用：

```python
resnet18(weights=None)
```

因此当前并未加载官方预训练权重。

### 3. 双分支融合

最终模型将两个 CNN 分支的输出进行加权融合：

```text
OriginalResidualCNN：0.75
ContextResidualCNN：0.25
```

## 📂 项目结构

```text
Code-Fire2/
├── data/
│   ├── train/
│   ├── validation/
│   └── test/
├── model.py
├── train.py
├── test.py
├── prepare_data.py
├── plot_history.py
├── submit.py
├── app_dashboard.py
├── requirements.txt
├── requirements_web.txt
├── cnn1_best_checkpoint.pt
└── README.md
```

## 🛠 环境安装

建议使用 NVIDIA CUDA 版本 PyTorch。

安装项目依赖：

```bash
python -m pip install -r requirements.txt
```

安装网页端依赖：

```bash
python -m pip install -r requirements_web.txt
```

检查 CUDA：

```bash
python -c "import torch; print(torch.cuda.is_available()); print(torch.cuda.get_device_name(0) if torch.cuda.is_available() else 'CUDA unavailable')"
```

## 🏋️ 模型训练

```bash
python train.py
```

默认参数：

```text
epochs = 50
batch_size = 32
learning_rate = 1e-3
seed = 42
image_size = 384
```

训练过程中会记录：

- Train Loss
- Validation Loss
- Validation Precision
- Validation Recall
- Validation F1

并保存验证集 F1 最好的 checkpoint。

## 🧪 模型测试

```bash
python test.py --checkpoint cnn1_best_checkpoint.pt
```

测试输出包括：

```text
precision
recall
f1
accuracy
```

## 📈 训练曲线

```bash
python plot_history.py
```

用于绘制：

- Train Loss
- Validation Loss
- Validation F1

## 🌐 Web 可视化系统

启动网页：

```bash
python -m streamlit run app_dashboard.py
```

网页功能包括：

- 首页仪表盘
- 单张图片火情识别
- 实时摄像头连续识别
- 火情红色报警提示
- 火情概率显示
- 检测记录
- 概率变化折线图
- CUDA / GPU 信息
- 模型参数信息

> 当前模型属于图像分类 CNN，因此红色报警框表示“当前整幅画面被判定为火情”，不是 YOLO 目标检测框。

## 🚀 提高模型效果的方法

### 数据增强

可以通过：

- 随机水平翻转
- 旋转
- 亮度调整
- 对比度变化
- 裁剪
- 增加困难负样本

提高训练数据多样性，降低过拟合。

火情任务中可以重点增加：

```text
夕阳
红色灯光
橙色灯光
车灯
霓虹灯
暖色反光
红色物体
```

等容易误判成火情的非火情样本。

### 预训练

预训练模型可以利用大规模数据集上已经学习到的通用视觉特征，从而减少训练时间并提高泛化能力。

如果后续允许使用预训练参数，可以将：

```python
resnet18(weights=None)
```

改为 torchvision 提供的 ResNet18 预训练权重配置，再进行火情二分类训练。

## 📊 评价指标

项目主要使用：

- Accuracy
- Precision
- Recall
- F1 Score

火情识别中：

- Recall 高：减少漏报
- Precision 高：减少误报

## 🔗 项目仓库

Gitee：

[https://gitee.com/fanzsss/deep-learning-work-1](https://gitee.com/fanzsss/deep-learning-work-1)

## 👨‍💻 技术栈

- Python
- PyTorch
- Torchvision
- CNN
- Residual Connection
- ResNet18
- CUDA
- Streamlit
- OpenCV
- Pandas
- Pillow

## 📝 说明

本项目用于深度学习课程火情分类实验与模型效果比较。

训练、验证、测试和网页推理应尽量使用一致的图片预处理方式，以保证结果可比。