尧图网站建设 
简介这份资源是一套基于Matlab实现的火灾检测系统源码包面向计算机视觉、图像处理与人工智能方向的学习者和开发者尤其适合希望用Matlab完成课程设计、毕业设计或算法验证的人群。系统将火灾检测拆分为烟雾检测与火焰检测两个模块涉及图像预处理、特征提取、分类器训练与目标检测等典型流程可借助Matlab的深度学习工具箱或图像处理工具箱构建识别模型。压缩包为zip格式大小约980KB文件总数暂未提供从内容结构看应包含Matlab脚本与函数、训练好的模型文件、烟雾与火焰及背景三类数据集、预处理与特征提取函数、评估指标以及可直接运行的演示脚本主程序文件夹承担整体调度。目前已有90人学习关注规模虽小但主题聚焦。通过研读这套代码读者可以掌握从数据准备、特征设计到模型评估的完整实现路径理解如何降低误报与漏报并将其迁移到监控视频的实时或离线火源监测场景中。1. 拆开这个 Matlab 火灾检测包烟雾与火焰双通道到底怎么跑监控画面里飘过一团清晨的雾传统烟感没响值班室的屏幕却先弹了预警——这种场景正是视觉火灾检测想解决的问题。这个压缩包给的就是一套基于 Matlab 的火灾检测系统把任务拆成烟雾检测和火焰检测两条独立通道各自出结果再综合判断。它适合两类人一类是手里有监控视频、想快速验证视觉火警可行性的工程从业者另一类是拿它当课程设计或算法练手的学生。核心工具是 Matlab 的图像处理工具箱和深度学习工具箱代码主体在huoyanjiance-main目录里。下面我不讲空泛概念直接按「拿到包怎么跑通、参数怎么调、哪里会翻车」的顺序拆一遍。2. 环境与目录先让 huoyanjiance-main 在本地跑起来2.1 工具箱依赖与版本选择这套系统能不能跑第一道门槛不是算法是工具箱。烟雾和火焰检测都依赖图像处理火焰部分如果用了训练好的网络还会依赖深度学习工具箱。常见做法是先确认三件事Matlab 主版本、Image Processing Toolbox 是否安装、Deep Learning Toolbox 是否安装。在命令行敲ver就能一次看全。% 查看当前 Matlab 已安装的工具箱和版本 ver % 单独确认两个关键工具箱是否存在 license(test, Image_Toolbox) % 返回 1 表示图像处理工具箱可用 license(test, Neural_Network_Toolbox) % 深度学习相关许可逻辑说明ver列出全部已装产品先看有没有 Image Processing Toolbox 和 Deep Learning Toolbox。license(test, ...)返回逻辑值比肉眼翻列表可靠。参数上没什么可调的重点是如果深度学习工具箱缺失火焰检测里凡是调用trainNetwork、alexnet、vgg16这类函数的脚本都会直接报未定义这时候要么补装要么把检测逻辑退回到传统特征加分类器的路线。版本方面R2020a 之后的图像处理函数接口比较稳定imresize、rgb2gray、imbinarize这些老函数一直能用。如果你装的是很新的版本注意个别旧函数被标记为不推荐会出黄色警告但不影响运行。真正会卡住的是深度学习部分不同版本对dlnetwork、trainingOptions的参数名有微调遇到参数名报错先查对应版本文档别硬改。2.2 目录结构与入口脚本定位解压后主目录是huoyanjiance-main典型结构是代码、模型、数据集、演示脚本分开放。先别急着运行用下面几行把结构摸清楚避免路径问题。% 切换到项目根目录按你本地实际路径改 projectRoot D:\fire_detect\huoyanjiance-main; cd(projectRoot); % 递归列出所有 .m 文件和模型文件快速定位入口 mFiles dir(fullfile(projectRoot, **, *.m)); for i 1:numel(mFiles) fprintf(%s\n, fullfile(mFiles(i).folder, mFiles(i).name)); end % 找训练好的模型文件.mat 或 .onnx 等 modelFiles dir(fullfile(projectRoot, **, *.mat));逻辑说明dir配合**递归通配能一次列出所有脚本比在资源管理器里点开每个文件夹快。fullfile拼路径避免手写斜杠在 Windows 和 Linux 上不一致。参数上projectRoot一定要改成你自己的解压路径路径里尽量别带中文和空格Matlab 对含空格路径的处理偶尔会出玄学问题这是血泪经验。找到入口脚本后通常名字里带main、demo、run的那个就是。先读它的前几十行看它addpath了哪些子目录、加载了哪个模型文件、读的是图片还是视频。这一步决定了后面所有参数在哪改。2.3 首次运行从单张图到视频流入口脚本一般支持两种输入单张图片和视频文件。先用单张图验证整条链路通不通再上视频。% 读取一张测试图 img imread(fullfile(projectRoot, data, test_fire.jpg)); % 调用检测主函数函数名以实际入口为准 [smokeFlag, flameFlag, bbox] detectFire(img); % 打印结果 fprintf(烟雾: %d, 火焰: %d\n, smokeFlag, flameFlag); % 可视化在原图上画检测框 if ~isempty(bbox) out insertShape(img, Rectangle, bbox, LineWidth, 3, Color, red); figure; imshow(out); end逻辑说明imread读图detectFire是假定的主检测函数实际名字看入口脚本。返回的smokeFlag、flameFlag是布尔量bbox是检测框坐标。insertShape把框画回原图方便肉眼确认。参数上如果bbox为空但你觉得图里明明有火问题多半在阈值下一章细说。视频模式常见做法是VideoReader逐帧读每帧调一次检测函数再用VideoPlayer或imshow实时显示。% 视频逐帧检测 vid VideoReader(fullfile(projectRoot, data, test_video.mp4)); while hasFrame(vid) frame readFrame(vid); [sFlag, fFlag, ~] detectFire(frame); if sFlag || fFlag frame insertText(frame, [10 10], ALARM, FontSize, 24, TextColor, red); end imshow(frame); end逻辑说明hasFrame加readFrame是标准的逐帧循环。每帧检测后如果命中就叠一个 ALARM 文字。参数上视频帧率高的时候逐帧检测会拖慢实时性常见优化是隔帧检测或者先把帧缩放到较小尺寸再送进检测函数检测完把框坐标按比例放大回原图。3. 烟雾检测通道颜色与纹理特征怎么落地3.1 烟雾的视觉特征与阈值思路烟雾在图像里没有固定形状早期偏白偏灰后期扩散变淡这是它比火焰难检测的根本原因。常见做法是走颜色空间加纹理两条线。颜色上烟雾在 HSV 空间里饱和度低、亮度中等偏高纹理上烟雾区域高频细节少用局部方差或能量能区分它和背景。% 转 HSV提取低饱和高亮区域作为烟雾候选 hsv rgb2hsv(img); S hsv(:,:,2); V hsv(:,:,3); % 阈值饱和度低、亮度不太暗 smokeMask (S 0.25) (V 0.45) (V 0.95); % 形态学去噪去掉零散小点 smokeMask bwareaopen(smokeMask, 200); smokeMask imclose(smokeMask, strel(disk, 5));逻辑说明rgb2hsv把 RGB 转成色相、饱和度、亮度三分量。S 0.25抓低饱和V的上下限排除全黑和过曝。bwareaopen去掉面积小于 200 像素的连通域imclose用圆盘结构元闭运算填补空洞。参数上0.25和0.45这两个阈值是最需要按场景调的室内白墙背景容易误判得把饱和度阈值再压低室外阴天画面整体偏灰亮度下限要抬高。3.2 纹理过滤与误报抑制光靠颜色白墙、白云、白衣服全会中招。加一层纹理过滤能砍掉大部分误报。思路是烟雾区域纹理平滑用局部标准差衡量。% 灰度化后算局部标准差 gray rgb2gray(img); gray im2double(gray); localStd stdfilt(gray, ones(9)); % 纹理平滑的区域保留 textureMask localStd 0.04; % 与颜色掩膜取交集 finalSmoke smokeMask textureMask; finalSmoke bwareaopen(finalSmoke, 300);逻辑说明stdfilt用 9×9 邻域算每个像素的局部标准差值越小说明越平滑。localStd 0.04保留平滑区。和颜色掩膜做逻辑与两个条件同时满足才算烟雾。参数上邻域窗口越大越平滑但边缘越糊9 是个折中0.04这个阈值对分辨率敏感图像大就调小图像小就调大。3.3 连通域判定与报警触发得到掩膜后不能一有白点就报警得看连通域的面积和位置是否合理。% 连通域分析 cc bwconncomp(finalSmoke); stats regionprops(cc, Area, BoundingBox, Centroid); % 面积超过阈值才认为有效烟雾 alarm false; for k 1:numel(stats) if stats(k).Area 1500 alarm true; fprintf(烟雾告警面积 %d位置 (%.0f, %.0f)\n, ... stats(k).Area, stats(k).Centroid(1), stats(k).Centroid(2)); end end逻辑说明bwconncomp找连通域regionprops拿面积、外接框、质心。面积超过 1500 像素才报警避免小噪点触发。参数上1500 要结合画面分辨率定1080p 画面里这个值偏小可能把一片白墙算进去320×240 的小图里这个值又偏大真烟雾可能达不到。稳妥做法是按画面总像素的千分之几来设比如总像素的 0.3%。4. 火焰检测通道颜色模型加动态特征4.1 RGB 与 HSV 双空间火焰分割火焰的颜色特征比烟雾强得多红橙黄是主色调而且亮度高。单用 RGB 容易受光照影响常见做法是 RGB 和 HSV 双条件约束。% RGB 通道分离 R img(:,:,1); G img(:,:,2); B img(:,:,3); % 火焰在 RGB 下的经验条件 rgbMask (R G) (G B) (R 150); % HSV 下再约束一次 hsv rgb2hsv(img); H hsv(:,:,1) * 360; % 转成角度方便看 S hsv(:,:,2); V hsv(:,:,3); % 火焰色相集中在红到黄区间 hsvMask ((H 35) | (H 330)) (S 0.4) (V 0.5); % 两个掩膜取交集 flameMask rgbMask hsvMask; flameMask bwareaopen(flameMask, 100);逻辑说明R G B是火焰的经典通道关系R 150排除暗红物体。HSV 里色相小于 35 度或大于 330 度覆盖红到黄饱和度大于 0.4 保证颜色够浓亮度大于 0.5 排除暗区。两个掩膜取交集能显著降低误报。参数上R 150和V 0.5对光照敏感夜间红外画面要整体下调白天强光下要上调。4.2 动态特征闪烁与面积增长静态颜色会把夕阳、红衣服、车尾灯全判成火。火焰的杀手锏是动态它会闪烁面积会增长。视频模式下加这两条能砍掉大量误报。% 假设有前后两帧的火焰掩膜 prevMask 和 currMask areaPrev sum(prevMask(:)); areaCurr sum(currMask(:)); % 面积增长率 growthRate (areaCurr - areaPrev) / max(areaPrev, 1); % 帧间变化率闪烁程度 flicker sum(xor(prevMask, currMask)) / max(areaCurr, 1); % 同时满足增长和闪烁才确认 if growthRate 0.1 flicker 0.2 confirmed true; end逻辑说明growthRate衡量火焰面积是否在扩大flicker用异或算两帧掩膜的变化比例火焰边缘抖动会让这个值偏高。两个条件同时满足才确认。参数上0.1和0.2是经验值摄像头抖动大时flicker会虚高得配合稳像或者提高阈值。4.3 用训练好的网络做分类兜底如果包里带了训练好的网络模型常见用法是把候选区域裁出来送进网络做二次分类降低误报。% 加载训练好的网络文件名以实际为准 load(fullfile(projectRoot, model, fireNet.mat), net); % 裁出候选区域并缩放到网络输入尺寸 cropImg imcrop(img, bbox); inputSize net.Layers(1).InputSize(1:2); cropResized imresize(cropImg, inputSize); % 分类 [label, score] classify(net, cropResized); if label fire score 0.8 fprintf(网络确认火焰置信度 %.2f\n, score); end逻辑说明load读模型imcrop按检测框裁图imresize缩到网络输入尺寸classify出标签和置信度。参数上score 0.8是置信度门槛调高减少误报但可能漏报调低反之。注意net.Layers(1).InputSize拿的是网络第一层的输入尺寸不同网络不一样别写死。5. 避坑与排查这套代码最容易翻车的五个地方5.1 路径含中文或空格导致读文件失败现象imread或load报「文件不存在」但路径明明是对的。原因Matlab 对含中文或空格的路径处理不稳定尤其是拼接路径时。解决把项目挪到纯英文无空格路径下比如D:\fire_detect\所有路径用fullfile拼别手写字符串。5.2 阈值在新场景下全线失效现象换一段视频后要么满屏报警要么一个都不报。原因颜色和纹理阈值是按原数据集调的换场景光照、背景全变。解决先跑单帧把中间掩膜imshow出来看逐个调饱和度、亮度、面积阈值。别一次改好几个改一个看一个。5.3 视频逐帧检测卡到无法实时现象视频播放一卡一卡检测速度跟不上帧率。原因每帧都做全分辨率检测计算量大。解决先把帧缩到一半或四分之一再检测框坐标按比例放大回原图或者隔帧检测中间帧用上一帧结果。5.4 深度学习工具箱缺失导致函数未定义现象运行到trainNetwork或classify报未定义。原因没装 Deep Learning Toolbox 或许可不可用。解决ver确认缺了就补装实在装不了把网络分类那段注释掉退回纯传统特征路线检测率会降但能跑。5.5 内存爆掉视频帧和掩膜没及时清理现象跑长视频时内存越用越多最后卡死。原因循环里每帧的变量没清Matlab 一直留着。解决循环末尾clear frame hsv S V之类或者把检测逻辑封成函数函数返回后局部变量自动释放。6. 把检测结果落成可验证的指标从准确率到混淆矩阵跑通不等于可信。要判断这套系统在你场景下到底行不行得有一组带标注的测试图然后算指标。常见做法是准备三类样本纯烟雾、纯火焰、背景干扰白墙、夕阳、红衣服每类几十张人工标好。% 假设有标注好的测试集images 是图labels 是真值1 有火0 无火 numTest numel(images); pred zeros(numTest, 1); truth zeros(numTest, 1); for i 1:numTest [sFlag, fFlag, ~] detectFire(images{i}); pred(i) double(sFlag || fFlag); truth(i) labels(i); end % 混淆矩阵 C confusionmat(truth, pred); accuracy sum(diag(C)) / sum(C(:)); precision C(2,2) / max(sum(C(:,2)), 1); recall C(2,2) / max(sum(C(2,:)), 1); f1 2 * precision * recall / max(precision recall, eps); fprintf(准确率 %.3f 精确率 %.3f 召回率 %.3f F1 %.3f\n, ... accuracy, precision, recall, f1);逻辑说明confusionmat出 2×2 矩阵对角线是判对的。accuracy是总体判对比例precision看报警里有多少是真的recall看真火里有多少被逮到f1是两者的调和平均。参数上火灾检测场景里召回率比精确率更重要漏报的代价远大于误报所以调阈值时优先保召回宁可多报也别漏。指标出来后如果召回低说明阈值太严把颜色和面积阈值放宽如果精确率低说明误报多加纹理过滤或提高网络置信度门槛。这个循环调参的过程没有捷径就是拿数据反复试。从那以后我每次拿到这类视觉检测包都先跑一遍混淆矩阵再谈效果光看演示图上的框画得漂亮没用。希望帮到你。本文还有配套的精品资源点击获取 Matlab火灾检测实战：烟雾与火焰双通道算法解析与调参指南
简介这份资源是一套基于Matlab实现的火灾检测系统源码包面向计算机视觉、图像处理与人工智能方向的学习者和开发者尤其适合希望用Matlab完成课程设计、毕业设计或算法验证的人群。系统将火灾检测拆分为烟雾检测与火焰检测两个模块涉及图像预处理、特征提取、分类器训练与目标检测等典型流程可借助Matlab的深度学习工具箱或图像处理工具箱构建识别模型。压缩包为zip格式大小约980KB文件总数暂未提供从内容结构看应包含Matlab脚本与函数、训练好的模型文件、烟雾与火焰及背景三类数据集、预处理与特征提取函数、评估指标以及可直接运行的演示脚本主程序文件夹承担整体调度。目前已有90人学习关注规模虽小但主题聚焦。通过研读这套代码读者可以掌握从数据准备、特征设计到模型评估的完整实现路径理解如何降低误报与漏报并将其迁移到监控视频的实时或离线火源监测场景中。1. 拆开这个 Matlab 火灾检测包烟雾与火焰双通道到底怎么跑监控画面里飘过一团清晨的雾传统烟感没响值班室的屏幕却先弹了预警——这种场景正是视觉火灾检测想解决的问题。这个压缩包给的就是一套基于 Matlab 的火灾检测系统把任务拆成烟雾检测和火焰检测两条独立通道各自出结果再综合判断。它适合两类人一类是手里有监控视频、想快速验证视觉火警可行性的工程从业者另一类是拿它当课程设计或算法练手的学生。核心工具是 Matlab 的图像处理工具箱和深度学习工具箱代码主体在huoyanjiance-main目录里。下面我不讲空泛概念直接按「拿到包怎么跑通、参数怎么调、哪里会翻车」的顺序拆一遍。2. 环境与目录先让 huoyanjiance-main 在本地跑起来2.1 工具箱依赖与版本选择这套系统能不能跑第一道门槛不是算法是工具箱。烟雾和火焰检测都依赖图像处理火焰部分如果用了训练好的网络还会依赖深度学习工具箱。常见做法是先确认三件事Matlab 主版本、Image Processing Toolbox 是否安装、Deep Learning Toolbox 是否安装。在命令行敲ver就能一次看全。% 查看当前 Matlab 已安装的工具箱和版本 ver % 单独确认两个关键工具箱是否存在 license(test, Image_Toolbox) % 返回 1 表示图像处理工具箱可用 license(test, Neural_Network_Toolbox) % 深度学习相关许可逻辑说明ver列出全部已装产品先看有没有 Image Processing Toolbox 和 Deep Learning Toolbox。license(test, ...)返回逻辑值比肉眼翻列表可靠。参数上没什么可调的重点是如果深度学习工具箱缺失火焰检测里凡是调用trainNetwork、alexnet、vgg16这类函数的脚本都会直接报未定义这时候要么补装要么把检测逻辑退回到传统特征加分类器的路线。版本方面R2020a 之后的图像处理函数接口比较稳定imresize、rgb2gray、imbinarize这些老函数一直能用。如果你装的是很新的版本注意个别旧函数被标记为不推荐会出黄色警告但不影响运行。真正会卡住的是深度学习部分不同版本对dlnetwork、trainingOptions的参数名有微调遇到参数名报错先查对应版本文档别硬改。2.2 目录结构与入口脚本定位解压后主目录是huoyanjiance-main典型结构是代码、模型、数据集、演示脚本分开放。先别急着运行用下面几行把结构摸清楚避免路径问题。% 切换到项目根目录按你本地实际路径改 projectRoot D:\fire_detect\huoyanjiance-main; cd(projectRoot); % 递归列出所有 .m 文件和模型文件快速定位入口 mFiles dir(fullfile(projectRoot, **, *.m)); for i 1:numel(mFiles) fprintf(%s\n, fullfile(mFiles(i).folder, mFiles(i).name)); end % 找训练好的模型文件.mat 或 .onnx 等 modelFiles dir(fullfile(projectRoot, **, *.mat));逻辑说明dir配合**递归通配能一次列出所有脚本比在资源管理器里点开每个文件夹快。fullfile拼路径避免手写斜杠在 Windows 和 Linux 上不一致。参数上projectRoot一定要改成你自己的解压路径路径里尽量别带中文和空格Matlab 对含空格路径的处理偶尔会出玄学问题这是血泪经验。找到入口脚本后通常名字里带main、demo、run的那个就是。先读它的前几十行看它addpath了哪些子目录、加载了哪个模型文件、读的是图片还是视频。这一步决定了后面所有参数在哪改。2.3 首次运行从单张图到视频流入口脚本一般支持两种输入单张图片和视频文件。先用单张图验证整条链路通不通再上视频。% 读取一张测试图 img imread(fullfile(projectRoot, data, test_fire.jpg)); % 调用检测主函数函数名以实际入口为准 [smokeFlag, flameFlag, bbox] detectFire(img); % 打印结果 fprintf(烟雾: %d, 火焰: %d\n, smokeFlag, flameFlag); % 可视化在原图上画检测框 if ~isempty(bbox) out insertShape(img, Rectangle, bbox, LineWidth, 3, Color, red); figure; imshow(out); end逻辑说明imread读图detectFire是假定的主检测函数实际名字看入口脚本。返回的smokeFlag、flameFlag是布尔量bbox是检测框坐标。insertShape把框画回原图方便肉眼确认。参数上如果bbox为空但你觉得图里明明有火问题多半在阈值下一章细说。视频模式常见做法是VideoReader逐帧读每帧调一次检测函数再用VideoPlayer或imshow实时显示。% 视频逐帧检测 vid VideoReader(fullfile(projectRoot, data, test_video.mp4)); while hasFrame(vid) frame readFrame(vid); [sFlag, fFlag, ~] detectFire(frame); if sFlag || fFlag frame insertText(frame, [10 10], ALARM, FontSize, 24, TextColor, red); end imshow(frame); end逻辑说明hasFrame加readFrame是标准的逐帧循环。每帧检测后如果命中就叠一个 ALARM 文字。参数上视频帧率高的时候逐帧检测会拖慢实时性常见优化是隔帧检测或者先把帧缩放到较小尺寸再送进检测函数检测完把框坐标按比例放大回原图。3. 烟雾检测通道颜色与纹理特征怎么落地3.1 烟雾的视觉特征与阈值思路烟雾在图像里没有固定形状早期偏白偏灰后期扩散变淡这是它比火焰难检测的根本原因。常见做法是走颜色空间加纹理两条线。颜色上烟雾在 HSV 空间里饱和度低、亮度中等偏高纹理上烟雾区域高频细节少用局部方差或能量能区分它和背景。% 转 HSV提取低饱和高亮区域作为烟雾候选 hsv rgb2hsv(img); S hsv(:,:,2); V hsv(:,:,3); % 阈值饱和度低、亮度不太暗 smokeMask (S 0.25) (V 0.45) (V 0.95); % 形态学去噪去掉零散小点 smokeMask bwareaopen(smokeMask, 200); smokeMask imclose(smokeMask, strel(disk, 5));逻辑说明rgb2hsv把 RGB 转成色相、饱和度、亮度三分量。S 0.25抓低饱和V的上下限排除全黑和过曝。bwareaopen去掉面积小于 200 像素的连通域imclose用圆盘结构元闭运算填补空洞。参数上0.25和0.45这两个阈值是最需要按场景调的室内白墙背景容易误判得把饱和度阈值再压低室外阴天画面整体偏灰亮度下限要抬高。3.2 纹理过滤与误报抑制光靠颜色白墙、白云、白衣服全会中招。加一层纹理过滤能砍掉大部分误报。思路是烟雾区域纹理平滑用局部标准差衡量。% 灰度化后算局部标准差 gray rgb2gray(img); gray im2double(gray); localStd stdfilt(gray, ones(9)); % 纹理平滑的区域保留 textureMask localStd 0.04; % 与颜色掩膜取交集 finalSmoke smokeMask textureMask; finalSmoke bwareaopen(finalSmoke, 300);逻辑说明stdfilt用 9×9 邻域算每个像素的局部标准差值越小说明越平滑。localStd 0.04保留平滑区。和颜色掩膜做逻辑与两个条件同时满足才算烟雾。参数上邻域窗口越大越平滑但边缘越糊9 是个折中0.04这个阈值对分辨率敏感图像大就调小图像小就调大。3.3 连通域判定与报警触发得到掩膜后不能一有白点就报警得看连通域的面积和位置是否合理。% 连通域分析 cc bwconncomp(finalSmoke); stats regionprops(cc, Area, BoundingBox, Centroid); % 面积超过阈值才认为有效烟雾 alarm false; for k 1:numel(stats) if stats(k).Area 1500 alarm true; fprintf(烟雾告警面积 %d位置 (%.0f, %.0f)\n, ... stats(k).Area, stats(k).Centroid(1), stats(k).Centroid(2)); end end逻辑说明bwconncomp找连通域regionprops拿面积、外接框、质心。面积超过 1500 像素才报警避免小噪点触发。参数上1500 要结合画面分辨率定1080p 画面里这个值偏小可能把一片白墙算进去320×240 的小图里这个值又偏大真烟雾可能达不到。稳妥做法是按画面总像素的千分之几来设比如总像素的 0.3%。4. 火焰检测通道颜色模型加动态特征4.1 RGB 与 HSV 双空间火焰分割火焰的颜色特征比烟雾强得多红橙黄是主色调而且亮度高。单用 RGB 容易受光照影响常见做法是 RGB 和 HSV 双条件约束。% RGB 通道分离 R img(:,:,1); G img(:,:,2); B img(:,:,3); % 火焰在 RGB 下的经验条件 rgbMask (R G) (G B) (R 150); % HSV 下再约束一次 hsv rgb2hsv(img); H hsv(:,:,1) * 360; % 转成角度方便看 S hsv(:,:,2); V hsv(:,:,3); % 火焰色相集中在红到黄区间 hsvMask ((H 35) | (H 330)) (S 0.4) (V 0.5); % 两个掩膜取交集 flameMask rgbMask hsvMask; flameMask bwareaopen(flameMask, 100);逻辑说明R G B是火焰的经典通道关系R 150排除暗红物体。HSV 里色相小于 35 度或大于 330 度覆盖红到黄饱和度大于 0.4 保证颜色够浓亮度大于 0.5 排除暗区。两个掩膜取交集能显著降低误报。参数上R 150和V 0.5对光照敏感夜间红外画面要整体下调白天强光下要上调。4.2 动态特征闪烁与面积增长静态颜色会把夕阳、红衣服、车尾灯全判成火。火焰的杀手锏是动态它会闪烁面积会增长。视频模式下加这两条能砍掉大量误报。% 假设有前后两帧的火焰掩膜 prevMask 和 currMask areaPrev sum(prevMask(:)); areaCurr sum(currMask(:)); % 面积增长率 growthRate (areaCurr - areaPrev) / max(areaPrev, 1); % 帧间变化率闪烁程度 flicker sum(xor(prevMask, currMask)) / max(areaCurr, 1); % 同时满足增长和闪烁才确认 if growthRate 0.1 flicker 0.2 confirmed true; end逻辑说明growthRate衡量火焰面积是否在扩大flicker用异或算两帧掩膜的变化比例火焰边缘抖动会让这个值偏高。两个条件同时满足才确认。参数上0.1和0.2是经验值摄像头抖动大时flicker会虚高得配合稳像或者提高阈值。4.3 用训练好的网络做分类兜底如果包里带了训练好的网络模型常见用法是把候选区域裁出来送进网络做二次分类降低误报。% 加载训练好的网络文件名以实际为准 load(fullfile(projectRoot, model, fireNet.mat), net); % 裁出候选区域并缩放到网络输入尺寸 cropImg imcrop(img, bbox); inputSize net.Layers(1).InputSize(1:2); cropResized imresize(cropImg, inputSize); % 分类 [label, score] classify(net, cropResized); if label fire score 0.8 fprintf(网络确认火焰置信度 %.2f\n, score); end逻辑说明load读模型imcrop按检测框裁图imresize缩到网络输入尺寸classify出标签和置信度。参数上score 0.8是置信度门槛调高减少误报但可能漏报调低反之。注意net.Layers(1).InputSize拿的是网络第一层的输入尺寸不同网络不一样别写死。5. 避坑与排查这套代码最容易翻车的五个地方5.1 路径含中文或空格导致读文件失败现象imread或load报「文件不存在」但路径明明是对的。原因Matlab 对含中文或空格的路径处理不稳定尤其是拼接路径时。解决把项目挪到纯英文无空格路径下比如D:\fire_detect\所有路径用fullfile拼别手写字符串。5.2 阈值在新场景下全线失效现象换一段视频后要么满屏报警要么一个都不报。原因颜色和纹理阈值是按原数据集调的换场景光照、背景全变。解决先跑单帧把中间掩膜imshow出来看逐个调饱和度、亮度、面积阈值。别一次改好几个改一个看一个。5.3 视频逐帧检测卡到无法实时现象视频播放一卡一卡检测速度跟不上帧率。原因每帧都做全分辨率检测计算量大。解决先把帧缩到一半或四分之一再检测框坐标按比例放大回原图或者隔帧检测中间帧用上一帧结果。5.4 深度学习工具箱缺失导致函数未定义现象运行到trainNetwork或classify报未定义。原因没装 Deep Learning Toolbox 或许可不可用。解决ver确认缺了就补装实在装不了把网络分类那段注释掉退回纯传统特征路线检测率会降但能跑。5.5 内存爆掉视频帧和掩膜没及时清理现象跑长视频时内存越用越多最后卡死。原因循环里每帧的变量没清Matlab 一直留着。解决循环末尾clear frame hsv S V之类或者把检测逻辑封成函数函数返回后局部变量自动释放。6. 把检测结果落成可验证的指标从准确率到混淆矩阵跑通不等于可信。要判断这套系统在你场景下到底行不行得有一组带标注的测试图然后算指标。常见做法是准备三类样本纯烟雾、纯火焰、背景干扰白墙、夕阳、红衣服每类几十张人工标好。% 假设有标注好的测试集images 是图labels 是真值1 有火0 无火 numTest numel(images); pred zeros(numTest, 1); truth zeros(numTest, 1); for i 1:numTest [sFlag, fFlag, ~] detectFire(images{i}); pred(i) double(sFlag || fFlag); truth(i) labels(i); end % 混淆矩阵 C confusionmat(truth, pred); accuracy sum(diag(C)) / sum(C(:)); precision C(2,2) / max(sum(C(:,2)), 1); recall C(2,2) / max(sum(C(2,:)), 1); f1 2 * precision * recall / max(precision recall, eps); fprintf(准确率 %.3f 精确率 %.3f 召回率 %.3f F1 %.3f\n, ... accuracy, precision, recall, f1);逻辑说明confusionmat出 2×2 矩阵对角线是判对的。accuracy是总体判对比例precision看报警里有多少是真的recall看真火里有多少被逮到f1是两者的调和平均。参数上火灾检测场景里召回率比精确率更重要漏报的代价远大于误报所以调阈值时优先保召回宁可多报也别漏。指标出来后如果召回低说明阈值太严把颜色和面积阈值放宽如果精确率低说明误报多加纹理过滤或提高网络置信度门槛。这个循环调参的过程没有捷径就是拿数据反复试。从那以后我每次拿到这类视觉检测包都先跑一遍混淆矩阵再谈效果光看演示图上的框画得漂亮没用。希望帮到你。本文还有配套的精品资源点击获取