基于传感器的火灾预警系统，比较适用于较小空间。 随着视觉技术的发展，基于视觉的火灾预警系统，更适用于对森林等大范围场景进行 远距离监控1。
当前的烟雾火焰检测系统中，采用机器学习的视觉技术暂未广泛替代传感器，主要原因就在于其误报与漏报较高。
火灾初期通常会产生大量烟雾， 这一现象在很大程度上降低了用火焰检测进行火灾预警的有效性，所以现在很多方案通过对烟雾的监控和检测，实现早期火灾预警。
基于视觉的火灾预警任务可以分为火焰/烟雾识别、检测、分割这3类不同的粒度。相关的数据集整理如下：
数据集整理
fire-dunnings-dataset
- 数据集地址：https://collections.durham.ac.uk/files/r2d217qp536#.YG_uqsgzqkL
- 这个数据集比较大，压缩包约10.4GB2，分为fire、nofire两类别，还有超像素分割后的火焰图像，可以进行定位和识别，比较适合用深度学习的方法。
- 数据集的内容结构如下：
├── images-224×224 (5.4G / 70k PNG format files – the training and testing data sets for the binary full frame fire detection task with / without FURG data set)
│ ├── furg
│ ├── train
│ ├── train_no_furg
│ ├── testing
│ └── testing_furg
├── superpixels (2.2G / 200k PNG format files – the training and testing data sets for the superpixel fire localization task)
│ ├── isolated-superpixels
│ │ ├── train
│ │ └── testing
│ └── original-full-images
│ ├── train
│ └── testing
└── videos (4.3G / MP4 format video) - 我复现了数据集对应论文中的方法3，可视化效果不错，适合演示，但在实际应用中误报很高。
VisFire – Bilkent EE Signal Processing group
- 火焰、烟雾检测软件：http://signal.ee.bilkent.edu.tr/VisiFire/index.html
- 视频数据：http://signal.ee.bilkent.edu.tr/VisiFire/Demo/
- 采集自监控视频，比较早的一个数据集，包含森林中的火焰、烟雾视频。
KMU Fire & Smoke Database
- https://cvpr.kmu.ac.kr/
- 包含室内、室外烟雾与火焰、野外烟雾、类烟与类火的移动物体。
- 这个组也发表了很多基于深度学习的火焰、烟雾检测论文，但是数据集压缩包里没有找到具体的标注文件。
BoWFire( best of both worlds fire detection)
-
https://bitbucket.org/gbdi/bowfire-dataset/downloads/
-
数据集包括发生火灾的不同紧急情况，例如建筑物着火，工业火灾，车祸和骚乱（./dataset/img）。其余图像包括没有可见火势的紧急情况，以及具有类似火的区域（例如日落）和红色或黄色物体的图像。4
-
数据集包含训练集、测试集。训练数据集（./train）包含240个50×50像素的图像：80张图像被分类为有火，160张图像被分类为非火。测试数据集（./dataset）包含226张不同分辨率的图像：119张包含火焰的图像和107张无火的图像。
-
数据集还包括火焰区域的分割，着火区域标记为白色，而非着火区域标记为黑色（./dataset/gt）。可以用于火焰检测和分割任务。
Mivia Fire &Smoke Detection Dataset
- https://mivia.unisa.it/datasets/video-analysis-datasets
- 有火焰与烟雾视频数据集。火焰集中共有 31 段视频， 其中 14 段有火焰， 其他无火焰。烟雾集包含 149 段视频， 每一段 15 min 左右， 总时长超过 35 h， 大多是远镜头烟雾视频， 内含天空、云雾、强阳光等干扰。
中国科学技术大学火灾科学国家实验室的烟雾数据集
- http://smoke.ustc.edu.cn/datasets.htm
- http://staff.ustc.edu.cn/~yfn/vsd.html
- 其中含有真实烟雾、非烟雾图以及大量且多样的合成烟雾图。数据集经过人工标注， 该团队已利用数据集发表多篇基于深度的烟雾检测、分割论文，说明该数据集能够胜任深度网络的训练。
ViSOR ( video surveillance online repository)
- http://imagelab.ing.unimore.it/visor/index.asp
- 视频种类较多，包含烟雾视频; 大部分烟雾；视频有逐帧 bounding box 级GT或逐帧全图类标
VSD Smoke Dataset
- http://staff.ustc.edu.cn/~yfn/vsd.html
- 10段视频，分为有烟雾和无烟雾两个类别。
Fire Calorimetry Database (FCD) – 美国国家消防研究实验室
- https://www.nist.gov/el/fire-research-division-73300
- 非视觉任务的一个数据集。美国消防研究部开发，用测量和预测方法来量化火灾的行为，并采取措施减少火灾对人，财产和环境的影响。
- 数据集（FCD）包含在NFRL进行的火灾实验的结果。该数据库中包含的标本包括单个燃烧物品，设施齐全的房间，可控燃烧器，特征明确的燃料和未知成分的真实复合燃料。
使用小结
- 当前很多火焰、烟雾数据集，缺少精细boundingbox和mask标注，需要巨大的人工标注工作量。
- 火焰、烟雾边缘模糊，导致标注标准不一致，难以准确严谨地评估检测算法。且 烟雾跟天空中云朵的形态易发生混淆。
- 数据集的多样性不足，在当前数据集上训练的火焰检测模型，在跨域应用中的泛化性不好。
资源下载
部分参考文献打包：
https://download.csdn.net/download/Bit_Coders/16591997
第一个dunnings数据集的网盘地址：
https://download.csdn.net/download/Bit_Coders/36130553
夏雪, 袁非牛, 章琳, et al. 从传统到深度:视觉烟雾识别、检测与分割[J]. 中国图象图形学报, 2019(10) ↩︎
https://blog.csdn.net/OyamingO/article/details/109230490 ↩︎
Experimentally Defined Convolutional Neural Network Architecture Variants for Non-temporal Real-time Fire Detection (Dunnings, A. and Breckon, T.P.) In Proc. International conference on Image Processing, pp. 1558-1562, IEEE, 2018. ↩︎
D. Y. T. Chino, L. P. S. Avalhais, J. F. Rodrigues and A. J. M. Traina, “BoWFire: Detection of Fire in Still Images by Integrating Pixel Color and Texture Analysis,” 2015 28th SIBGRAPI Conference on Graphics, Patterns and Images, Salvador, 2015, pp. 95-102.
[doi: 10.1109/SIBGRAPI.2015.19] ↩︎
文章出处登录后可见！
