一、项目背景

火灾作为最具破坏性的灾害之一，始终严重威胁着人民生命财产安全和社会稳定。随着城市化进程加速和复杂建筑结构增多，传统火灾防控体系面临严峻挑战。烟雾传感器、温度探测器等接触式设备存在安装局限、响应延迟、易受环境干扰等缺陷，而人工监控则存在视觉疲劳、漏报误报、无法全天候覆盖等问题。特别是在大型仓储物流中心、石油化工园区、森林保护区、古建筑群及智慧城市安防等场景，亟需更智能、更主动、更全面的火灾早期预警技术。

近年来，基于计算机视觉的智能视频分析技术为火灾检测带来了革命性突破。以YOLO（You Only Look Once）为代表的深度学习目标检测算法，以其卓越的实时性能和强大的特征提取能力，能够直接从监控视频流中快速识别火焰和烟雾的视觉特征。然而，实际应用场景复杂多变——火焰形态受燃料、风速影响而多变，烟雾颜色密度因环境光线干扰而难以识别，各类干扰源（如灯光反射、焊接火花、蒸汽）极易引发误报。单一视觉检测模型在复杂环境下往往存在精度瓶颈。

与此同时，大语言模型（LLMs）如DeepSeek展现出强大的多模态理解和推理能力。其不仅能处理文本，还能整合视觉、传感器数据、地理信息、历史记录等多源信息进行综合研判。将YOLO的快速视觉感知与DeepSeek的深度认知推理相结合，构建“感知-认知”双驱动的智能火灾检测系统，成为突破当前技术瓶颈的关键路径。

本毕业设计旨在研发一套基于YOLO+DeepSeek的智能火灾检测与预警系统。系统通过YOLOv11实时检测视频中的疑似火情目标，再调用DeepSeek进行多维度验证与风险评估——综合分析火焰动态特征、烟雾扩散模式、环境温湿度数据、场所火灾风险等级等多源信息，显著降低误报率，提高早期火灾识别的准确性与可靠性。此外，系统还能自动生成包含火情位置、态势评估、疏散建议和处置指引的结构化报告，为应急指挥提供智能决策支持。该研究不仅推动了火灾检测技术向更高智能化阶段发展，也为智慧安防、应急管理等领域提供了创新解决方案，具有重要的社会价值与应用前景。

二、技术介绍

技术栈：
前端：Vue3、Element-Plus、TypeScript
后端：SpringBoot、MyBatis-Plus、Flask
深度学习：YOLOv11、Pytorch
数据库：MySQL
视频处理：FFmpeg

本毕业设计“基于YOLO+DeepSeek的火灾检测系统”采用前后端分离、智能微服务协同的现代化架构设计。技术选型旨在构建一个具备高实时性、高可靠性、高扩展性的综合智能安防平台，实现从视频感知、火灾识别、多源验证到预警响应的完整业务闭环。

• 前端技术栈：采用Vue 3框架结合TypeScript构建类型安全、响应迅速的管理控制台。Element-Plus组件库提供专业的企业级UI组件，用于搭建实时监控大屏、预警信息看板、设备管理、历史事件追溯、统计报表以及系统配置等核心功能界面。前端通过Axios与后端服务进行高效、安全的HTTP通信，支持WebSocket实现实时报警信息的推送。

• 后端服务栈：

  • 业务主服务：采用SpringBoot框架构建业务核心。它负责用户权限管理、监控设备管理、报警事件持久化、预警规则配置、工单流程以及系统日志等关键业务逻辑。通过MyBatis-Plus这一强大的ORM框架，高效便捷地操作MySQL数据库，存储和管理用户信息、设备台账、报警历史、处置记录等结构化数据。

  • 智能分析微服务：采用轻量级Flask框架构建独立的AI分析服务。该服务是系统的“智能核心”，承担两大核心任务：一是集成Pytorch深度学习框架与优化的YOLOv11模型，对前端接入的视频流进行7x24小时实时分析，精准检测火焰与烟雾目标；二是作为DeepSeek大语言模型的调用与决策引擎，对视觉检测的初步结果进行多模态融合分析。通过整合实时环境传感器数据（温湿度、可燃气体浓度）、地理信息、建筑结构平面图、历史火灾数据等，DeepSeek能够进行深度推理，有效甄别真实火情与干扰源（如灯光反射、焊接作业），评估火灾风险等级，并生成结构化处置建议。

• 数据处理与算法栈：

  • 视频流处理：利用FFmpeg这一业界标准的音视频处理库，负责对接入系统的各类视频流（如RTSP、RTMP）进行解码、格式转换、关键帧抽取、分辨率调整等预处理操作，为AI模型提供标准、稳定的图像输入源。

  • 深度学习引擎：基于Pytorch生态，对YOLOv11模型在多样化的火焰与烟雾数据集上进行训练、验证与优化，使其具备在复杂场景（如不同光照条件、遮挡、动态背景）下的强鲁棒性与高检测精度，确保早期火情的敏锐感知能力。

系统的核心工作流程如下：

1. 数据接入：前端或设备通过流媒体协议接入监控视频，业务后端通过调用FFmpeg服务进行标准化处理。

2. 实时感知：处理后的视频帧被推送至Flask AI服务，由加载的YOLOv11模型进行毫秒级推理，完成火焰/烟雾的初筛与定位。

3. 智能研判：初筛结果（包括目标框、置信度）与关联的多元数据（传感器读数、位置信息）一并提交给集成了DeepSeek的分析模块，进行综合验证与风险评估，形成最终研判结论。

4. 业务响应与存储：研判结论及详细报告返回至SpringBoot主服务，触发相应的预警规则（声光报警、短信/APP推送、联动消防设备），同时将完整事件记录持久化至MySQL数据库。

5. 可视化与交互：所有实时报警、历史数据、统计分析结果通过RESTful API提供给Vue3前端，呈现在可视化大屏与管理后台，供安防人员监控全局、处理事件、追溯分析。

这套架构清晰地划分了业务、感知与认知的边界，使系统既能满足安防场景对稳定性和实时性的苛刻要求，又能充分利用前沿AI技术实现智能化升级，为火灾预警提供从“看见”到“看懂”再到“辅助决策”的全面能力支撑。

三、功能介绍

主要功能：
多方式检测：支持图片、视频和摄像头实时检测三种方式，适用于各种环境
火灾检测识别：支持火焰检测，精准高效
深度学习支持：使用YOLOv11模型，支持多种权重的目标检测，精度高、速度快
实时监控与预测：支持通过摄像头进行实时监测，并自动识别火灾
模型训练与自定义：用户可以使用自定义数据集重新训练模型，生成新的权重文件，支持YOLOv11的训练
简洁美观的UI：采用Vue3前端框架，支持主题颜色、布局和组件大小的个性化定制，兼容深色模式与色弱模式

适用场景：
消防监控
应急响应
公共安全

四、系统实现