1.一种基于BiHR‑Net和YOLOv3‑head的火焰检测方法，其特征在于，包括以下步骤：（1）构建火焰检测模型，并对其进行训练；所述火焰检测模型包括主干网络、特征提取与融合网络BiHR‑Net以及预测识别网络YOLOv3‑head；

（2）对预先获取的包含复杂环境的视频帧图像进行预处理和归一化，构建出数据集；并对火焰检测模型进行训练，获得用于火焰检测的模型M；

（3）使用模型M对火焰对象的边框与类别进行预测后，获得并保存火焰的位置信息；将保存的火焰目标位置在原视频图像上进行可视化；当视频帧中各火焰目标面积之和与原视频帧面积的比达到预定阈值后，发出火焰警报；

步骤（1）所述的主干网络通过多次下采样获取小分辨率特征，降低检测模型的参数量；

工作过程如下：

将输入的图片归一化为512×512大小获得IMG0；将归一化后的IMG0作为efficient‑multiConv 模块的输入进行计算获得F1；将F1进行2×2最大池化操作得到Pool1，将Pool1作为efficient‑multiConv block的输入进行计算获得F2；将F2进行卷积核为2×2的最大池化操作后获得的Pool2，作为efficient‑multiConv block的输入进行计算获得F3；将F3作为主干网络的输出；

步骤（1）所述的特征提取与特征融合网络BiHR‑Net工作过程如下：（S1）将经过主干网络中获得的特征图作为BiHR‑Net网络的输入，并将F3记为Input1；

（S2）对Input1进行卷积核大小为3×3的Depthwise Conv操作后，再进行Pointwise Conv操作，重复两次本操作后获得B1；

（S3）将B1进行2×2的反卷积操作后获得C1；将B1进行卷积核大小为3×3的Depthwise Conv操作后，再进行Pointwise  Conv操作获得C2；将B1进行卷积核大小为2×2的MaxPooling操作后获得C3；

（S4）对C1、C2和C3进行卷积核大小为3×3的Depthwise Conv操作后，再进行Pointwise Conv操作，重复两次本操作后获得D1、D2和D3；

（S5）将D1进行卷积核大小为3×3的Depthwise Conv操作后，再进行Pointwise Conv操作获得D11；将D1进行卷积核大小为2×2的MaxPooling操作后获得D12；将D1进行卷积核大小为4×4的MaxPooling操作后获得D13；

（S6）将D2进行2×2的反卷积操作后获得D21；将D2进行卷积核大小为3×3的Depthwise Conv操作后，再进行Pointwise Conv操作获得D22；将D2进行卷积核大小为2×2的MaxPooling操作后获得D23；

（S7）将D3进行4×4的反卷积操作后获得D31；将D3进行2×2的反卷积操作后获得D32；

将D3进行卷积核大小为3×3的Depthwise Conv操作后，再进行Pointwise Conv操作获得D33；

（S8）D11、D21和D31进行矩阵和操作获得E1；D12、D22和D32进行矩阵和操作获得E2；

D13、D23和D33进行矩阵和操作获得E3；最后将E1、E2和E3作为HR‑Net网络的输出；

所述步骤（2）实现过程如下：

（21）对火焰视频使用取关键帧的方法和使用爬虫爬取图片的方法获取火焰图像集合，并对火焰图像集合使用图像标注工具进行标注火焰的位置构建标签数据集；

（22）将火焰数据集中的图像按标准正态分布的对像素值增长，并将图像随机产生水平镜像，进行缩放和平移操作，对数据集进行数据增强。

2.一种采用如权利要求1所述方法的基于BiHR‑Net和YOLOv3‑head的火焰检测系统，其特征在于，包括：火焰检测模块：将视频帧图像进行预处理和归一化，用于使用训练好的火焰检测模型对归一化后的视频帧图像进行检测，得到火焰目标的位置信息；

火焰区域可视化模块：用于根据火焰检测模块保存的火焰目标位置，对原视频图像中对应的是火焰目标进行标记，实现火焰追踪的可视化；

火焰警报模块：用于对视频持续监测，当火焰目标在视频帧中超出预定面积时，发出不同的火焰警报以提示用户；

疏散预案模块：根据不同的火焰警报制定疏散预案，供用户选择。