1.一种结合高效采样增强的火焰烟雾检测方法，其特征在于，包括以下步骤：S1：收集火焰及烟雾图像，人工标注得到包含边界框的烟雾火焰数据集；

S2：将S1得到的烟雾火焰数据集中的图像进行预处理及数据增强；

S3：设计高效采样增强模块；步骤S3的具体操作为：

在神经网络中，输入图像经过中间网络层的运算后，得到中间的特征图输出，对于得到的特征图，可变形卷积通过学习得到卷积核每个位置的偏移量后，再进行加权求和操作，用公式可表示为：其中，p0为特征图上的某一位置，Ω为像素的八邻域位移偏移量集合，x(.)为特征图某位置的像素向量，y(.)为对输入特征图中某位置做卷积后的输出，w(.)为卷积核某位置的权值向量，Δp为相对卷积核中原来位置新的采样点的偏移量；

将前一层网络输出的特征图首先经过1x1卷积操作得到新的特征图FMi1，此时通道数量减少为原来的一半，然后将FMi1使用3×3的可变形卷积操作得到特征图FMi2，再将FMi1与FMi2在通道方向上进行连接得到第i层网络的输出FMi，将上述操作步骤集合在一个模块内，得到高效采样增强模块S4：搭建包含高效采样增强模块的网络模型；网络模型的主干网络采用CSPNet结构，在CSPNet的最后一层以及倒数第二层后增加S3设计的高效采样增强模块；网络模型的特征组合层采用PAN结构，融合网络不同层的上下文信息，加强整体特征的提取；网络模型的检测头采用yolo的检测头，用来输出预测的类别信息以及目标框的位置信息；

S5：训练S4搭建的网络模型并输出检测结果。

2.根据权利要求1所述的一种结合高效采样增强的火焰烟雾检测方法，其特征在于：所述步骤S1的具体操作为：采用网络爬虫工具收集搜索引擎图库中火焰和烟雾场景的图像，并截取部分火焰场景的视频图像，对不合格的图像数据进行清洗，然后合并为一个总的火焰烟雾图像集，使用图像标注工具标注出图像中烟雾及火焰的边界框，得到烟雾火焰数据集。

3.根据权利要求1所述的一种结合高效采样增强的火焰烟雾检测方法，其特征在于：所述步骤S2的具体操作为：加载S1得到的烟雾火焰数据集中的图像及其标签数据后，将图像缩放到一定尺寸的像素大小，以一定的概率将图像的色调、饱和度及明度在一个范围内动态改变，并以一定的概率进行水平翻转，再使用马赛克数据增强方法进行增强。

4.根据权利要求1所述的一种结合高效采样增强的火焰烟雾检测方法，其特征在于：所述步骤S5基于Pytorch框架训练网络模型，训练过程所使用的损失函数包括分类损失cls_loss、置信度损失obj_loss和定位损失box_loss；

所述分类损失cls_loss的表达式为：

其中，c表示类别数量，li表示i类别是否为真实目标类别，真实值为1，否则为0，Pcli表示对于该类的预测值；

所述置信度损失obj_loss的表达式为：

2

obj_loss＝(Tconf‑Pconf)

其中，Tconf为真值，当含有目标时为1，反之为0，Pconf为网络预测的置信度；

所述定位损失box_loss的表达式为：

box_loss＝(1‑CIoU)

其中，CIoU表示增强版的预测框与真值框的交并比；

网络模型训练所使用的轮次为300轮；采用的初始学习率为0.01；学习率衰减策略使用余弦退火策略；网络动量设置为0.937；使用预热身策略，热身轮次为3；训练所使用的批次大小为8；

对于网络模型的输出需经过后处理，即非极大值抑制才能得到最终的预测输出。