火焰推动装置通常依靠燃料的燃烧产生能量并发射火焰,向前推动装置前进。通过火焰形态特征可以对装置内部是否发生故障进行第一时间的判断。近年来,随着深度学习网络的发展进步,人们对于火焰的研究探测由开始传统的手动设计提取特征的方法,逐渐转向为基于深度学习网络的火焰探测研究。然而目前较为常见的与火焰相关的研究检测中,均与烟雾等火灾检测有关,而通过火焰形态对其进行分类与异常检测等研究较少。因此利用深度学习根据火焰形状、颜色等形态特征对装置进行动态特征的判断具有一定的研究意义与价值。基于以上背景,本文对装置火焰进行了实验数据模拟,并进行了基于深度学习的火焰检测与研究。文章首先使用不同种类火焰模拟装置发射的火焰,并利用开源框架mmDetection搭建多种算法检测模型,根据火焰特征对其所属种类分类,通过对比得出适用于该场景下的模型;并搭建相似度融合算法进行火焰聚类,分析火焰的相似与区别。其次,使用RetinaNet算法对异常火焰进行检测研究并选择合适的骨干网络,并将其作为基础模型,针对异常火焰检测场景,提出了对RetinaNet算法在网络模型、锚框设计、损失函数三个方面的改进,通过建立数据集模拟火焰不同形态并进行实验,通过与原模型实验结果对比,发现改进后算法的网络检测精度与整体性能有所提高;最后,针对异常火焰样本远远少于正常样本的问题,提出编码器-解码器-编码器结构,将孪生神经网络引入与深度卷积生成对抗网络结合。通过设定异常分数将异常火焰抛出。模拟火焰建立数据集并实验,将实验结果与其他模型进行对比。通过结果发现,本文提出的模型结构对于异常火焰样本较少的情况有着比较不错的异常识别效果。