چکیده: چکیده آتش سوزی در محیط زندگی انسان نوعا منجر به خسارات جانی و اقتصادی می‌شود؛ به گونه ای که جبران این خسارات زمان بر و گاهی غیرممکن است. بر همین اساس تشخیص به موقع آتش یک ضرورت مهم به شمار می آید. از آنجا که وجود دود در جوّ نشانه اصلی آتش سوزی است، در سیستم‌های اعلام حریق، تشخیص دود از اهمیت ویژه ای برخوردار است. برخلاف شعله های آتش، دود قابلیت شناسایی از راه دور را دارد، زیرا در جهت بالا حرکت کرده و سریع تر مورد شناسایی قرار می‌گیرد. سنسورهای حساس به دود و آتش قابلیت تشخیص این دو عامل نامطلوب را دارند اما پیاده سازی شبکه عظیمی از سنسورها در فضای باز مانند جنگل، صرفه اقتصادی نداشته و از سوی دیگر از آنجا که تشخیص آتش و یا دود توسط سنسور با تاخیر صورت می‌پذیرد در نتیجه استفاده از سنسور در مکان های حساس که کوچکترین اثری از آتش می تواند منجر به انفجار در تاسیسات و زیرساخت ها شود کار عاقلانه ای محسوب نمی شود. روش های گوناگونی برای تشخیص آتش و دود وجود دارد که از این میان روش های مبتنی بر تصویر و یادگیری عمیق مزایای بیشتری را از لحاظ صحت و سرعت در تشخیص از خود نشان داده اند. در این پایان نامه روی این موضوع تمرکز کرده ایم. برای آموزش شبکه عمیق، 1200 تصویر تهیه و برچسب-های مناسب دود یا آتش در سطح پیکسل اعمال شده است. از این تعداد 80% برای آموزش و 20% برای آزمایش اختصاص یافته است. شبکه های UNet، UNet++و UNet3+، با نوآوری هایی در ساختار آن ها جهت ناحیه‌بندی دود و آتش مورد استفاده قرار گرفته اند. برنامه نویسی در بستر pytorch نسخه سازگار با CUDA11.6 صورت پذیرفته. با توجه به نتایج بدست آمده بهترین صحت در شبکه‌های UNet++ با ستون فقرات EfficientNet.B0 و EfficientNet.B7 قابل مشاهده می باشند. UNet++ با ستون فقرات EfficientNet.B0 و EfficientNet.B7 میزان صحت را به ترتیب به 96.42 و 96.37 درصد رساندند. با این حال اگر تشخیص آتش در مقیاس کوچک مد نظر باشد، با توجه به میزان IoU آتش، UNet3+ با ستون فقرات VGG16 برترین نتیجه را حاصل کرده و میزان این معیار ارزیابی را به 76.35 درصد می رساند. همچنین در صورتیکه به دنبال شبکه ای با تعداد پارامتر کم و صحت خوب در ناحیه بندی آتش و دود باشیم، UNet3+ با ستون فقرات پیشنهادی، UNet3+ با VGG16 و UNet++ با EfficientNet.B0 گزینه‌های برتر برای پیاده سازی به حساب می آیند.