引言

隨著低空巡檢技術的不斷進步，無人機在高速公路邊坡起火檢測領域逐漸嶄露頭角。近年來，眾多學者致力于開發基于無人機與人工智能的火災檢測算法，以應對傳統巡檢方式的低效與危險[1-3]。無人機火災檢測的早期研究中，多利用傳統圖像處理技術（如邊緣檢測、顏色分析等）對無人機采集的可見光圖像進行火焰特征提取，但在復雜背景下，對小目標火焰的檢測精度較低，且易受光照變化、煙霧等因素干擾，誤報率較高。當前基于深度學習的火災檢測算法主要依賴可見光圖像，但存在以下問題:小目標檢測能力弱、火焰尺度變化大、在邊緣計算設備上的檢測精度不足[4-7]、復雜背景干擾、邊坡區域植被密集、光照變化劇烈、導致模型易將煙霧、云霧誤判為火焰。實時性與精度矛盾：輕量化模型在精度上難以滿足高精度需求，而復雜模型多采用多模態融合（如可見光+熱成像），但其硬件成本高、計算開銷大，難以在無人機端實現高效部署。因此，亟須一種輕量化、高精度的可見光火災檢測算法，以適配無人機巡檢場景。隨著深度學習技術的發展，基于卷積神經網絡（Convolutional Neural Networks,CNN）的火災檢測算法逐漸興起[8-10]。YOLO系列作為目標檢測領域的經典算法因其實時性優勢被廣泛應用于無人機火災檢測[11-14]。

前期基于YOLO的算法在檢測遠距離小火焰時仍面臨諸多挑戰，如傳統YOLO模型在邊坡火災監測場景下，對初期火苗的檢測精度不足，且在邊緣計算設備上難以實現高精度檢測，同時復雜背景干擾易導致誤判[15-17]。為解決上述問題，部分研究開始探索多模態數據融合技術。例如將可見光與熱成像數據融合的火災檢測方法[18]，利用熱成像對火焰溫度敏感的特性，提高檢測精度，但該方法存在硬件成本高、計算開銷大的問題，難以在無人機端高效部署。同時，也有研究嘗試引入注意力機制來增強模型對目標區域的關注。比如在 YOLO 模型中添加注意力模塊[19-20]，對火焰檢測起到一定提升作用，但在復雜高速公路邊坡場景下，針對背景干擾及小目標檢測的優化仍有提升空間。綜上所述，現有無人機高速公路邊坡起火檢測算法存在小目標檢測能力弱、復雜背景干擾下誤報率高以及在無人機端平衡實時性與精度困難等問題。鑒于此，本項研究的主要目標在于對YOLOv12算法進行優化，通過引入針對小目標的增強型特征金字塔結構，并設計一個輕量級的檢測頭，旨在解決上述問題，并實現對無人機高速公路邊坡起火情況的高效與精確檢測。

針對上述問題，本文提出一種改進YOLOv12的可見光火災檢測算法，主要創新點包括：針對場景中的背景干擾問題，通過實例分割模型分割出邊坡和高速公路區域，減少背景干擾，提高目標檢測的準確性。設計了小目標特征金字塔，引入小目標特征層，并使用雙重的下采樣來進行下采樣。成功提高了對初期火苗的檢驗精度，在火焰初期就有較強的檢測能力。設計輕量化檢測頭，使得模型更加輕量，且保持優秀的檢測效果。

本文詳細內容請下載：

http://www.tom3567.com/resource/share/2000006906

作者信息：

崔培強1，羅夢琪1，劉世達2，歐陽奕波1，郭建1，陳少坤3

（1.葛洲壩集團交通投資有限公司， 湖北 武漢 430030；

2.北方工業大學， 北京100144；

3.恒華數元科技（天津）有限公司， 天津 300143）