FA-YOLOv10:基于YOLOv10的复杂场景火烟检测方法
《Process Safety and Environmental Protection》:FA-YOLOv10: Fire smoke detection method based on YOLOv10 for complex scenes
【字体:
大
中
小
】
时间:2026年07月11日
来源:Process Safety and Environmental Protection 7.9
编辑推荐:
王东梅|彭永珍|卢静怡|吴阳
摘要:火灾的频繁发生凸显了早期火灾检测的迫切需求,但在火灾初期,火源微小且不规则,烟雾稀少,往往会被复杂的背景和光照变化所掩盖。现有方法难以处理这些微弱的信号,导致误报率和漏检率较高。为解决这一问题,我们提出了FA-YOLOv10,这是一种改进版的
王东梅|彭永珍|卢静怡|吴阳
摘要:火灾的频繁发生凸显了早期火灾检测的迫切需求,但在火灾初期,火源微小且不规则,烟雾稀少,往往会被复杂的背景和光照变化所掩盖。现有方法难以处理这些微弱的信号,导致误报率和漏检率较高。为解决这一问题,我们提出了FA-YOLOv10,这是一种改进版的YOLOv10框架,采用了“两阶段网络优化与一阶段训练策略”。首先,C2f-MALA模块可抑制背景噪声,减少误报;其次,PSAGMLCA模块能够捕捉长距离依赖关系,提取稀疏的边缘特征,从而降低漏检率。此外,我们的训练策略还整合了基于HSV的颜色预处理技术,以在不同光照条件下实现一致的色彩特征分离,同时通过损失函数权重优化来加速对小型目标的识别。在包含6,650张图像的FireSmoke数据集上的实验表明,FA-YOLOv10的性能优于现有的先进模型。具体而言,与YOLOv10n基准模型相比,FA-YOLOv10的mAP0.5值提升了1.7%,精确度提高了3.8%,召回率提升了0.4%。这些量化指标表明,该模型在降低误报率和漏检率方面效果显著,证明了其在实际火灾预警场景中的适用性。
引言:火灾具有突发性强、蔓延速度快、破坏力巨大的特点,因此早期发现和精准预警对于减少灾害损失至关重要。然而,传统的人工巡查或火灾传感器在检测范围和响应时间上存在局限,从而导致监控盲区和响应延迟。这些方法难以满足现代安全系统对实时性和稳定性的要求。因此,开发高效智能的火灾检测方法已成为提升公共安全能力的重要途径。这种向智能监控发展的趋势不仅体现在火灾检测领域,还代表着工业过程安全领域的整体变革(Zhang等人,2024)。正如近期关于数据驱动故障检测与诊断的系统性研究所示(Zhao等人,2026),机器学习和深度学习方法能够从复杂的传感器数据中自动学习异常模式,从而在关键故障发生前实现早期预警。这种依靠数据而非预设规则的学习方法为构建强大的检测系统提供了统一框架。早期的火灾烟雾检测主要依赖于机器学习方法,这些方法通常使用多尺度滑动窗口来确定潜在危险区域,利用HOG(Yan和Yan,2018)、SIFT(Ghassempour等人,2018)和LBP(Yuan,2011)等人造特征运算符提取特征,然后再借助SVM(Xiong和Yan,2019)、AdaBoost(Wu等人,2018)、贝叶斯网络(Kim和Lee,2021)、随机森林(Li等人,2023)以及BP神经网络(Li等人,2015)等分类器进行识别。然而,这些模型过度依赖先验知识,只能提取浅层的视觉特征,而且滑动窗口策略会带来较大的计算负担,使其难以适应复杂多变的实际火灾场景。为应对上述挑战,深度学习技术应运而生,它不仅实现了模型的轻量化,还能提取深层视觉特征,并在检测模式上取得创新进展。例如,Khan等人的FFireNet(Khan和Khan,2022)成功构建了精度达98.42%的轻量级森林火灾分类模型。Li等人进一步提出了YOLO-Edge机制,该机制利用MobileNetV3进行特征提取(Li和Yu,2021),用于检测火灾和烟雾,从而提升了边缘设备的检测性能。FE-DCDA-Transformer-TL模型(Li等人,2025)则结合了Transformer架构,通过双卷积和双注意力机制以及迁移学习,提升了飞机货舱火灾检测的准确性。Jeong等人将教师-学生LSTM与YOLO算法相结合,利用时间建模提升了早期烟雾检测的稳定性(Jeong等人,2020)。Aldughayfiq等人则构建了一种结合联邦学习与YOLO的火灾检测模型,能够在保护隐私的前提下高效训练模型(Aldughayfiq等人,2025)。此外,Liang等人提出了FSH-DETR,该模型通过独立的单尺度特征交互模块(SSFI)和PIoUv2损失函数,显著提升了火灾烟雾特征的融合表现能力,从而构建出了高效的火灾烟雾检测系统(Liang和Zeng,2024);Sun等人设计了Smoke-DETR,该模型通过ECPConv降低了计算复杂度,进而构建出了高精度、快速响应的实时火灾烟雾检测系统(Sun和Cheng,2024)。然而,对于那些体积小、分布分散的火灾和烟雾目标,检测仍易出现漏检现象,而复杂背景中的相似特征则可能导致误报。为解决这一问题,研究人员从不同角度尝试优化模型结构。例如,Gong等人(2022)引入了SwinTransformer,利用其自注意力机制捕捉全局上下文; Zhao等人(2022)则用EfficientNet替代了核心网络,并加入了MBConv模块,提升了基础特征提取的效率。此外,改进上采样算法CARAFE(Yin等人,2022)或下采样操作SPD(Peng和Kim,2025)可以扩大特征图的感受野,有效减少早期微弱烟雾的漏检率。同时,为减少背景干扰带来的误报,研究还致力于引入注意力机制,包括整合ECA(Wang等人,2024)、SimAM(Yang等人,2024)和BiFormer(Wang等人,2026)等模块,或采用FEM(Jiang等人,2025)来增强模型对关键烟雾特征的关注度,从而抑制背景噪声。尽管上述方法在特定场景下取得了一定成果,但它们在实际应用中仍面临一些挑战,限制了模型的泛化能力和稳定性:在复杂场景中,这些模型对干扰的抵抗能力仍不够强,其内置的注意力机制大多仅限于单一维度上的特征建模——要么是通道维度,要么是空间维度。当面对具有高度相似特征的背景干扰物时,这些模型往往难以准确区分特征幅度的细微差异,从而导致将背景干扰物误认为是烟雾或火灾,引发误检。对于边缘区域和分散区域,这些模型的长距离建模能力也仍有不足。虽然这些模型使用了采样算法来扩大感受野,但它们仍无法通过整合全局语义信息与局部细节特征来提升长距离建模能力,因此重要特征容易在深层网络中丢失或被忽略,从而导致漏检。通过以上分析可以看出,在复杂场景中检测火灾烟雾的关键问题在于:如何构建一种具有强大抗干扰能力的特征表示机制,以应对具有高度相似物理特性的背景干扰,从而降低误报率;如何在不显著增加计算成本的情况下,建立全局语义与局部细节之间的长距离依赖关系,从而提升对边缘分散区域中早期烟雾和小规模火灾的识别能力。本文提出了FA-YOLOv10目标检测模型来解决上述问题。本文的主要贡献如下:为解决背景干扰导致的误检问题,我们通过将MALA(幅度感知线性注意力)机制(Fan等人,2025)集成到C2f模块中,构建了C2f-MALA特征提取架构。这一针对性设计有效抑制了背景噪声,使网络能够聚焦于关键的火灾特征。为解决边缘分散区域中的火灾和烟雾检测问题,我们提出了门控多尺度注意力融合架构PSAGMLCA。该架构通过引入一种新的可学习Sigmoid门,来适配性地融合PSA、MLLA(类Mamba线性注意力)(Han等人,2024)和AGCA(自适应图通道注意力)(Xiang等人,2023)三种注意力机制。PSAGMLCA能够解决不同注意力模式之间的语义冲突,并捕捉分散区域内的长距离依赖关系。为进一步提升训练稳定性和检测性能,我们设计了一种针对特定领域的训练优化策略,通过调整HSV增强比例并优化CIoU损失函数的权重,有效提升了模型在复杂火灾数据集上的泛化能力。本文的其余部分结构如下:第2节简要介绍相关前期工作;第3节详细阐述所提出的FA-YOLOv10模型方法;第4节展示实验结果,并进行讨论和模型评估;最后,第5节对全文进行总结。
传统火灾检测方法:传统的火灾检测主要依赖于物理传感器和图像处理技术。常见的物理传感器包括热传感器(Wang等人,2023)、气体传感器(Liu等人,2022)、火焰传感器(Wang等人,2022)以及烟雾传感器(Kadri等人,2018)。然而,这些传感器的检测范围有限,响应速度较慢,因此不适用于大型空间、复杂环境或对实时性要求较高的场景。
整体框架:本研究提出了FA-YOLOv10模型,它是基于YOLOv10改进而来的,专为火灾烟雾检测任务设计。其整体网络架构如图1所示。FA-YOLOv10通过将MALA机制(Fan等人,2025)融入瓶颈层,形成了C2f-MALA模块,从而实现了全局语义信息与局部细节特征的深度融合。这一改进解决了标准自注意力机制缺乏全局上下文意识的问题,有效抑制了背景噪声。
数据集描述:为评估所提出的方法,我们采用了Wang等人(2024)介绍的公开数据集进行实验。为保持一致性及便于表述,我们将其称为FS-YOLO研究中所使用的FireSmoke数据集。该数据集共包含6,650张图像,这些图像既包括从各种开源数据集(涵盖森林、无人机视角、遥感图像以及固定监控摄像头拍摄的图像)中筛选出的原始图像,也包括离线生成的合成增强图像。
结论与展望:为解决复杂场景中火灾烟雾检测存在的误报和漏检问题,本文提出了基于YOLOv10架构的改进模型FA-YOLOv10。该模型包含两个核心模块:C2f-MALA和PSAGMLCA。前者通过提升模型对微弱目标的特征响应能力,降低了漏检率;后者则通过捕捉长距离依赖关系来优化分类边界,从而提高检测精度并减少背景干扰带来的误检。
数据与代码获取:数据可应要求提供。FA-YOLOv10的源代码及训练好的模型已公开发布在指定链接上。
资金支持:本研究还得到了中国国家自然科学基金的支持[项目编号NSFC62473096]。
作者贡献说明:王东梅:撰写——审稿与编辑、资源收集。卢静怡:资源收集、资金申请。彭永珍:撰写——初稿撰写。吴阳:撰写——审稿与编辑、可视化处理。
利益冲突声明:作者声明不存在任何可能影响本文研究的已知财务利益或个人关系。
致谢:本研究部分得到了三亚海上油气研究院、陆相页岩油国家重点实验室、人工智能能源研究院、黑龙江省网络与智能控制重点实验室以及数学与交叉科学研究中心的支持。作者还要感谢三亚海上油气研究院的工作人员在技术方面给予的帮助。
利益冲突声明:本文不存在任何相关研究。
王东梅于2001年获得中国大庆东北石油大学过程设备与控制工程学士学位,2008年获得该校通信与信息系统硕士学位。她的研究兴趣包括无线通信和图像处理领域的理论与应用研究。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号