引言

随着低空巡检技术的不断进步，无人机在高速公路边坡起火检测领域逐渐崭露头角。近年来，众多学者致力于开发基于无人机与人工智能的火灾检测算法，以应对传统巡检方式的低效与危险[1-3]。无人机火灾检测的早期研究中，多利用传统图像处理技术（如边缘检测、颜色分析等）对无人机采集的可见光图像进行火焰特征提取，但在复杂背景下，对小目标火焰的检测精度较低，且易受光照变化、烟雾等因素干扰，误报率较高。当前基于深度学习的火灾检测算法主要依赖可见光图像，但存在以下问题:小目标检测能力弱、火焰尺度变化大、在边缘计算设备上的检测精度不足[4-7]、复杂背景干扰、边坡区域植被密集、光照变化剧烈、导致模型易将烟雾、云雾误判为火焰。实时性与精度矛盾：轻量化模型在精度上难以满足高精度需求，而复杂模型多采用多模态融合（如可见光+热成像），但其硬件成本高、计算开销大，难以在无人机端实现高效部署。因此，亟须一种轻量化、高精度的可见光火灾检测算法，以适配无人机巡检场景。随着深度学习技术的发展，基于卷积神经网络（Convolutional Neural Networks,CNN）的火灾检测算法逐渐兴起[8-10]。YOLO系列作为目标检测领域的经典算法因其实时性优势被广泛应用于无人机火灾检测[11-14]。

前期基于YOLO的算法在检测远距离小火焰时仍面临诸多挑战，如传统YOLO模型在边坡火灾监测场景下，对初期火苗的检测精度不足，且在边缘计算设备上难以实现高精度检测，同时复杂背景干扰易导致误判[15-17]。为解决上述问题，部分研究开始探索多模态数据融合技术。例如将可见光与热成像数据融合的火灾检测方法[18]，利用热成像对火焰温度敏感的特性，提高检测精度，但该方法存在硬件成本高、计算开销大的问题，难以在无人机端高效部署。同时，也有研究尝试引入注意力机制来增强模型对目标区域的关注。比如在 YOLO 模型中添加注意力模块[19-20]，对火焰检测起到一定提升作用，但在复杂高速公路边坡场景下，针对背景干扰及小目标检测的优化仍有提升空间。综上所述，现有无人机高速公路边坡起火检测算法存在小目标检测能力弱、复杂背景干扰下误报率高以及在无人机端平衡实时性与精度困难等问题。鉴于此，本项研究的主要目标在于对YOLOv12算法进行优化，通过引入针对小目标的增强型特征金字塔结构，并设计一个轻量级的检测头，旨在解决上述问题，并实现对无人机高速公路边坡起火情况的高效与精确检测。

针对上述问题，本文提出一种改进YOLOv12的可见光火灾检测算法，主要创新点包括：针对场景中的背景干扰问题，通过实例分割模型分割出边坡和高速公路区域，减少背景干扰，提高目标检测的准确性。设计了小目标特征金字塔，引入小目标特征层，并使用双重的下采样来进行下采样。成功提高了对初期火苗的检验精度，在火焰初期就有较强的检测能力。设计轻量化检测头，使得模型更加轻量，且保持优秀的检测效果。

本文详细内容请下载：

https://www.chinaaet.com/resource/share/2000006906

作者信息：

崔培强1，罗梦琪1，刘世达2，欧阳奕波1，郭建1，陈少坤3

（1.葛洲坝集团交通投资有限公司， 湖北 武汉 430030；

2.北方工业大学， 北京100144；

3.恒华数元科技（天津）有限公司， 天津 300143）