改進YOLOv8n模型的火災場景火焰檢測方法

Abstract：Aiming at the problem of low accuracy in flame detection caused by complex smoke and dust environments in fire scenes，an efficient and precise flame detection method based on the YOLOv8n model was proposed.First，a variety of fire scene images were selected as the original images for the dataset，and random noise，such as salt and pepper noise， was added to simulate a smoke and dust environment. Second， a median filtering module was embedded at the front of the model's network framework to enhance the network's capability to handle interference noise in smoke and dust environments.Finall，byutilizing Ghost convolution modules and designing crosslayer connection networks at diferent lay levels，the number of parameters was reduced while the generalization capability of the network was optimized.This enable real-time and high-precision flame detection in fire scene with noise interference. Experimental results show that the improved YOLOv8n model had superior real-time performance and detection accuracy performance.

Keywords：flame detection；random noise；YOLOv8n model；median filtering module； lightweight Ghost convolution

火災的發生對人們的生命和財產造成嚴重威脅[]，，傳統的火災檢測方法采用溫度傳感器進行檢測，這種檢測方法造價昂貴且不適用室外場景的應用[2]。近年來，基于圖像的深度學習目標檢測方法得到了廣泛應用[3]，這種方法不受場景限制，能夠有效應用于室外環境，例如，森林、草場等[4]。及時、準確地檢測火災中的火焰，可以在火災早期采取有效的應對措施[5]。

傳統的基于圖像的的火災檢測方法常采用火焰的顏色特征進行識別[6]，如基于顏色空間[7]、HSV（色調、飽和度、明度）8]、YUV（明亮度、色訊、亮度）[9]和 YCbCr^[10] 等，但在面對早期火焰及存在相似色彩干擾的情況下，檢測結果常常不盡人意。隨著深度學習的發展，基于卷積的先進圖像處理方法為火災場景火焰檢測提供了一種更為有效的解決方案。目前，基于深度學習的火焰檢測方法主要包括 FasterR-CNN[11]、Mask R-CNN[12]、 SSD^[13] 雙階段模型，以及YOLO系列[14-16]的單階段模型。與雙階段模型相比，單階段模型只需經過一次前饋網絡就可以實現對目標的檢測，兼顧檢測速度及準確性。

近年來，隨著YOLO系列模型的發展，單階段模型具有更高的檢測準確性和實時的檢測速度，成為了在實際應用部署的首選算法。Qin等[1通過在YOLOv3模型中引入深度可分離卷積模塊，提升對特征的感受閥，進而增強對火災圖像特征的提取能力。汪子健等[18]采用eIoU損失函數替代傳統IoU損失函數，結合注意力機制來提升火焰煙霧中微小目標特征的理解能力。曹康壯等[19通過引入SIoU損失函數提高模型目標框的定位精度，同時在模型中添加 Shufle Attention 注意力機制，進一步提高在復雜環境下對目標火焰的識別精度。陳義嘯等[20]通過在上采樣階段中添加CBAM注意力機制，提高模型對火焰特征的提取能力。上述方法增強了火災場景火焰的檢測精度，但實際場景中大量的煙霧和灰塵導致圖像捕獲質量下降，大大降低了對火焰的檢測精度。基于此，本文提出一種改進的YOLOv8n 模型的火災場景火焰檢測方法。

1" 數據集預處理和構建

在深度學習圖像處理領域，向圖像中加入噪聲是增強模型魯棒性的一種有效手段。特別是針對煙霧、火焰等動態環境，噪聲模擬可以幫助模型更好地應對復雜背景和遮擋。例如，椒鹽噪聲模擬了火災現場中煙霧和塵土對圖像的影響，圖像角度、尺寸及曝光的隨機調整與實際火災場景中環境擾動的特點相似[21-23]。隨機裁剪通過對隨機選擇不同圖像的區域進行訓練，模擬了真實場景中目標部分遮擋、目標位置變化等情況。裁剪后的局部信息與全局信息的分布差異促進了模型在噪聲背景中的有效特征關注。噪聲增強后的數據集特征分布圖，如圖1所示。

原始火災場景圖像訓練完成后，模型通過固化的特征對火焰進行檢測。在實際火場中，受到高溫、粉塵、煙霧甚至是攝像頭的偏移影響，單一的圖像特征往往無法滿足高魯棒性、高精度的檢測需求。當加入不同的隨機噪聲后，火災場景圖像的特征發生了隨機的改變，較小的細節在人眼中不易察覺，甚至難以區分，但在計算機視覺算法處理過程中，這種模糊噪聲和不規則分布噪點往往會對算法的檢測性能產生不利影響。因此，通過增強原始火災場景圖像的隨機噪聲，擴展出同一場景多類特征要素，為深度學習算法模型提供了豐富的特征要素，也為模型的網絡結構設計方法提出了更嚴苛的要求。

構建的火災火焰數據集包含1080幅圖像，涵蓋室外建筑、室內環境和自然場景等多種火災場景。火焰目標的尺寸從覆蓋圖像 5% 區域的小型火焰到覆蓋圖像 30% 以上區域的大型火焰。根據可視對象類（VOC）數據集標準格式完成對火焰目標的標注。除多類場景外，圖像經過 416px×416px 的分辨率調整后，進行了隨機的數據增強處理，包括 50% 概率的水平翻轉和垂直翻轉、 90^° 旋轉、隨機裁剪 0%～ 20% 圖像區域、 .-25%～+25% 圖像區域的隨機曝光、 .0～20px 高斯模糊、添加標準差為0.0025的隨機高斯噪聲，以及噪聲密度為0.0025的隨機椒鹽噪聲，以模擬火災場景中的煙塵和光照反射干擾，最終生成增強數據和原始數據的兩套數據集。數據集按照 80% 訓練集、 10% 驗證集和 10% 測試集的比例進行劃分，以有效評估復雜火災場景的檢測魯棒性。

2 改進的YOLOv8n模型

2.1 方法概述

YOLOv8n[24]模型是YOLO系列模型中最新的 SOTA模型，深度殘差網絡由多個卷積層、殘差塊和瓶頸層組成，總體而言， YOLOv8n 模型分為3個部分：骨干網絡、頸部網絡和輸出頭。骨干網絡和頸部網絡參考了YOLOv7E-ELAN 的設計理念[25]，用更豐富的梯度流將 YOLOv5 模型的C3 結構替換為C2f結構，為不同規模的模型調整不同數量的通道數，從而大大提高了模型的性能。YOLOv8n模型網絡結構，如圖2所示。

對第一層張量流對像素值的卷積理解提前進行一次中值替換，采用輕量級Ghost卷積設計不同層級的跨層連接網絡，以減少參數量并優化網絡的泛化能力，同時提升網絡在火災場景對噪聲干擾的高度適應性。改進的 YOLOv8n 模型網絡結構，如圖3所示。

2.2 中值濾波模塊的網絡改進

基于卷積構建的深度學習網絡模型在面臨真實的火災場景時，圖像上點狀或模糊狀陰影往往造成誤檢，因此，在數據加載轉換為張量流的過程中引入中值思想，即在網絡的前端嵌入中值濾波模塊，使網絡在繼承父類數據時，實現對在噪點噪聲更寬泛的理解能力。具體而言，使用周圍鄰域像素的中值代替該像素的灰度值，達到對噪聲特征更顯著的特征理解能力。經過中值濾波模塊處理后，圖像在 （x，y） 處的像素灰度 （I_s（x，y）） 為

式（1）中： I_i（x，y） 表示輸入圖像在 （x，y） 處的像素灰度； K 為步長大小，表示覆蓋每個像素點周圍的鄰域大小， K=3 。

根據式（1），以圖像中的每個像素為中心取一個大小為 （2k+1）×（2k+1） 的鄰域。將鄰域內的像素按照灰度值進行排序，取排序后的中間值作為該像素的新灰度值。重復以上步驟，直到遍歷整個圖像的像素點。這種方法讓網絡在增加極微弱復雜度的同時，提升整體特征的獲取能力，使傳統定值化的濾波方法轉變為寬泛感受域的深度學習方法。

2.3 Ghost卷積的網絡改進

由于 YOLOv8n 模型使用的大量堆疊的卷積網絡，在單階段目標檢測中取得較好的訓練效果，但在面對含有噪聲干擾的火焰圖像時，深層堆疊的網絡結構對于圖像的特征解析產生反向增益，存在訓練過程中過擬合及特征解析能力差的問題。同時，大量的卷積網絡降低了訓練后模型的推理性能及檢測速度。為解決上述問題，在YOLOv8n模型的骨干網絡中引人Ghost 卷積[26」，對C2f卷積層進行改進。Ghost卷積網絡的改進結構，如圖4所示。在傳統卷積得到的特征圖上再進行線性卷積，獲取更多的特征圖，借鑒殘差塊的思想，將兩部分特征圖拼接生成最終的特征圖，以此消除噪點干擾導致的卷積特征圖冗余，這種方法大幅降低了原網絡采用C2f卷積帶來的大量計算量和冗余的特征。

參照 Han 等[26]提出的模型計算方法，采用Ghost的計算量 （r_s） 為

式（2）中： c 為輸入特征的圖通道數； h 為高； w 為寬； n 為輸出特征圖的通道數； k 為卷積核大小； s 為縮小的計算量倍數。

對多個 h?w 進行 s-1 次分組卷積，卷積和的大小為 d?d 。使用Ghost卷積替換傳統C2f卷積特征圖越多，加速效果越好，即Ghost占據卷積的比值決定了參數量降低的比值。

3 實驗結果與分析

3.1 實驗配置

實驗是在Ubuntu 20.04系統環境下進行的，設備搭載 Intel Xeon E5 2686v4@2.30 GHz CPU、GeForce RTX 2080Ti 11G GPU 和 64 GB LPDDR4 RAM，在 PyTorch 和 opencv-python 環境下部署并驗證相關算法。學習速率初始化為0.01，權重衰減設置為0.0005，循環次數設置為300次，終止訓練閾值設置為50個循環，即如果訓練了50個循環，模型檢測精度沒有提升，則停止訓練，保存最優的訓練結果，其余的參數配置與原始YOLOv8n模型的默認配置一致。

3.2 評價指標

精度 （P） 表達式為

P=TP/（TP+FP）

召回率 Ξ（η_R） 表達式為

η_R=TP/（TP+FN）

式（3）、（4）中：TP代表真陽性樣本數量;FP代表假陽性樣本數量;FN代表假陰性樣本數量。

均值平均精度 表達式為

式（5）中： 是指以 P 和 η_R 為橫軸和縱軸包圍的曲線面積; n 代表數據集類別數， n=1 。

3.3 實驗比對

3.3.1與其他算法的訓練模型比對通過數據集改進方法、改進 YOLOv8n 模型的網絡結構實現了復雜環境下高效精準的火焰檢測。不同模型在無噪聲干擾的火焰數據集的檢測結果，如表1所示。表1中： P_IoU=0.50 ， P_IoU=0.95 為閾值是0.50和0.95的模型精度; v 為推理速度。

由表1可知：主流模型中，YOLOv8s模型的精度遠高于其他模型，但召回率較低； YOLOv81 模型的P_IoU=0.50 ， P_{（IoU=0，95} 表現優異，且具有較高的召回率;FasterR-CNN的精度和 P_IoU=0.50 上較為穩定，精度為 67.4%，P_IoU=0.50 為 54.0% ，但其 υ 僅為 7F?s^-1 ，表明其計算復雜度較高，考慮到經濟性，該模型不適合實際的硬件部署應用；增加網絡深度的 YOLOv81 模型的精度遠低于結構更為簡潔的YOLOv8s模型，因此，在單一的目標類別和參數量較小的數據集中，參數量適中的網絡結構往往會帶來更好的特征解析能力；改進的 YOLOv8n 模型精度達到 79.7% ，在所有模型中最高，召回率為 52.6% ，比大多數模型都有明顯提高， P_IoU=0.50 為 60.1% ，略低于YOLOv8l的 62.6% ，但總體的表現較為平衡， P_IoU=0.95 為26.4% ，比其他模型高，表明在不同閾值下具備更強的檢測能力;改進的 YOLOv8n 模型的計算復雜度僅為5.0，是所有模型中計算復雜度最低的，而推理速度達到 416F?s^-1 ，與YOLOv3-tiny 模型相同。因此，改進的 YOLOv8n 模型的測試數據充分體現了其在高效性與實時性的優勢。

不同模型在噪聲增強火焰數據集的檢測結果，如表2所示。由表2可知：YOLOv3-tiny模型和SSD模型的精度明顯下降，表明噪聲對 YOLOv3-tiny 和 SSD 模型的影響較大，增加網絡深度的YOLOv8l模型和FasterR-CNN模型的召回率體現出對噪聲更高的適應性;改進的 YOLOv8n 模型在噪聲增強火焰數據集的檢測結果比其他模型展現出多項顯著優勢，精度為 81.0% ，遠高于其他模型，具有較高的檢測準確性， P_IoU=0.50 ， P_IoU=0.95 展現出優異的性能，分別達到 55.1% 和 22.8% ，但計算復雜度卻遠低于其他模型，僅為5.0，同時 Δ_v 高達 455F?s^-1 。因此，改進的 YOLOv8n 模型相較于YOLOv81模型和FasterR-CNN模型，在提升噪聲環境理解和火焰檢測精度的同時，兼顧較快的推理速度，可快速部署在低成本設備并實時檢測場景。

3.3.2改進的 YOLOv8n模型的消融實驗在無噪聲干擾和噪聲增強的兩種火焰數據集上進行了消融實驗，以評估改進的YOLOv8n模型各模塊對目標檢測性能的貢獻。在無噪聲干擾下改進的YOLOv8n模型的消融實驗表現，如表3所示。表3中： √ 為該模塊參與模型結構的構成。

由表3可知：在無噪聲干擾的原始數據集中， YOLOv8n 基線模型表現較為穩定，其精度、召回率等評價指標展現了較強的基礎檢測能力，單獨引人中值濾波模塊后，能夠顯著提升召回率，但 P_IoU=0.50 略有波動;單獨引入Ghost卷積模塊后，精度上取得了顯著提升，召回率略有下降，但對 P_IoU=0.50 基本無負面影響;當兩個模塊同時加入后，模型的精度達到 79.7% ，召回率達到 52.6% ， P_IoU=0.50 達到 60.1% ，相比基線模型、組合模塊達到最優，同時保持了較低的計算復雜度。

在噪聲增強下改進的YOLOv8n模型的消融實驗表現，如表4所示。

由表4可知：在噪聲增強下，基線模型受到噪聲數據的影響，整體性能大幅下降;單獨引入中值濾波模塊后，雖然模型的精度顯著提高至 75.6% ，但召回率大幅下降至 31.6% ，這表明中值濾波對背景噪聲的抑制效果較強，但可能忽略部分關鍵目標；單獨引人Ghost 卷積模塊能夠在精度和召回率之間取得了更好的平衡；當兩個模塊同時加入后，模型在噪聲增強數據集上的綜合性能達到最優，精度提高至81.0% ，召回率穩定在 47.4%，P_IoU=0.50 維持在 55.1% 。這一結果表明，模塊間的協同作用能夠有效提高模型對復雜背景和噪聲干擾的適應能力，同時保持了較低的計算復雜度。相比基線模型，組合模塊不僅優化了檢測性能，還顯著增強了對噪聲干擾的魯棒性。

實驗結果表明，中值濾波模塊和Ghost卷積模塊在無噪聲數據集中，目標特征清晰且背景干擾較少，中值濾波模塊能夠有效細化目標邊界，提高召回率。而在噪聲增強數據集中，背景噪聲復雜，中值濾波模塊在去除噪聲的同時，可能誤抑制部分目標區域，導致召回率下降。Ghost卷積模塊則側重優化特征提取效率，在無噪聲數據集中對召回率的影響有限，但在噪聲增強數據集中，通過增強顯著特征的表達，有助于提升對復雜背景中目標的捕捉能力。兩者的結合進一步提升了模型的綜合性能。該方法在兩種數據集上的表現驗證了模塊設計的有效性和適用性，為火焰檢測任務提供了可行的優化思路和方法支持。

3.3.3改進的YOLOv8n模型的可視化分析YOLO系列模型的檢測結果對比，如圖5所示。由圖5可知：改進的YOLOv8n模型在對不同環境下火焰的檢測中取得了更高的精度結果及更優異的魯棒性；YOLOv3-tiny模型、YOLOv5s模型和YOLOv8s模型作為當前最先進的單階段檢測模型，在面對隨機裁剪、隨機旋轉、隨機曝光、隨機高斯和隨機椒鹽的噪聲干擾時，檢測出現了失效，這是因為當前檢測方法所針對的圖像特征難以實現對多種干擾下特征的深度理解及推理；雖然YOLOv3-tiny模型到YOLOv8s模型的網絡計算量及網絡深度不斷加深，檢測精度得到了小幅提升，但仍然存在誤檢和漏檢的情況，網絡的復雜度也導致了檢測速度的降低，提升了實際應用的部署難度;改進的YOLOv8n模型通過結合中值濾波模塊和Ghost卷積模塊，在降低模型計算量的同時，有效消除椒鹽噪聲等噪聲的干擾，因此，改進的 YOLOv8n 模型在面對多種噪聲和復雜環境時，能夠保持較高的檢測精度和更好的魯棒性，且在不犧牲速度的前提下，顯著降低了誤檢和漏檢的發生。

改進的 YOLOv8n 模型的檢測結果，如圖6所示。

由圖6可知：改進的 YOLOv8n 模型的檢測結果在多種帶有干擾噪聲的火場場景下展現了良好的檢測效果，不論是室外建筑環境、室內環境還是山野、樹林等復雜環境，均能夠準確地檢測到火焰目標；在室外建筑環境中，能夠有效地識別建筑物周圍的火焰，即使在光照條件不佳或者火勢較小的情況下也能取得良好的檢測結果，在室內環境中，改進的YOLOv8n 模型能準確地檢測到室內火災，包括火焰和煙霧等火災特征，為及時的火災預警和應急處理提供了可靠的技術支持;改進的 YOLOv8n 模型還能夠在山野、樹林等自然環境中發揮作用，及時發現并識別出山野、樹林火災，幫助防止火災的蔓延和擴大。綜合來看，改進的YOLOv8n模型在不同環境下都能夠有效抑制由樹木、植被等復雜背景所引發的干擾，穩定輸出高質量的檢測結果，為火災監測和預防工作提供了有效的技術手段。

改進的YOLOv8n模型面對復雜背景和噪聲干擾的火災圖像時，表現出了比YOLO系列、SSD及Faster R-CNN模型更強的適應性和魯棒性。在提高檢測精度的同時，保持了較高的檢測速度，確保了在實際應用中能夠實時響應火災情況。改進的YOLOv8n模型在火災監測與預防工作中具有顯著的技術優勢，特別是在需要高精度、高魯棒性和實時響應的火災預警系統中，具有廣泛的應用前景。

4 結束語

針對實際火災場景下火焰檢測精度不足的問題，從環境噪聲角度出發，通過探索數據集隨機噪聲對深度學習模型的影響，提出一種改進的YOLOv8n模型。首先，通過對構建的火災火焰檢測數據集采用隨機裁剪、隨機旋轉、隨機曝光、隨機高斯和隨機椒鹽噪聲增強等方法，大幅提升了數據集與真實火災場景噪聲的相似度。其次，在多種先進的檢測模型中測試了增強數據對網絡的影響，驗證了現有方法對噪聲適應性差的問題。最后，通過中值濾波模塊結合高效的Ghost卷積模塊，構建改進的YOLOv8n 模型，顯著減少參數量的同時，提高了網絡對噪聲的理解能力，實現了小模型的高精度檢測。改進的YOLOv8n模型有效地提高了對實際火災場景噪聲干擾情況的檢測精度及魯棒性，為火災監測和預防工作提供了更加可靠的技術支持。

參考文獻：

[1]卞蘇陽，嚴云洋，龔成張，等.基于CXANet-YOLO的火焰檢測方法[J].南京大學學報（自然科學版），2023，59（2）： 295-301. DOI：10.13232/j. cnki. jnju. 2023.02. 012.

[2]周興華，陳西江，羊海東，等.動態卷積 YOLOv5 的視頻火焰檢測算法[J].測繪科學，2023，48（4）：106-118.DOI：10. 16251/j.cnki.1009-2307.2023.04.012.

[3]李偉達，葉靚玲，鄭力新，等.面向扶梯不安全行為的改進型深度學習檢測算法[J].華僑大學學報（自然科學版）， 2022，43（1）：119-126.DO1：10.11830/ISSN.1000-5013.202105059.

[4]SATHISHKUMAR V E，CHO J，SUBRAMANIAN M，et al.Forest fire and smoke detection using deep learningbased learning without forgetting[J].Fire Ecology，2023，19（1）：9.DOI：10.1186/s42408-022-00165-0.

[5]崔志亮，曹蘇群.基于改進 YOLOv5 的復雜環境下火災檢測方法[J].電腦與信息技術，2024，32（1）：23-27，46.DOI： 10.19414/j.cnki.1005-1228.2024.01.019.

[6]杜建華，張認成.LVQ神經網絡的紅外光譜火災早期預警算法[J].華僑大學學報（自然科學版），2011，32（6）：607- 610.DOI：10.11830/ISSN.1000-5013.2011.06.0607.

[7]CHENG Guangtao，CHEN Xue，WANG Chenyi，et al. Visualfire detection using deep learning：A survey[J].Neurocomputing，2024，596：127975.DOI：10.1016/j. neucom. 2024.127975.

[8]蔡春兵，吳翠平，徐鯤鵬.基于深度學習的視頻火焰識別方法[J].信息技術與網絡安全，2020，39（12）：44-51.DOI： 10.19358/j. issn.2096-5133.2020.12.008.

[9] 王勇智，譚楊磊，韓銳，等.基于分離 YUV顏色通道的火焰提取方法[J].科學技術創新，2020（25）：42-43.

[10] 何建，黃亦豪，薛黎明.基于YCbCr 和幀間差分法的火焰分割算法[J].現代計算機，2023，29（18）：49-52.

[11]ZHANG Heng，SHAO Faming，CHU Weijun，et al.Faster R-CNN based on frame diference and spatiotemporal context for vehicle detection[J].Signal Image and Video Processing，2024，18：7013-7027.DOI：10.1007/s11760- 024-03370-3.

[12]YADAV A，KUMAR E.Objectdetectionon real-time videowith fpn and modified mask rcnnbased on inception-resnet V2[J]. Wireless Personal Communications，2024，138（4）：2065-2090.DOI：10.1007/s11277-024-11539-9.

[13]LIU Wei，ANGUELOV D，ERHAN D，et al.SSD： Single shot multibox detector[M].Cham：Springer International Publishing，2016：21-37.DO1：10.1007/978-3-319-46448-0_2.

[14]REDMON J，DIVVALA S，GIRSHICK R，etal. You onlylook once： Unified，real-time object detection[C]//IEEE Conference on Computer Vision and Pattern Recognition.Las Vegas： IEEE Press，2016：779-788.DOI：10.48550/ http：//hdxb. hqu. edu. cn/ arXiv.1506.02640.

[15] REDMON J，FARHADI A. YOLOv3：An incremental improvement[EB/OL].（2018-04-08）[2024-02-21]. https：//arxiv. org/pdf/1804. 02767.

[16]BOCHKOVSKIY A，WANG C Y，LIAO H M. YOLOv4： Optimalspeed and accuracy of object detection[EB/OL]. （2020-04-23）[2024-02-21]. htps：//www.researchgate. net/publication/340883401_YOLOv4_Optimal_Speed_ and_Accuracy_of_Object_Detection.

[17] QIN Yueyan，CAO Jiangtao，JI Xiaofei. Fire detection method based on depthwise separable convolution and YOLOv3[J].International Journalof Automation and Computing，2021，18（2）：300-310.DOI：10.1007/s11633-020- 1269-5.

[18] 汪子健，高煥兵，侯宇翔，等.改進YOLOX-nano 的火災火焰煙霧檢測[J].計算機系統應用，2023，32（3）：265-274. DOI：10. 15888/j. cnki. csa. 009000.

[19] 曹康壯，焦雙健.融合注意力機制的輕量級火災檢測模型[J].消防科學與技術，2024，43（3）：378-383.

[20]陳義嘯，沈景鳳，仲梁維.基于改進 YOLOv8 的森林火災檢測算法研究[J].軟件工程，2024，27（2）：49-54.DOI：10. 19644/j.cnki. issn2096-1472.2024. 002.010.

[21] 王菲.基于火焰識別的早期火災探測技術研究[D].廣州：華南理工大學，2013.

[22] 陳智銘，謝維波，許華濱.利用圖像頻度特征的稀薄煙霧檢測算法[J].華僑大學學報（自然科學版），2014，35（2）： 151-155.DOI：10.11830/ISSN.1000-5013.2014.02.0151.

[23]LU Changzhi，ZHOU Haiyong，CHEN Yu，etal.A lightweight fire detection algorithm for smalltargets basedon YOLOv5s[J]. Scientific Rep0rts，2024，14（1） ：14104. DOI：10.1038/s41598-024-64934-4.

[24]TALAAT F M，ZAINELDIN H. An improved fire detection approach based on YOLO-v8 for smart cities[J]. Neural Computingand Applications，2023，35（28）：20939-20954. DOI：10.1007/s00521-023-08809-1.

[25] WANG C Y，BOCHKOVSKIY A，LIAO H Y M. YOLOv7： Trainable bag-of-freebies sets new state-of-the-art for real-time object detectors[C]//IEEE Conference on Computer Vision and Pattern Recognition. Vancouver IEEE Press，2022：7464-7475.DOI：10.48550/arXiv.2207.02696.

[26]HAN Kai，WANG Yunhe，TIAN Qi，et al.Ghostnet： More features from cheapoperations[C]//IEEE/CVF Conference on Computer Visionand Pattern Recognition.New York：IEEE Press，2020：1580-1589.DOI：10.48550/arXiv.1911.11907.

[27]LI Jichao，GUO Shengyu，KONGLiulin，et al.An improved YOLOv3-tiny method for fire detection in the construction industry[C]//E3S Web of Conference.[S.1.]：EEM，2021：03069.DOI：10.1051/e3sconf/202125303069.

[28]諶頒，張袖斌，肖斌，等.基于Faster-R CNN 深度學習算法的圖像識別技術研究[J].機器人產業，2024（3）：98- 102.DOI：10.19609/j.cnki.cn10-1324/tp.2024.03.019.

[29]鄭文秀，趙興娜.基于 SSD算法的人臉檢測算法研究[J].現代信息科技，2024，8（19）：17-22.DOI：10.19850/j. cnki.2096-4706.2024.19.004.

[30]ZHANG Long，LI Jiaming，ZHANG Fuquan.An efficient forest fire target detection model based on improved YOLOv5[J].Fire-Switzerland，2023，6（8）：291.DOI：10.3390/fire6080291.

（責任編輯：陳志賢 英文審校：陳婧）