基于改進(jìn)YOLOv8的低氣壓燃?xì)饣鹧鏍顟B(tài)識(shí)別方法

中圖分類號(hào)：TP391.41 文獻(xiàn)標(biāo)志碼：A

Improved YOLOv8 for gas flame state recognition under low-pressure conditions

SAl Qingyi1，ZHAO Jin1，YAN Yonghui1，BI Degui2 （1.SchoolofEnergyandPowerEngineering，UniversityofShanghaiforScienceandTechnologyhanghai 2o93，China; 2.SchoolofEnvironmentandArchitecture，UniversityofShanghaiforScienceandTechnologyShanghai 2Oo93，China）

Abstract： Gas flame detection in high-altitude low-pressure environments faces dual challnges of insufficient recognition accuracy and real-time performance degradation. This study proposes an improved lightweight YOLOv8n algorithm with multi-dimensional optimizations for enhanced performance. First， a GhostConv module was constructed in the backbone to reduce computational parameters. Second， the C2f module was restructured into a C2f_RepGhost configuration that maintained feature representation capability while simplifying inference processes. Finaly， the convolutional block attention module （CBAM） attention mechanism was incorporated to strengthen fine-grained flame feature extraction， and the WIoU loss function was adopted to improve localization accuracy. Experimental results based on mechanism testbed data demonstrate that the improved model's parameter count decrease by 12.64% ， computational load decrease by 12.2% ， and precision increase by 21.2% while maintaining frame rate detection. This method provides an effective lightweight solution for flame state recognition in low-pressure environments.

Keywords： low-pressure; flame detection; deep learning; YOLOv8; attention mechanism

以甲烷為主要燃料的燃?xì)鉅t對(duì)燃燒穩(wěn)定性的要求極高，不穩(wěn)定燃燒或熄火現(xiàn)象極易觸發(fā)爆炸事故。高原地區(qū)低壓、低氧環(huán)境會(huì)降低甲烷的燃燒效率[1]，導(dǎo)致火焰形態(tài)[和穩(wěn)定性[3]等發(fā)生變化，進(jìn)而影響燃燒過程的安全性。因此，精準(zhǔn)識(shí)別火焰狀態(tài)對(duì)燃燒過程的實(shí)時(shí)監(jiān)控與安全預(yù)警至關(guān)重要，關(guān)系到生命與財(cái)產(chǎn)安全。

早期的燃?xì)饣鹧鏍顟B(tài)檢測(cè)技術(shù)依靠紅外攝像機(jī)、溫度傳感器、壓力傳感器等硬件設(shè)備[4]，易被干擾并且準(zhǔn)確率不高。近年來(lái)，深度學(xué)習(xí)技術(shù)在圖像檢測(cè)領(lǐng)域取得了很好的應(yīng)用效果，逐漸成為了主流檢測(cè)手段。白衛(wèi)東等[5]采用支持向量機(jī)（supportvectormachine，SVM）對(duì)鍋爐燃燒火焰圖像進(jìn)行分類識(shí)別，實(shí)現(xiàn)了準(zhǔn)確的燃燒狀態(tài)監(jiān)測(cè)。Ronquillo-Lomeli等l運(yùn)用概率神經(jīng)網(wǎng)絡(luò)（probabilisticneuralnetwork，PNN）算法對(duì)鍋爐火焰進(jìn)行分類，準(zhǔn)確率達(dá)到了 90% 以上。Gangopadhyay等[7]使用3D神經(jīng)網(wǎng)絡(luò)和長(zhǎng)短期記憶網(wǎng)絡(luò)，實(shí)現(xiàn)了對(duì)實(shí)驗(yàn)室燃燒火焰的穩(wěn)定與不穩(wěn)定狀態(tài)的識(shí)別。Zhao 等[8結(jié)合YOLOv8與VQ-VAE，提高了實(shí)際檢測(cè)的準(zhǔn)確率。Yar等改進(jìn)了YOLOv5s模型，減少了模型尺寸和復(fù)雜度，并提高了準(zhǔn)確率。王冠博等[]提出了改進(jìn)YOLOv4-tiny 輕量化模型，通過增加感受野并對(duì)模型進(jìn)行剪枝，提升準(zhǔn)確率的同時(shí)大幅減少了模型參數(shù)量以及權(quán)重文件。陳露萌等[1]改進(jìn)了YOLOv5s模型，在特征提取部分添加協(xié)同注意力機(jī)制，并改進(jìn) a -CIoU，提高了模型的收斂速度。

盡管這些研究在平原環(huán)境下取得了良好的效果，但在高原環(huán)境下，火焰的邊緣形狀、面積和顏色變化迅速：隨著氣壓降低，火焰邊緣形狀膨脹變得更加明顯；面積也隨之?dāng)U大；火焰顏色由明黃色變成淡藍(lán)色，加之氧濃度下降會(huì)增加煙氣含量，給火焰圖像的識(shí)別及特征分析增加了難度。網(wǎng)絡(luò)的加深會(huì)不可避免地導(dǎo)致火焰圖像信息減少或缺失，準(zhǔn)確率的提高常以降低檢測(cè)速度為代價(jià)。針對(duì)這些問題，本文提出了一種基于改進(jìn)YOLOv8的火焰狀態(tài)檢測(cè)算法。該算法通過輕量化設(shè)計(jì)，優(yōu)化模型主干，顯著提高了檢測(cè)速度；此外，通過引入注意力機(jī)制，增強(qiáng)了模型對(duì)火焰細(xì)粒度特征的捕捉能力，從而提升檢測(cè)精度。通過性能分析與實(shí)際測(cè)試，證明了本文方法的有效性和可行性。

1 YOLOv8算法簡(jiǎn)介

YOLO系列因其在速度與準(zhǔn)確性之間的卓越平衡而備受關(guān)注。2023年1月，原YOLOv5的開發(fā)團(tuán)隊(duì)推出了最新版本YOLOv8，提供了n、s、m、1、x5種規(guī)格。YOLOv8繼承并擴(kuò)展了前代模型的特性，展現(xiàn)了優(yōu)異的性能，尤其在火焰圖像目標(biāo)檢測(cè)方面表現(xiàn)突出。

YOLOv8由backbone、neck和head這3部分組成，其結(jié)構(gòu)如圖1所示。backbone部分包括Conv、C2f和SPPF模塊，旨在擴(kuò)展網(wǎng)絡(luò)的深度和感受野，實(shí)現(xiàn)局部與全局特征的融合。neck部分由C2f、Concat和Upsample模塊組成，通過路徑聚合網(wǎng)絡(luò)和C2f模塊，整合不同尺度的特征圖，促進(jìn)信息的垂直融合。head部分采用了解耦結(jié)構(gòu)，將分類和定位預(yù)測(cè)分開處理，有助于解決二者之間的沖突。與之前的版本相比，YOLOv8在目標(biāo)檢測(cè)、跟蹤和分割等任務(wù)中表現(xiàn)更加出色。

2 改進(jìn)YOLOv8模型

本文基于YOLOv8算法模型，提出了一種輕量化的YOLOv8火焰類別檢測(cè)模型。該模型的改進(jìn)主要體現(xiàn)在4個(gè)方面：a.為了解決模型參數(shù)量過大的問題，引進(jìn)了GhostNet[12]網(wǎng)絡(luò)中的GhostConv模塊替換網(wǎng)絡(luò)中backbone層里的Conv模塊；b.改進(jìn)C2f模塊為C2f_RepGhost，GhostConv和C2f_RepGhost都采用了重參數(shù)技術(shù)，可以有效降低模型的計(jì)算量；c.為確保模型的檢測(cè)精度，在neck和head部分添加卷積塊注意力模塊（convolutional block attention module，CBAM）[13]注意力機(jī)制；d.為了提高模型的回歸性能，采用WIoU（wiseintersectionoverunion）替代原始的CIoU（complete intersectionoverunion），提高模型的收斂能力。改進(jìn)后的結(jié)構(gòu)如圖2所示。

2.1 GhostConv模塊

GhostNet是華為諾亞方舟實(shí)驗(yàn)室設(shè)計(jì)的一種輕量級(jí)網(wǎng)絡(luò)，它可以使原有卷積輸出特征圖的尺寸以及通道的大小保持不變，同時(shí)還能降低模型的計(jì)算量和參數(shù)量。在實(shí)際的操作中，輸人圖像數(shù)據(jù) X∈R^h×w×c ，其中 c 為輸入通道數(shù)， h 、 w 分別為圖片的高度和寬度；輸出圖像數(shù)據(jù) Y∈R^h'×w'×n n 為輸出通道數(shù)， h^' 和w為圖片的高度和寬度；卷積核大小為 k×k ；線性操作的核大小為 d×d 。將輸

入圖像數(shù)據(jù)分為s份，則：

傳統(tǒng)卷積層的參數(shù)量為

Ghost模塊的參數(shù)量為

此時(shí)壓縮比為

用Ghost模塊升級(jí)普通卷積的理論加速比為

因此，GhostConv作為GhostNet網(wǎng)絡(luò)中的一個(gè)卷積模塊，與普通的卷積相比，有效地提高了模型的效率和性能。

2.2 C2f模塊輕量化

RepGhost模塊是一種輕量級(jí)的網(wǎng)絡(luò)結(jié)構(gòu)，能夠在減少計(jì)算資源消耗的同時(shí)保持模型性能[14]

YOLOv8網(wǎng)絡(luò)中使用的C2f模塊能夠?qū)⒌图?jí)和高級(jí)特征圖融合，從而提升檢測(cè)的準(zhǔn)確性和魯棒性。然而，這一特性也增加了模型的計(jì)算復(fù)雜度，導(dǎo)致訓(xùn)練和推理時(shí)間延長(zhǎng)。為了解決這一問題并提高模型效率，將C2f模塊與RepGhost模塊集成，形成了C2f_RepGhost混合模塊。該模塊在保留火焰圖像多尺度特征融合的同時(shí)，顯著降低了計(jì)算負(fù)載，通過引人RepGhost模塊，C2f_RepGhost模塊有效提升了推理和檢測(cè)速度。

2.3 CBAM注意力機(jī)制

火焰狀態(tài)識(shí)別屬于細(xì)粒度識(shí)別問題[15]，通過添加注意力機(jī)制，可以讓模型更快地找到火焰圖像中重要的區(qū)域，提高圖像分類速度。注意力機(jī)制旨在模仿人類視覺感知[，專注于關(guān)鍵特征同時(shí)抑制非必要特征。CBAM代表一種輕量級(jí)的卷積注意力模塊，將其整合到卷積神經(jīng)網(wǎng)絡(luò)中，可以顯著提升模型性能。CBAM引入的額外參數(shù)和計(jì)算需求極小，使其適合嵌入到大多數(shù)卷積網(wǎng)絡(luò)中。

火焰圖像特征圖在不同維度上攜帶不同信息：通道維度提供了火焰的顏色信息、熱輻射等，而空間維度則提供了火焰的形狀輪廓、尺寸面積、紋理特征等。CBAM整合了通道注意力模塊（channelattentionmodule，CAM）和空間注意力模塊（spatialattentionmodule，SAM），這兩個(gè)子模塊以串行方式組合，依次在通道維度和空間維度上生成注意力特征圖。CBAM利用通道間的特征關(guān)系來(lái)創(chuàng)建通道注意圖，然后與空間注意力相連，產(chǎn)生最具信息量的特征圖。

2.4 損失函數(shù)

在YOLOv8中，傳統(tǒng)的邊界框回歸損失函數(shù)被CIoUloss替代，以解決無(wú)法有效區(qū)分不同回歸情況的問題。CIoUloss是一種先進(jìn)的損失函數(shù)，它不僅考慮邊界框之間的重疊區(qū)域（即交并比），還包括邊界框中心的距離和長(zhǎng)寬比的匹配程度[17]。

然而，CIoUloss仍有局限性，它在處理高度重疊或相交的邊界框時(shí)效果不佳，且在優(yōu)化過程中對(duì)邊界框的尺寸和形狀變化敏感。為此，本文采用了WIoU損失函數(shù)，其核心理念是在計(jì)算交并比時(shí)引入加權(quán)機(jī)制，以更好地反映邊界框之間的相對(duì)位置、尺寸和形狀差異[18]。這種方法的基本原則是，通過對(duì)邊界框的不同區(qū)域和特征賦予不同的權(quán)重，提高回歸損失的敏感性和準(zhǔn)確性。

WIoU回歸損失函數(shù)根據(jù)離群度動(dòng)態(tài)調(diào)整錨框的梯度增益，旨在訓(xùn)練過程中最大化錨框的梯度增益。通過使用WIoU，降低了高質(zhì)量錨框的競(jìng)爭(zhēng)性，同時(shí)也減少了由低質(zhì)量示例產(chǎn)生的有害梯度。這種對(duì)平均質(zhì)量錨框的關(guān)注轉(zhuǎn)移提高了檢測(cè)器的整體性能。

3 實(shí)驗(yàn)設(shè)計(jì)與結(jié)果分析

3.1 數(shù)據(jù)集建立

實(shí)驗(yàn)的圖片數(shù)據(jù)均來(lái)自理工大學(xué)低氣壓燃?xì)馊紵龣C(jī)理實(shí)驗(yàn)臺(tái)。以最典型的高原城市拉薩為例，海拔 3650m ，大氣壓約為 65kPa 。為模擬其低氣壓環(huán)境，用真空泵和變頻器將低壓燃燒室的氣壓抽到并維持在 65kPa 左右，實(shí)驗(yàn)裝置和實(shí)驗(yàn)系統(tǒng)示意圖如圖3所示。將氧氣、氮?dú)庀韧ǖ交鞖夤拗谢旌暇鶆颍賹⒒旌虾蟮臍怏w同甲烷按照不同的當(dāng)量比送進(jìn)燃燒室，使用電子點(diǎn)火裝置點(diǎn)火，并用工業(yè)CCD相機(jī)采集不同當(dāng)量比的燃?xì)饣鹧嬖诘蜌鈮籂顟B(tài)下的圖像，包括預(yù)混穩(wěn)定火焰、擴(kuò)散穩(wěn)定火焰、預(yù)混不穩(wěn)定火焰和擴(kuò)散不穩(wěn)定火焰這4種狀態(tài)。

將采集到的視頻轉(zhuǎn)換成png圖片。為了增加數(shù)據(jù)集的多樣性和提高模型的泛化能力，對(duì)圖片進(jìn)行數(shù)據(jù)增強(qiáng)操作，包括隨機(jī)調(diào)整圖片的亮度和飽和度、進(jìn)行圖片鏡像以及添加隨機(jī)的高斯噪聲。最后得到共8140張圖片數(shù)據(jù)，對(duì)圖片進(jìn)行數(shù)據(jù)標(biāo)注，并按照訓(xùn)練集：測(cè)試集為 8：2 進(jìn)行分配，其中訓(xùn)練集共6512張，測(cè)試集共1628張。

3.2 實(shí)驗(yàn)環(huán)境及參數(shù)配置

本次實(shí)驗(yàn)基于64位Windows11操作系統(tǒng)，采用PyTorch2.0.0，CUDA11.7，Python3.9.16作為實(shí)驗(yàn)環(huán)境。所用計(jì)算機(jī)硬件參數(shù)：CPU為Intel（R）Core（TM）i5-12490F；內(nèi)存為32G；GPU為NVIDIAGeForceRTX2080Ti；顯存為 22G 。epoch為200輪，有助于模型更好地?cái)M合數(shù)據(jù)；批大小為16；優(yōu)化器選擇經(jīng)典的SGD；初始和最終學(xué)習(xí)率分別設(shè)置為0.001和0.01，以提高收斂過程的穩(wěn)定性；Mixup設(shè)置為0.2；Degrees設(shè)置為5，以增加數(shù)據(jù)的多樣性，提高模型的泛化能力及魯棒性。

3.3 評(píng)價(jià)指標(biāo)

為了直觀地體現(xiàn)模型改進(jìn)后性能的提升效果，本文采用以下指標(biāo)對(duì)模型進(jìn)行整體性能評(píng)價(jià)：準(zhǔn)確率 P 用來(lái)評(píng)估預(yù)測(cè)的準(zhǔn)確度；召回率R 用來(lái)評(píng)估找到正確樣本的能力；平均精度均值（mean average precision， mAP）M_AP 是所有類別預(yù)測(cè)精準(zhǔn)度的平均值；模型參數(shù)量 p 指模型中參數(shù)的數(shù)量；總浮點(diǎn)運(yùn)算量 q 用來(lái)衡量模型的復(fù)雜度；幀率 ν 指模型每秒鐘能處理的圖像數(shù)量；準(zhǔn)確率和召回率的調(diào)和平均數(shù)用 F₁ 表示。 P 、 R 及F₁ 的計(jì)算公式為

式中： T_P 為預(yù)測(cè)正確的正樣本個(gè)數(shù)； F_P 為錯(cuò)誤地將負(fù)樣本預(yù)測(cè)為正樣本的樣本個(gè)數(shù)； F_N 為錯(cuò)誤地將正樣本預(yù)測(cè)為負(fù)樣本的樣本個(gè)數(shù)。

通過 P -R（precision-recall）曲線做積分得到平均精度 A ，再對(duì)所有的 A 求平均得到 M_AP ，其值越高

說(shuō)明模型檢測(cè)效果越好，公式如下：

式中， m 為所有類別數(shù)。

本實(shí)驗(yàn)通過分析平均精度均值、模型參數(shù)量、總浮點(diǎn)運(yùn)算量、模型大小以及檢測(cè)視頻中火焰目標(biāo)的檢測(cè)速度，說(shuō)明改進(jìn)模型的效果

3.4 實(shí)驗(yàn)結(jié)果

3.4.1對(duì)比實(shí)驗(yàn)

在對(duì)本文改進(jìn)模型與YOLOv8n模型進(jìn)行訓(xùn)練時(shí)，兩者的超參數(shù)設(shè)置保持一致。對(duì)兩模型的迭代過程中 F₁ 進(jìn)行了比較，圖4為兩種模型在200輪訓(xùn)練中 F₁ 的變化折線圖。由于本文改進(jìn)模型缺少預(yù)訓(xùn)練權(quán)重，在最初的30輪訓(xùn)練中，其F₁ 與YOLOv8n的相當(dāng)。在 30～50 輪訓(xùn)練期間，兩模型的 F₁ 波動(dòng)明顯，本文改進(jìn)模型的 F₁ 高于YOLOv8n的。經(jīng)過50輪后，模型趨于穩(wěn)定，本文改進(jìn)模型的 F₁ 持續(xù)超過YOLOv8n的。

表1為本文改進(jìn)模型與YOLOv8n在準(zhǔn)確率、召回率及其他參數(shù)上的比較。從中可看出，本文改進(jìn)模型比YOLOv8n模型的準(zhǔn)確率提高了21.2% ，召回率提高了 7.4% ， M_AP@50 提高了 0.5% 。M_AP@50 是在交并比閾值為0.5時(shí)，計(jì)算得出的M_AP 。具體而言，當(dāng)預(yù)測(cè)邊界框與真實(shí)邊界框的交并比 Igtrsim0.5 時(shí)，視為有效預(yù)測(cè)。依此標(biāo)準(zhǔn)計(jì)算出各類別的 A 后，取其平均值得到 M_AP@50 。這些比較結(jié)果證明，本文改進(jìn)模型在檢測(cè)準(zhǔn)確性上優(yōu)于YOLOv8n。此外，經(jīng)過輕量化改進(jìn)后，本文改進(jìn)模型的參數(shù)量顯著減少，總浮點(diǎn)運(yùn)算量減少了12.2% ，模型參數(shù)量減少了 12.64% ，因此，本文改進(jìn)模型的輕量化效果顯著。

為了進(jìn)一步評(píng)估改進(jìn)模型的性能，采用Grad-CAM^[19] 技術(shù)對(duì)比分析了YOLOv8n與本文模型的注意力機(jī)制，結(jié)果如圖5所示。圖中紅色區(qū)域?yàn)槟Ｐ驮跈z測(cè)過程中的注意力集中情況。通過對(duì)比原始YOLOv8模型與添加了CBAM注意力機(jī)制模型的熱力圖，明顯可以看出，添加CBAM注意力機(jī)制后，模型的注意力集中區(qū)域更接近于火焰的輪廓，捕捉火焰特征更加準(zhǔn)確，熱力區(qū)域更加集中和清晰。結(jié)果表明，添加CBAM注意力機(jī)制能夠顯著提升模型在低氣壓條件下的火焰檢測(cè)表現(xiàn)

采用測(cè)試集火焰數(shù)據(jù)進(jìn)行預(yù)測(cè)，預(yù)測(cè)結(jié)果表明改進(jìn)模型表現(xiàn)出色：能夠準(zhǔn)確識(shí)別和分類火焰，同時(shí)還具有較高的置信度和精確的定位能力。部分預(yù)測(cè)結(jié)果如圖6所示，

為了驗(yàn)證文本改進(jìn)模塊的有效性，在確保各超參數(shù)設(shè)置相同的情況下，進(jìn)行了與其他YOLO模型的對(duì)比實(shí)驗(yàn)，結(jié)果如表2所示。與YOLOv5m、YOLOv51、YOLOv7模型相比，在輕量化方面有很大的優(yōu)勢(shì)，并且在檢測(cè)準(zhǔn)確率上分別提高了3.8% 、 8.5% 和 8.4% 、在檢測(cè)速度上分別提升了45、12和 56f/s ；與YOLOv7-tiny和YOLOv8s模型相比，模型參數(shù)量分別下降了 56.4% 和 15.3% ，總浮點(diǎn)運(yùn)算量分別降低了 45.5% 和 12.2% ，在檢測(cè)準(zhǔn)確率方面分別提高了 10.5% 和 9.1% ，檢測(cè)幀率分別提高了 47f/s 和 17f/s ，但是 R 、 F₁"和 M_AP"有一定的降低。從總體效果來(lái)看，相比于其他模型，本文提出的改進(jìn)模型在輕量化和檢測(cè)速率上有明顯的提升，在不降低檢測(cè)精度的同時(shí)減少了一定的參數(shù)量和計(jì)算量，降低了對(duì)內(nèi)存資源的消耗。

3.4.2消融實(shí)驗(yàn)

為證明本文添加的模塊對(duì)模型性能的提升，設(shè)計(jì)并開展了消融實(shí)驗(yàn)。用M1表示GhostConv模塊、M2表示GhostConv+C2f_RepGhost模塊、M3表示GhostConv+C2f_RepGhost+CBAM模塊、M4表示GhostConv + C2f_RepGhost+CBAM+WIoU模塊；實(shí)驗(yàn)結(jié)果如表3所示。

增加GhostConv模塊后，模型的準(zhǔn)確率提升了 20.1% ， F₁ 提升了 6.2% ，同時(shí)模型的總浮點(diǎn)運(yùn)算量下降了 2.43% ，說(shuō)明該操作對(duì)模型輕量化起到了一定的作用；召回率下降了 7.3% ，平均精度均值下降了 0.3% ，這說(shuō)明了GhostConv雖然減少了運(yùn)算量，但是會(huì)導(dǎo)致模型捕捉到的特征信息減少，使模型錯(cuò)過一些正樣本，從而使模型的召回率和平均精度均值有所下降。增加C2f_RepGhost后，模型的召回率提升了 2.9% ，但準(zhǔn)確率比原模型下降了 1.2% ，平均精度均值下降了 7.37% ，模型參數(shù)量下降了 11.5% ，總浮點(diǎn)運(yùn)算量下降了12.2% ，這說(shuō)明了該模塊對(duì)降低模型總浮點(diǎn)運(yùn)算量有很大的幫助，但是卻丟失了對(duì)火焰細(xì)粒度特征的捕捉能力，導(dǎo)致模型檢測(cè)性能的下降。添加CBAM注意力機(jī)制后，模型的準(zhǔn)確率相比添加C2f_RepGhost模塊提升了 21.1% ，同時(shí) F₁ 和平均精度均值分別提升了 3.1% 和 8.27% ，說(shuō)明添加了CBAM模塊后，模型關(guān)注到了火焰圖像的細(xì)粒度特征，并成功將這些特征進(jìn)行了提取。更換損失函數(shù)為WIoU后，整體準(zhǔn)確率提高了 10.5% ，平均精度提高了 5.3% ，說(shuō)明WIoU有助于提高模型的檢測(cè)精度。

圖7和圖8給出了不同損失函數(shù)的平均精度均值和評(píng)估指標(biāo)。從圖7和圖8可知，與其他損失函數(shù)[20-22]相比，WIoU在準(zhǔn)確率、平均精度均值和F1上均占優(yōu)勢(shì)。

4結(jié)論

本文提出了一種改進(jìn)的YOLOv8n火焰狀態(tài)檢測(cè)方法，針對(duì)高原環(huán)境下的低氣壓燃?xì)饣鹧孢M(jìn)行優(yōu)化。通過將原模型的backbone部分中的Conv模塊和C2f模塊分別替換為GhostConv和C2f_RepGhost模塊，我們實(shí)現(xiàn)了模型的顯著輕量化。此外，引入CBAM注意力機(jī)制進(jìn)一步提升了模型對(duì)火焰細(xì)粒度特征的捕捉能力，使其在識(shí)別火焰特征時(shí)更加高效。改進(jìn)的損失函數(shù)通過引入WIoU，使模型能夠更加關(guān)注關(guān)鍵火焰特征，顯著提高了對(duì)火焰與背景的區(qū)分能力，從而提升了模型的魯棒性和準(zhǔn)確性。

實(shí)驗(yàn)結(jié)果表明，改進(jìn)后的YOLOv8n模型在輕量化和準(zhǔn)確率提升方面表現(xiàn)優(yōu)異。具體而言，總浮點(diǎn)運(yùn)算量減少了 12.2% ，模型參數(shù)量減少了12.64% ，準(zhǔn)確率提升了 21.2% ，召回率提升了7.4% 。這些改進(jìn)使得模型能夠有效減少在高原環(huán)境、低氣壓條件下計(jì)算資源的消耗，同時(shí)提供了一種燃?xì)饣鹧鏍顟B(tài)識(shí)別的智能檢測(cè)解決方案，可確保對(duì)燃?xì)馊紵^程的安全監(jiān)控，

然而，本研究也存在一定的局限性。首先，改進(jìn)模型主要在特定的低氣壓火焰檢測(cè)任務(wù)中進(jìn)行了驗(yàn)證，其在其他環(huán)境條件下的表現(xiàn)仍需進(jìn)一步評(píng)估。其次，雖然模型在準(zhǔn)確率和魯棒性上有所提升，但對(duì)于極端火焰特征的檢測(cè)能力仍需進(jìn)一步優(yōu)化。未來(lái)的研究可以考慮擴(kuò)展模型在不同環(huán)境條件下的適用性，探索更多有效的特征提取技術(shù)，并結(jié)合實(shí)時(shí)處理需求，以進(jìn)一步提升火焰檢測(cè)系統(tǒng)的整體性能和適應(yīng)性。

參考文獻(xiàn)：

[1] ZHOUY，HUANGXM，PENG SN，etal.Comparative study on the combustion characteristics of an atmospheric induction stove in the plateau and plain regions of China[J]. Applied Thermal Engineering，2017，111：301-307.

[2]XIE K，CUI Y J，QIU X Q，et al.Combustion characteristics of horizontal diesel spray burner in lowpressure chamber based on multivariate correlation analysis[J]. Complexity，2019，2019（1）： 9421986.

[3]XIEK，CUI Y J，QIU X Q，et al.Experimental investigation on horizontal jet spray flame characteristics witha constant air-fuel ratio in different sub-atmospheric pressures[J].Applied Thermal Engineering，2020，165： 114555.

[4]徐偉勇，余岳峰，張銀橋，等.采用傳像光纖和數(shù)字圖像 處理技術(shù)檢測(cè)燃燒火焰[J].動(dòng)力工程，1999，19（1）： 45-48，79.

[5]白衛(wèi)東，嚴(yán)建華，馬增益，等.基于支持向量機(jī)的火焰狀 態(tài)識(shí)別方法[J].動(dòng)力工程，2004，24（4）：548-551.

[6]RONQUILLO-LOMELI G，GARCIA-MORENO A I.A machine learning-based approach for flames classification in industrial Heavy Oil-Fire Boilers[J].Expert Systems with Applications，2024，238： 122188.

[7]GANGOPADHYAY T， TAN S Y，LOCURTO A，et al. Interpretable deep learning for monitoring combustion instability[J].IFAC-PapersOnLine，2020，53（2）：832-837.

[8]ZHAOHY，JINJ，LIUY，etal.FSDF：ahigh-performance firedetectionframework[J].ExpertSystemswith Applications，2024，238：121665.

[9]YARH，KHANZA，ULLAHFUM，etal.A modified YOLOv5 architecture for efficient fire detection in smart cities[J].Expert Systemswith Applications，2023，231： 120465.

10]王冠博，趙一帆，李波，等.改進(jìn)YOLOv4-tiny 的火焰實(shí) 時(shí)檢測(cè)[J].計(jì)算機(jī)工程與科學(xué)，2022，44（12）：2196-2205.

11] 陳露萌、曹彥彥、黃民，等.基于改進(jìn)YOLOv5的火焰檢 測(cè)方法[J].計(jì)算機(jī)工程，2023，49（8）：291-301，309.

[12]HAN K， WANG Y H， TIAN Q， et al.GhostNet： more features from cheap operations[C]//Proceedings of 2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition.Seattle：IEEE，2020：1580-1589.

[13]WOOS，PARKJ，LEEJY，etal.CBAM：convolutional block attention module[C]//Proceedings of the15th European Conference on ComputerVision. Munich： Springer，2018：3-19.

[14]CHEN C P， GUO ZC， ZENG H E， et al. RepGhost：a hardware-efficient ghost module via reparameterization[EB/OL].[2024-07-31]. https：//doi.org/ 10.48550/arXiv.2211.06088.

[15]WEI X S， SONG Y Z， MAC AODHA O， et al. Finegrained image analysis with deep learning： a survey[J] IEEE Transactions on Pattern Analysis and Machine Intelligence，2022，44（12）： 8927-8948.

[16]胡丹丹，張忠婷，牛國(guó)臣.融合CBAM注意力機(jī)制與可變 形卷積的車道線檢測(cè)[J].北京航空航天大學(xué)學(xué)報(bào)，2024， 50（7）： 2150-2160.

[17] ZHENG Z H， WANG P， REN D W， et al. Enhancing geometric factors in model learning and inference for object detection and instance segmentation[J]. IEEE Transactions on Cybernetics， 2022， 52（8）： 8574-8586.

[18] TONG Z J，CHEN Y H，XU Z W，et al. Wise-IoU： bounding box regression loss with dynamic focusing mechanism[EB/OL]. [2023-08-08]. https：//doi.org/ 10.48550/arXiv.2301.10051.

[19]SELVARAJURR， COGSWELL M，DASA，etal.GradCAM： visual explanations from deep networksvia gradient-based localization[C]//Proceedings of 2017 IEEE International Conference on Computer Vision. Venice： IEEE，2017：618-626.

[20]ZHANG YF，REN W Q，ZHANG Z，et al.Focal and efficient IOU loss for accurate bounding box regression[J]. Neurocomputing，2022， 506：146-157.

[21] GEVORGYAN Z. SIoU loss： more powerful learning for bounding box regression[EB/OL]. [2022-05-25]. https：// doi.org/10.48550/arXiv.2205.12740.

[22]MASL，XUY.MPDIoU：alossforefficientand accurate bounding box regression[EB/OL]. [2023-07-14]. https：// doi.org/10.48550/arXiv.2307.07662.

（編輯：董偉）