基于YOLOv8的火灾烟雾检测算法研究

早期火灾预警为人类的生命财产安全提供有效保障,为了提高算法在复杂场景中对小火焰和烟雾的检测性能,对v8版本的YOLO算法进行改进,设计了一种轻量型的Fire-YOLOv8火灾检测网络。该网络在YOLOv8的基础上增加一个更小的目标检测层,并使用Focus层对输入图像进行切片操作,解决微小火焰检测的难题。在网络优化中,特征提取选用轻量级的BottleneckCSP模块,使用样本数据集进行迁移学习,更新网络参数,能够有效区分火焰、烟雾等干扰信息。实验结果表明:预训练生成的Fire-YOLOv8n火灾检测模型的精确率达到97.1%,mAP@0.5达到95.7%,检测速度达到192 FPS,模型大小仅为8.4 MB,综合性能得到明显提升,可以很好地满足嵌入式设备实时检测的应用需求。