《電子技術(shù)應(yīng)用》
您所在的位置：首頁 > 人工智能 > 设计应用 > 基于改进YOLOv12的无人机高速公路边坡起火检测算法研究
基于改进YOLOv12的无人机高速公路边坡起火检测算法研究
电子技术应用
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；2.北方工业大学；3.恒华数元科技（天津）有限公司
摘要： 针对无人机高速公路边坡火灾检测中存在的初期火苗漏检率高、复杂背景干扰显著以及边缘设备部署精度-实时性难以平衡等关键问题，基于改进YOLOv12框架提出一种轻量化可见光火灾检测算法。该算法通过实例分割技术精准提取边坡与道路区域以消除背景干扰，设计包含高分辨率P2层与多路径下采样机制的小目标增强特征金字塔（SOPAN）提升微小目标检测能力，并构建基于共享卷积的轻量检测头（LSCD）实现模型复杂度压缩。实验结果表明，在融合无人机巡检数据集上，所提模型以仅1.8M参数量达到92.5% mAP检测精度，较基准模型YOLOv12n参数量降低28.3%，为无人机端实时高精度火灾预警提供了高效解决方案。
中圖分類號：TP391.4 文獻(xiàn)標(biāo)志碼：A DOI: 10.16157/j.issn.0258-7998.257060
中文引用格式： 崔培強(qiáng)，羅夢琪，劉世達(dá)，等. 基于改進(jìn)YOLOv12的無人機(jī)高速公路邊坡起火檢測算法研究[J]. 電子技術(shù)應(yīng)用，2026，52(1)：14-20.
英文引用格式： Cui Peiqiang，Luo Mengqi，Liu Shida，et al. Research on UAV highway slope fire detection algorithm based on improved YOLOv12[J]. Application of Electronic Technique，2026，52(1)：14-20.
Research on UAV highway slope fire detection algorithm based on improved YOLOv12
Cui Peiqiang1，Luo Mengqi1，Liu Shida2，Ouyang Yibo1，Guo Jian1，Chen Shaokun3
1.Gezhouba Group Transportation Investment Co.， Ltd.；2.North China University of Technology；3.Henghua Digital Technology （Tianjin） Co.， Ltd.
Abstract： Aiming at the key problems of high missed detection rate of initial fire, significant interference of complex background and difficult balance between edge equipment deployment accuracy and real-time performance in UAV highway slope fire detection, this study proposes a lightweight visible light fire detection algorithm based on the improved YOLOv12 framework. The algorithm accurately extracts slope and road areas through instance segmentation technology to eliminate background interference. A small target enhancement feature pyramid ( SOPAN ) including high-resolution P2 layer and multi-path downsampling mechanism is designed to improve the detection ability of small targets, and a lightweight detection head ( LSCD ) based on shared convolution is constructed to achieve model complexity compression. The experimental results show that on the fusion UAV inspection data set, the proposed model achieves 92.5 % mAP detection accuracy with only 1.8M parameters, which is 28.3 % lower than the benchmark model YOLOv12n parameters. It provides an efficient solution for real-time and high-precision fire warning at the UAV side.
Key words : YOLOv12；small target enhancement feature pyramid；lightweight detection；slope fire detection

引言

隨著低空巡檢技術(shù)的不斷進(jìn)步，無人機(jī)在高速公路邊坡起火檢測領(lǐng)域逐漸嶄露頭角。近年來，眾多學(xué)者致力于開發(fā)基于無人機(jī)與人工智能的火災(zāi)檢測算法，以應(yīng)對傳統(tǒng)巡檢方式的低效與危險(xiǎn)[1-3]。無人機(jī)火災(zāi)檢測的早期研究中，多利用傳統(tǒng)圖像處理技術(shù)（如邊緣檢測、顏色分析等）對無人機(jī)采集的可見光圖像進(jìn)行火焰特征提取，但在復(fù)雜背景下，對小目標(biāo)火焰的檢測精度較低，且易受光照變化、煙霧等因素干擾，誤報(bào)率較高。當(dāng)前基于深度學(xué)習(xí)的火災(zāi)檢測算法主要依賴可見光圖像，但存在以下問題:小目標(biāo)檢測能力弱、火焰尺度變化大、在邊緣計(jì)算設(shè)備上的檢測精度不足[4-7]、復(fù)雜背景干擾、邊坡區(qū)域植被密集、光照變化劇烈、導(dǎo)致模型易將煙霧、云霧誤判為火焰。實(shí)時(shí)性與精度矛盾：輕量化模型在精度上難以滿足高精度需求，而復(fù)雜模型多采用多模態(tài)融合（如可見光+熱成像），但其硬件成本高、計(jì)算開銷大，難以在無人機(jī)端實(shí)現(xiàn)高效部署。因此，亟須一種輕量化、高精度的可見光火災(zāi)檢測算法，以適配無人機(jī)巡檢場景。隨著深度學(xué)習(xí)技術(shù)的發(fā)展，基于卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks,CNN）的火災(zāi)檢測算法逐漸興起[8-10]。YOLO系列作為目標(biāo)檢測領(lǐng)域的經(jīng)典算法因其實(shí)時(shí)性優(yōu)勢被廣泛應(yīng)用于無人機(jī)火災(zāi)檢測[11-14]。

前期基于YOLO的算法在檢測遠(yuǎn)距離小火焰時(shí)仍面臨諸多挑戰(zhàn)，如傳統(tǒng)YOLO模型在邊坡火災(zāi)監(jiān)測場景下，對初期火苗的檢測精度不足，且在邊緣計(jì)算設(shè)備上難以實(shí)現(xiàn)高精度檢測，同時(shí)復(fù)雜背景干擾易導(dǎo)致誤判[15-17]。為解決上述問題，部分研究開始探索多模態(tài)數(shù)據(jù)融合技術(shù)。例如將可見光與熱成像數(shù)據(jù)融合的火災(zāi)檢測方法[18]，利用熱成像對火焰溫度敏感的特性，提高檢測精度，但該方法存在硬件成本高、計(jì)算開銷大的問題，難以在無人機(jī)端高效部署。同時(shí)，也有研究嘗試引入注意力機(jī)制來增強(qiáng)模型對目標(biāo)區(qū)域的關(guān)注。比如在 YOLO 模型中添加注意力模塊[19-20]，對火焰檢測起到一定提升作用，但在復(fù)雜高速公路邊坡場景下，針對背景干擾及小目標(biāo)檢測的優(yōu)化仍有提升空間。綜上所述，現(xiàn)有無人機(jī)高速公路邊坡起火檢測算法存在小目標(biāo)檢測能力弱、復(fù)雜背景干擾下誤報(bào)率高以及在無人機(jī)端平衡實(shí)時(shí)性與精度困難等問題。鑒于此，本項(xiàng)研究的主要目標(biāo)在于對YOLOv12算法進(jìn)行優(yōu)化，通過引入針對小目標(biāo)的增強(qiáng)型特征金字塔結(jié)構(gòu)，并設(shè)計(jì)一個(gè)輕量級的檢測頭，旨在解決上述問題，并實(shí)現(xiàn)對無人機(jī)高速公路邊坡起火情況的高效與精確檢測。

針對上述問題，本文提出一種改進(jìn)YOLOv12的可見光火災(zāi)檢測算法，主要?jiǎng)?chuàng)新點(diǎn)包括：針對場景中的背景干擾問題，通過實(shí)例分割模型分割出邊坡和高速公路區(qū)域，減少背景干擾，提高目標(biāo)檢測的準(zhǔn)確性。設(shè)計(jì)了小目標(biāo)特征金字塔，引入小目標(biāo)特征層，并使用雙重的下采樣來進(jìn)行下采樣。成功提高了對初期火苗的檢驗(yàn)精度，在火焰初期就有較強(qiáng)的檢測能力。設(shè)計(jì)輕量化檢測頭，使得模型更加輕量，且保持優(yōu)秀的檢測效果。


本文詳細(xì)內(nèi)容請下載：

http://m.ihrv.cn/resource/share/2000006906


作者信息：

崔培強(qiáng)1，羅夢琪1，劉世達(dá)2，歐陽奕波1，郭建1，陳少坤3

（1.葛洲壩集團(tuán)交通投資有限公司， 湖北 武漢 430030；

2.北方工業(yè)大學(xué)， 北京100144；

3.恒華數(shù)元科技（天津）有限公司， 天津 300143）


subscribe.jpg

此內(nèi)容為AET網(wǎng)站原創(chuàng)，未經(jīng)授權(quán)禁止轉(zhuǎn)載。