CEVG-RTNet：复杂环境下森林火灾烟雾实时检测的鲁棒性架构创新研究

本文推荐CEVG-RTNet架构，其通过空间-通道先验感知卷积（SCPP-Conv）、分层残差特征对齐（HRFA）、动态递归特征增强（DRFE）及多边形交并比损失（PolyIoU Loss）等模块，显著提升复杂环境（低对比度、高透明度、背景干扰）下森林火灾烟雾检测的实时性（99.42 FPS）与精度（mAP@0.5达89%），适用于低功耗设备部署。

　　

Section snippets

Related work

近年来，森林火灾烟雾检测主要发展为三类方法：基于传感器的、传统机器学习的以及基于深度学习的方法。早期森林火灾监测依赖人工巡逻，但因效率低下已被传感器检测取代（Y. Wang, Wang, et al., 2024）。传感器方法依赖设备感知能力，例如Kizilkaya等人（Kizilkaya et al., 2022）结合多媒体和标量传感器构建系统，通过多模态数据融合提升监测可靠性。

Proposed methods

为解决复杂环境下现有烟雾检测方法的局限性——如低对比度、高透明度、不规则形状、背景干扰、边缘模糊及形态特征弱化——我们提出CEVG-RTNet，一种可部署于低功耗设备的高效森林火灾烟雾检测方法。图1展示了其整体架构。我们首先概述模型结构，随后描述其关键技术，包括空间-通道先验感知卷积（SCPP-Conv）、分层残差特征对齐（HRFA）、动态递归特征增强（DRFE）及多边形交并比损失（PolyIoU Loss）。SCPP-Conv通过空间与通道先验增强，提升对低对比度烟雾的形态感知；HRFA通过残差引导对齐和MLP聚合策略优化多尺度特征融合；DRFE采用递归通道自适应增强与跨通道注意力机制，强化动态区域检测；PolyIoU Loss则通过多几何信息建模提升复杂形态下的检测精度。

Experimental results

本节介绍实验平台与参数配置，随后说明所用数据集（包括自建与公共数据集的来源及特性），接着描述评估指标，并在自建数据集上对比CEVG-RTNet与不同家族的目标检测方法。为评估各核心组件（SCPP-Conv、HRFA、DRFE、PolyIoU），我们进行消融实验，并进一步将CEVG-RTNet与相关方法对比，突显其卓越性能。

Conclusion

本研究提出CEVG-RTNet，一种针对复杂环境的高效鲁棒实时森林火灾烟雾检测架构。烟雾检测面临低对比度、高透明度、不规则形态、杂乱背景、边缘模糊及特征不明显等挑战。为此，CEVG-RTNet集成多个模块：SCPP-Conv通过空间与通道先验信息增强空间定位与形态感知；HRFA通过残差引导对齐缓解特征误匹配；DRFE通过递归优化提升动态场景适应性；PolyIoU Loss则通过多几何建模优化检测精度。实验表明，该架构在精度（mAP@0.5达89%）、速度（99.42 FPS）及轻量化（3.04M参数）方面均表现优异，适用于复杂环境下的实时烟雾检测与低功耗设备部署。