基于YOLOv8的高压结构红外辐射干扰抑制与亚像素火情检测研究

针对高压输电结构在长波红外(LWIR)成像中引发的火情误报问题，研究人员采用YOLOv8模型开发了AFAS数据集驱动的检测系统。通过ECDF统计分析和KS检验验证，模型在mAP@50达0.784的同时，将2像素距离火源的能量遮蔽概率控制在7%以下，为复杂地形下的早期火灾精准识别提供了新范式。

　　

在森林火灾防控领域，高压输电线路和铁塔等结构在极端天气下产生的异常热辐射，常被热成像相机误判为早期火情。这类误报在千米级监测距离的亚像素场景中尤为突出——当真实火场仅占据3m²时，其在1600米外的热成像中温度信号可能比环境低9.42°C。传统基于阈值或光谱特征的方法难以区分这类结构性热源与真实火情，导致应急资源浪费和响应延迟。

针对这一技术瓶颈，西班牙政府资助的研究团队在《Engineering Applications of Artificial Intelligence》发表创新成果。该研究首次系统论证了高压结构作为误报源的显著性，构建了包含1477幅LWIR/NIR图像的AFAS数据集，涵盖山地、峡谷等复杂地形。采用改进CSPDarknet53架构的YOLOv8模型，通过原型掩模(Proto module)和自适应直方图均衡化(CLAHE)预处理，实现了对电力设施0.807 AP的精准分割。

关键技术包括：1) 基于二维高斯分布的合成火情生成算法模拟亚像素热异常；2) 两样本KS检验量化模型在热扰动下的稳定性；3) 能量保留率指标P(M≥0.5)评估火源遮蔽风险；4) 跨数据集验证涵盖FLIR Tau 2等多源热成像设备。

研究结果显示：在置信度分析方面，ECDF曲线揭示当检测置信度>0.7时，81%的预测掩模与真实标注IoU>0.5，显示模型高置信预测的可靠性。鲁棒性测试中，KS检验的D值在置信度阈值0.16-0.9区间保持<0.2，证明合成火情引入未显著改变模型输出分布(p>0.05)。最具突破性的是能量保留评估——当真实火源距电力设施仅2-4像素时，模型误遮蔽概率分别为7%、4%、3%，且对20%-80%强度范围的合成火情表现一致。

该研究创新性地将计算机视觉与热成像技术结合，解决了高景深场景下的多源红外干扰难题。提出的ECDF-KS-能量保留三级评估体系，为后续研究提供了可量化的模型性能基准。实际应用中，该技术可集成至自主移动监测系统，在保持对500米外3m²火场敏感度的同时，有效规避电网设施引发的误报。未来方向包括扩展城市环境样本库，以及开发基于注意力机制的多光谱融合架构以进一步提升泛化能力。