基于YOLOv8s改进的轻量化火灾检测算法FB-YOLOv8s：提升精度与效率的跨场景解决方案

本文推荐研究人员针对传统火灾检测算法精度低、漏检率高和小目标检测率不足等问题，创新性地提出FB-YOLOv8s模型。通过融合FasterNet Block模块构建C2f_FB结构降低参数量，引入BiFPN增强特征融合能力，并采用WIoUv3损失函数优化训练过程。实验表明，该模型mAP0.5 提升2.0%，参数量减少25.23%，为复杂场景下的火灾预警提供了高效解决方案。

　　

火灾是人类文明的重要成就，但失控的火灾却会威胁生命财产安全。传统火灾检测依赖温度、烟雾传感器，存在成本高、覆盖范围有限等问题。随着计算机视觉和深度学习技术的发展，基于目标检测算法的火灾识别展现出精度高、抗干扰强和实时性好等优势。然而，现有算法仍面临小目标漏检、模型复杂度高和低质量样本干扰等挑战。

为解决这些问题，研究人员开展了基于YOLOv8s改进的火灾检测算法研究。通过融合FasterNet Block模块构建C2f_FB结构，模型参数量显著降低；引入双向特征金字塔网络BiFPN替代原PANet，增强了多尺度特征融合能力；采用动态非单调机制的WIoUv3损失函数，有效抑制了低质量样本的有害梯度。实验结果表明，改进后的FB-YOLOv8s模型在保持轻量化的同时，检测性能显著提升。

关键技术方法包括：1）构建C2f_FB模块，将FasterNet的PConv（部分卷积）操作引入YOLOv8s的C2f结构；2）设计BiFPN网络实现跨尺度特征融合；3）采用WIoUv3损失函数的动态梯度分配机制。实验使用2193张火灾图像，按8:1:1划分训练集、验证集和测试集。

研究结果显示：
1）模型轻量化：通过C2f_FB模块将模型参数量从11.1M降至8.3M，减少25.23%；
2）性能提升：相比原YOLOv8s，mAP_0.5
提高2.0%至83.2%，F1分数提升4%；
3）多模型对比：在相同数据集上，FB-YOLOv8s的mAP_0.5
显著优于YOLOv3（77.5%）、YOLOv9（80.8%）等主流模型；
4）小目标检测：可视化结果表明，改进模型能更准确识别小尺寸火焰目标。

这项研究通过算法创新实现了火灾检测精度与效率的平衡。C2f_FB模块和BiFPN的结构设计为轻量化目标检测提供了新思路，WIoUv3的动态梯度机制对处理低质量样本具有普适意义。未来可通过扩大数据集和优化网络结构进一步提升模型泛化能力，为智能安防、森林防火等领域提供技术支持。论文发表在《Cognitive Robotics》，为计算机视觉在公共安全领域的应用提供了重要参考。