基于改进注意力机制的高效火灾检测模型EFNet-CSM：面向实时资源受限设备的优化方案

本文推荐：研究者创新性地将EfficientNetV2B0（EFNet）作为主干特征提取器，结合改进的通道空间注意力机制（CSM），通过深度可分离卷积层优化计算复杂度，构建了高效火灾检测模型EFNet-CSM。实验表明该模型在四个基准数据集上具有更高准确率、更快推理速度（降低38%计算量），并采用梯度加权类激活映射（Grad-CAM）等可解释AI技术增强可视化，为资源受限设备提供了实时火灾监测解决方案。

　　 • 我们提出的EFNet-CSM模型创新融合通道注意力与深度可分离空间注意力机制，通过分析特征图间通道/空间关系精准定位火灾特征，这种"特征筛选-强化"策略显著提升检测效率，成为火灾监测领域的突破性进展。 • 传统7×7卷积层被两个3×3深度可分离卷积层替代，配合参数化修正线性单元（PReLu）激活函数，计算负担降低42%，使得模型能在树莓派等边缘设备流畅运行——就像给消防无人机装上了"AI火眼金睛"。 • 在包含阳光干扰、远距离火灾等挑战场景的四个数据集中，EFNet-CSM以89.7%平均准确率超越主流模型，推理速度达23帧/秒，相当于在火焰蔓延前0.04秒即可发出预警。 • 通过梯度类激活热力图（Grad-CAM）和导向反向传播（GBP）技术，模型决策过程变得透明可追溯——如同给神经网络配备了"显微镜"，能清晰展示它如何聚焦于火焰边缘和烟雾扩散特征。 尽管深度学习为火灾检测带来革新，现有方法仍难以应对阳光干扰、远距离火灾等复杂场景。EFNet-CSM通过轻量化设计在精度与效率间取得平衡，其模块化架构支持快速移植到监控摄像头、森林传感器等终端设备。未来研究可探索多光谱数据融合技术，就像为模型配备"红外视觉"，以进一步提升在极端环境下的鲁棒性。