PVFire-YOLO：面向光伏电站的早期火灾实时检测框架

《Scientific Reports》：Real time small target fire detection in photovoltaic plants using attention enhanced multiscale fusion

　　光伏（PV）电站集中了大量易燃聚合物和易产生电弧的电气组件，因此早期火灾检测是一项关乎安全的状态监测任务。然而，初起火灾表现为体积小、对比度弱的烟雾或火焰，同时光伏组件表面的镜面反射会产生类似火灾的视觉特征，这些因素共同降低了常规检测器的性能。我们将此问题视为一个应用计算智能问题，并提出了PVFire-YOLO，一种实时神经检测框架。一个分块感知的并行注意力模块增强弱小的目标响应，以抵抗反射背景；一个“收集-分发”颈部结构在四个特征金字塔层级之间进行智能信息融合，以弥合传统颈部结构的语义鸿沟；一个四尺度自适应空间特征融合头部学习逐像素尺度权重，并为亚100像素目标增加高分辨率分支。为支持训练和评估，我们构建了PV-Fire，这是首个具有光伏特定背景分布的带标注火焰和烟雾语料库。与十四个基线检测器相比，PVFire-YOLO在PV-Fire上取得了87.4%的平均精度（IoU=0.5），在公开D-Fire基准上取得了84.4%的平均精度，将小目标平均精度相较于基线提升了5.2个百分点，并在更高召回率下将反射引起的误报率降至3.1%。该模型在桌面显卡和嵌入式边缘设备上分别以79帧/秒和21帧/秒的速度运行，支持实时部署。