编辑推荐：
飞机货舱火灾是航空火灾中的重要类型，对飞行安全构成严重威胁。现有飞机货舱配备的感烟式火灾探测器依赖感知烟雾透光率变化来判断火情，但存在识别精度较低且无法提供火灾直观视觉呈现的问题。本研究提出一种基于图像传感器和深度学习模型的火焰与烟雾识别方法。针对火焰与烟雾形
飞机货舱火灾是航空火灾中的重要类型，对飞行安全构成严重威胁。现有飞机货舱配备的感烟式火灾探测器依赖感知烟雾透光率变化来判断火情，但存在识别精度较低且无法提供火灾直观视觉呈现的问题。本研究提出一种基于图像传感器和深度学习模型的火焰与烟雾识别方法。针对火焰与烟雾形状不规则的特点，将改进的交互式三分支注意力机制（Improved Interactive Triplet Attention Mechanism, ITAM）集成至YOLOv5（You Only Look Once version 5）模型中，提升模型识别精度；用渐近特征金字塔网络（Asymptotic Feature Pyramid Network, AFPN）替换原始Neck结构，增强模型对小目标（火灾初期火焰与烟雾）的识别能力；引入Focaler-IoU损失函数平衡难易样本的特征学习，进一步提升识别准确率。由此得到的网络模型命名为IATF-YOLO。消融实验表明该算法使精度提升2%；与多种主流基线模型对比，本算法精度提升0.7%，最终峰值准确率达93.6%。
论文解读：基于IATF-YOLO模型的飞机货舱火灾深度学习方法研究
《Fire》期刊所刊载的本文针对航空器货舱火灾探测这一航空安全关键问题展开研究。目前民航运输机货舱普遍采用的点型感烟探测器（Smoke Detector）依赖烟雾对光束的遮挡率判定火情，易受货舱内粉尘、反光货物表面及舱内通风干扰导致误报与漏报；点型感温热探测器响应滞后，难以在低热释放速率的早期火灾阶段及时报警，且均无法提供现场可视信息。传统基于手工特征（颜色、纹理、形态）的图像火灾检测在货舱复杂光照、阴影及金属反光背景下泛化能力差。尽管通用YOLO系列目标检测模型具备自动特征提取优势，但未经针对飞机货舱封闭空间内火焰烟雾形态不规则、早期火情目标微小、背景干扰强烈等特点进行优化，直接部署难以满足适航条款FAR 25.858(a)对火警视觉报警及响应时间的要求。为此，研究人员以YOLOv5s为基线架构，通过引入改进交互式三分支注意力机制（ITAM）、渐近特征金字塔网络（AFPN）及Focaler-IoU损失函数构建IATF-YOLO模型，旨在提升货舱场景下火焰与烟雾的检测精度与早期小目标识别能力。
研究人员采用的关键技术方法如下：以公开火焰烟雾数据集（7200张）结合自建全尺寸空客A350货舱模拟舱火灾实验数据集（3868张，含不同光照、货物堆叠遮挡及灭火器类干扰物）构建共11068张图像的数据集，按8:1:1划分训练、验证与测试集，并按视频序列严格隔离自建模组防止数据泄漏。以YOLOv5s为基准骨干网络（Backbone含C3、SPPF结构），在Backbone末端嵌入改进交互式三分支注意力模块（ITAM，于原Triplet Attention基础上增加全局交互层与门控权重层实现通道—高度—宽度全维度协同建模及烟雾/火焰差异化特征加权）；将原始Neck中FPN+PAN结构替换为渐近特征金字塔网络（AFPN，采用自适应空间特征融合ASFF模块对不同层级特征分配空间权重）；边界框回归损失函数以Focaler-CIoU替代原生CIoU。模型在Ubuntu 22.04平台、NVIDIA RTX 3090（24GB显存）环境下基于PyTorch 2.1.0框架使用SGD优化器训练60 epoch（batch size=16，初始学习率0.01，动量0.937，权重衰减0.0005），输入尺寸640×640，开展消融实验与主流模型（Faster R-CNN、YOLOv4～YOLOv12s及已有改进火灾检测模型YOLOv5s-ACE、YOLOv9-CBM等）横向对比，评价指标为精确率（Precision）、召回率（Recall）及mAP@0.5。
研究结果
4.1. Experimental Environment and Dataset（实验环境与数据集）
研究人员使用公开数据集叠加自建全尺寸A350货舱模拟舱火灾图像构建混合数据集，自建模组按实验视频序列独立划分为训练集（2321张）、验证集（773张）、测试集（774张）。经过60轮迭代训练后，边界框回归损失收敛至0.033，目标置信度损失降至0.008，分类损失降至0.0008，证明改进算法训练收敛效果良好。
4.2. Evaluation Index（评价指标）
研究人员选用精确率（Precision）、召回率（Recall）及交并比阈值0.5下的均值平均精度（mAP@0.5）作为核心性能评估指标。
4.3. Ablation Experiments（消融实验）
研究人员以YOLOv5s为基线分别单独引入AFPN、ITAM、Focaler-IoU，mAP@0.5分别提升0.3%、0.8%、0.7%，其中ITAM贡献最大；两两组合均超93.0%；三者同时集成（IATF-YOLO）相较基线mAP@0.5提升2.0%。在纯航空场景测试集上IATF-YOLO取得mAP@0.5=93.3%、Precision=92.3%、Recall=90.5%，较基线提升3.5%，验证各改进模块有效性及航空场景适应性。
4.4. Comparative Analysis of Different Models（不同模型对比分析）
研究人员将IATF-YOLO与Faster R-CNN及YOLOv4～YOLOv12s系列及专门火灾改进模型对比，IATF-YOLO取得最高Precision=92.4%、Recall=90.8%、mAP@0.5=93.6%，优于所有对比模型（较次优YOLOv12s高0.9%，较YOLOv5s-ACE高0.7%）。参数量仅较YOLOv5s增加1.7 M、模型体积增加0.6 MB、计算量增加1.5 GFLOPs，推理速度达430 FPS，满足机载嵌入式设备实时性要求。可视化检测结果表明原YOLOv5s存在漏检，Faster R-CNN存在误报，YOLOv12s存在部分漏检，而IATF-YOLO可准确识别货舱内多点火焰目标。
4.5. Model Visualization Analysis（模型可视化分析）
研究人员采用梯度加权类激活映射（Gradient-weighted Class Activation Mapping, Grad-CAM）对模型进行热力图可视化，结果显示IATF-YOLO相比基线YOLO模型注意力区域更集中于火焰与烟雾本体区域，有效抑制背景干扰，证实ITAM与AFPN增强了模型对有效火灾语义特征的聚焦能力。
讨论与结论翻译
针对飞机货舱火灾场景复杂及高精可视化探测需求，研究人员提出改进的交互式三分支注意力机制（ITAM）以解决原三分支注意力机制（Triplet Attention Mechanism, TAM）在空间特征感知上的不足，并将其集成入YOLO模型；同时采用Focaler-IoU损失函数替代CIoU损失函数，引入AFPN结构替代常规FPN结构，进一步提高烟雾与火焰检测精度。实验结果表明，本文方法使烟雾与火焰识别精度提升2.0%，验证了该方法用于飞机货舱火灾检测的有效性。考虑到机载计算单元多为嵌入式边缘计算设备，未来研究将在保持检测精度的同时进一步降低模型参数量与计算复杂度以满足边缘端部署要求。
