《Fire》：TriRHC-YOLO: A Method for Early Forest Fire Detection in Complex Environments Based on UAV Images
编辑推荐：
针对基于无人机（Unmanned Aerial Vehicle, UAV）图像的早期森林火灾检测中存在的火点尺度小、边界模糊、背景复杂以及弱目标特征表示不足等问题，研究人员提出了一种基于YOLOv8n的森林火灾检测模型，称为TriRHC-YOLO。该模型首先在
针对基于无人机（Unmanned Aerial Vehicle, UAV）图像的早期森林火灾检测中存在的火点尺度小、边界模糊、背景复杂以及弱目标特征表示不足等问题，研究人员提出了一种基于YOLOv8n的森林火灾检测模型，称为TriRHC-YOLO。该模型首先在骨干网络中引入Reparameterized VGG（RepVGG）Block，以增强浅层局部特征的提取能力。随后，设计了一个层次特征注意力（Hierarchical Feature Attention, HFA）模块，从方向结构、局部纹理和全局语义三个层次协同建模火点特征，从而增强网络对火灾目标的判别能力，并抑制复杂森林背景的干扰。最后，设计了一个带有级联星形块（Cascade Star Block）的跨阶段部分特征融合（Cross Stage Partial Feature Fusion with Cascade Star Block, C2f-CStar）模块，通过级联空间特征重构和星形乘法门控机制，提高模型在复杂背景下对局部结构信息和弱显著火点特征的表示能力。此外，研究人员基于FLAME和FLAME_VISION数据集构建了一个面向UAV的早期森林火灾检测数据集，并在此数据集上进行了实验验证。实验结果表明，所提出的TriRHC-YOLO在召回率（Recall）、平均精度均值（mean Average Precision, mAP）@0.5和mAP@0.5:0.95上分别达到0.769、0.848和0.608，优于多种经典YOLO算法（包括YOLO11n、YOLO12和YOLO26）以及六种基于YOLO的先进改进模型。消融实验的结果进一步验证了所设计三个模块的有效性。此外，该模型仅包含3.181 M参数，帧率（Frames Per Second, FPS）达到168.251，展现出良好的实时检测能力。总体而言，所提出的方法能有效提高复杂森林背景下早期弱火目标的检测精度和背景抑制能力，适用于基于UAV的实时森林火灾巡检任务。
**论文解读**
**研究背景与问题**
森林火灾是威胁森林生态系统稳定性和区域公共安全的重大灾害，具有隐蔽性强、突发性强、蔓延迅速的特点。在高温、干旱、强风等气象条件下，小型初始着火点可能迅速发展为大规模火线，给火灾评估、人员调配和现场扑救带来巨大压力。早期森林火灾通常表现为小尺度火焰、局部烟雾、弱热异常和低显著性视觉特征。准确检测早期森林火灾可显著降低火灾蔓延概率，减轻扑救难度和资源消耗，最大限度地保护森林生态系统和周边居民安全。近年来，无人机（UAV）因其高机动性、可控视角、较低部署成本和对复杂地形的强适应性，已成为森林火灾巡检的重要平台。然而，早期UAV图像中的火点检测面临诸多挑战：火点尺度小，在图像中仅占有限像素比例，浅层局部特征易在多次下采样中被削弱；森林、草地、裸土和农田等自然背景纹理复杂，火焰颜色可能与明亮背景区域、枯枝落叶或阴影边界相似，导致误检风险增加；早期火焰边界模糊，烟雾过渡区域不稳定，原始网络难以协同建模方向轮廓、细粒度纹理和高层语义信息；复杂场景中弱目标的判别特征不足，模型难以同时实现高召回率、准确定位和实时检测。
**研究目的与论文发表**
为解决上述问题，研究人员提出TriRHC-YOLO模型，基于YOLOv8n框架，针对UAV复杂环境下早期森林火灾弱火点目标的特征表示缺陷进行层次化修正与渐进增强。该论文发表在《Fire》期刊上。
**主要技术方法**
研究人员采用以下关键技术方法：
（1）在骨干网络中引入Reparameterized VGG（RepVGG）模块，通过训练阶段的多分支卷积增强浅层局部特征提取能力，并在推理阶段通过结构重参数化折叠为单分支卷积，以低部署代价提升火焰边缘和烟雾过渡区域的稳定特征提取。
（2）设计层次特征注意力（Hierarchical Feature Attention, HFA）模块，从方向结构、局部纹理和全局语义三个层次协同建模火点特征，并通过可学习权重实现自适应融合，增强对弱火目标的判别能力并抑制复杂背景干扰。
（3）构建跨阶段部分特征融合与级联星形块（C2f-CStar）模块，通过级联深度可分离卷积（DWConv）、残差连接和星形乘法门控机制，实现渐进式感受野扩展、多方向特征捕获和跨通道自适应特征重标定，强化模型对局部结构信息和弱显著火点特征的表示能力。
数据集基于FLAME和FLAME_VISION两个公开数据集筛选整合，构建了包含5000张UAV图像的早期森林火灾检测数据集，涵盖森林、草地、农田等低植被区域的初始火灾场景，并优先保留小尺度、弱显著性、烟雾扩散、遮挡和远距离模糊的样本。
**研究结果**
**3.1 数据集**：研究人员构建的UAV早期森林火灾数据集包含5000张图像，样本分布均衡，主要呈现高俯瞰或斜视角、火点尺度小且稀疏嵌入复杂背景、烟雾扩散和局部阴影导致结构化表示困难、背景以树冠、裸土、草地和农田等易混淆纹理为主等特点。
**3.2 精度评价指标**：采用召回率（Recall）、mAP@0.5和mAP@0.5:0.95作为主要评价指标。Recall衡量正确检测目标的能力，mAP@0.5反映在IoU阈值为0.5下的检测精度，mAP@0.5:0.95则综合评估多个IoU阈值下的定位性能。
**3.3 实验环境与参数设置**：实验在Ubuntu 20.04.5 LTS系统上，使用PyTorch 2.0.0框架和单张NVIDIA vGPU（32 GB）进行训练和推理。数据集按7:1:2比例随机划分为训练集（3500张）、验证集（500张）和测试集（1000张）。模型在NVIDIA Jetson Orin NX嵌入式平台上评估推理速度。所有实验均未使用预训练权重。
**3.4 模型对比实验**：通过与YOLOv8n基线、YOLOv10n、YOLO11n、YOLO12、YOLO26、RT-DETR以及六种YOLO改进模型（FFCA-YOLO、FBRT-YOLO、IF-YOLO、PKINet、LAM-YOLO、LUD-YOLO）的对比，TriRHC-YOLO在Recall、mAP@0.5和mAP@0.5:0.95上均取得最优值，分别为0.769、0.848和0.608，较基线YOLOv8n分别提升8.16%、6.80%和5.37%。模型参数量仅3.181 M，在NVIDIA Jetson Orin NX上FPS达168.251，满足实时检测需求。可视化对比显示，在高俯瞰视角、背景纹理复杂、火焰边界模糊和植被遮挡等场景下，TriRHC-YOLO能更完整地检测小尺度火点、有效抑制背景干扰、准确提取模糊火焰边界，并显著减少漏检和误检。重复实验（5次不同随机种子）表明，TriRHC-YOLO的Recall、mAP@0.5和mAP@0.5:0.95的均值、标准差和95%置信区间均优于YOLOv8n，证明其性能提升稳定可靠。
**3.5 消融实验**：以YOLOv8n为基线，逐步引入RepVGG、HFA和C2f-CStar模块进行单模块、双模块和三模块组合实验。结果表明：单独引入RepVGG略微降低参数量（从3.163 M降至2.874 M）但性能提升有限；单独引入HFA使Recall提升至0.724，mAP@0.5和mAP@0.5:0.95分别达0.803和0.585，但参数量增至3.352 M；单独引入C2f-CStar使性能全面优于基线，参数量仅增至3.208 M。双模块组合中，HFA与C2f-CStar组合在所有指标上优于基线，而RepVGG与其他模块的组合效果有限。三模块集成后，TriRHC-YOLO达到最佳性能（Recall 0.769, mAP@0.5 0.848, mAP@0.5:0.95 0.608），参数量接近基线。Grad-CAM热图可视化分析显示，随着RepVGG、HFA和C2f-CStar的逐步引入，模型注意力逐渐从背景区域转向实际火点区域，对弱火目标的关注更稳定，背景干扰显著减少。
**总结讨论与结论**
讨论部分指出，TriRHC-YOLO通过RepVGG增强浅层细节，HFA协同建模方向、纹理和语义信息，C2f-CStar通过级联结构重构和星形乘法门控实现多尺度上下文建模，三者协同作用使模型在保持参数量接近基线的同时显著提升检测精度。然而，模型在极端天气、光照变化和浓烟遮挡等条件下可能仍存在误检和漏检风险，且当前仅基于单帧RGB图像，未充分利用时序信息。未来工作将构建更大规模、更多样化的森林火灾数据集，探索RGB-热红外等多模态融合框架，并引入视频序列的时序信息以增强连续火灾感知能力。
**研究结论**：为应对UAV森林火灾巡检场景中火点尺度小、弱目标特征表示不足、边界模糊和背景复杂等问题，本研究提出TriRHC-YOLO，一种基于YOLOv8n的复杂环境早期森林火灾检测模型。该模型针对火点目标在不同场景下的特征表示缺陷进行渐进式改进。首先，在骨干网络中引入RepVGG模块，增强浅层边缘特征提取能力并减少参数量，实现轻量化设计。其次，设计HFA机制，从方向、纹理和语义三个层次协同提升模型对边界模糊和复杂背景下弱火目标的识别能力。最后，构建C2f-CStar模块，通过级联结构重构和星形乘法门控机制，显著增强模型对小目标和弱火目标的表示能力。在对比实验中，TriRHC-YOLO在UAV早期森林火灾数据集上取得所有比较模型中最优的Recall、mAP@0.5和mAP@0.5:0.95。具体而言，与基线模型YOLOv8n相比，Recall、mAP@0.5和mAP@0.5:0.95分别提升8.16%、6.80%和5.37%。此外，模型仅包含3.181 M参数，与基线模型相当，同时FPS达到168.251。因此，所提模型在提高检测精度的同时保持了高推理速度，满足UAV巡检场景的部署要求。在消融实验中，随着所提模块的逐步引入，模型对火点区域的响应逐渐增强，而对无关背景区域的注意力显著降低。当三个模块集成时，模型整体性能达到最优。热图结果进一步表明，TriRHC-YOLO能更准确地聚焦于小尺度火点、烟雾过渡区域和复杂背景下的弱火点，有效降低漏检和误检风险。这些结果进一步验证了RepVGG、HFA和C2f-CStar模块的协同效果。总体而言，TriRHC-YOLO在显著提升复杂森林环境下早期弱火目标检测能力的同时，实现了模型复杂度与实时检测性能的良好平衡。通过三个特征增强模块的互补效应，所提模型在恶劣环境条件下有效减少了假阳性和假阴性检测，从而提高了基于UAV的智能森林火灾巡检系统的可靠性。此外，它最小化了因误报而导致的二次人工验证需求，减少了消防人员和物资的不必要消耗，最终为应急响应提供了更高效的信息支持。
