CDU-YOLO：一种基于场景感知的实时烟雾和火焰检测框架，用于高层建筑消防安全

《Fire》：CDU-YOLO: A Scene-Aware Real-Time Smoke and Flame Detection Framework for High-Rise Building Fire Safety

　　

高層建築中烟雾和火焰的可靠光学检测具有挑战性，这主要是由于早期线索微弱、烟雾垂直扩散、外观遮挡、夜间照明以及类似火灾的城市干扰。我们提出了CDU-YOLO，这是一个基于YOLOv8n构建的具有场景意识的实时检测框架。与无差别地扩展网络不同，该框架采用了面向任务的现有模块集成：动态点采样（DySample）用于保留远处微目标的模糊边界，扩大的感受野（UniRepLKNet）用于捕捉大规模的垂直传播，以及动态边界框回归损失（WIoU）用于处理遮挡。在自定义的高層建筑火灾数据集和两个公共数据集上的实验表明，其mAP@0.5达到了94.9%，mAP@0.5:0.95达到了56.7%。在仅针对火焰的尺寸分层评估中，CDU-YOLO将小型火焰的AP@0.5从79.6%提升到了91.7%，并将误报率从25.2%降低到了11.3%，相比YOLOv8n有显著改善。在统一的桌面配置（RTX 3080、PyTorch FP16）下，端到端吞吐量从41 FPS增加到了55 FPS。在训练过程中明确引入的“其他”类别有助于减少对类似火灾的干扰物的误报。这些结果支持将CDU-YOLO作为补充的视觉感知组件，用于早期情况感知。然而，在安全关键的在线部署之前，仍需解决小型和超远火焰的遗漏问题、持续的视频流验证以及长期的实地测试。