基于频率感知注意力和尺度自适应特征融合的复杂环境视觉火灾检测

《Process Safety and Environmental Protection》：Visual Fire Detection in Complex Environments with Frequency-Aware Attention and Scale-Adaptive Feature Fusion

　　

摘要

工业和基础设施环境中的火灾隐患对人员和设备安全构成严重威胁。然而，由于背景明亮杂乱且小型火灾目标的视觉线索微弱，可靠的视觉火灾检测仍面临挑战。为解决这些问题，我们提出了FAS-YOLO，一种基于YOLOv8n的视觉火灾检测方法。该方法在骨干网络中集成了基于池化的频域感知火灾注意力模块，以从复杂背景中区分火灾相关特征。此外，在颈部网络中引入了尺度自适应特征融合以聚合多尺度信息，同时采用带有细节保留捷径连接的高分辨率分支来保留小型火灾目标的细粒度特征。实验结果表明，FAS-YOLO在D-Fire数据集上达到了79.6%的精确率和78.8%的mAP50，分别比YOLOv8n高出1.2和1.0个百分点，并且在具有挑战性的场景数据集上比YOLOv8n的mAP50:95提高了2.4个百分点。在外部室内火灾烟雾数据集上的定量分析和在电力系统火灾场景上的定性评估进一步验证了所提方法的泛化能力。这些结果证实了FAS-YOLO的有效性，并凸显了其在实际火灾监控应用中的潜力。

引言

火灾对人员、基础设施和生态系统构成严重威胁。传统的火灾检测方法包括人工巡检、点式传感器（如烟雾探测器、热探测器和火焰探测器）以及固定视频监控系统。然而，人工巡检是间歇性的，点式传感器提供的空间信息有限，传统视频监控通常依赖于人工监控或固定报警规则（Jin et al., 2023, Gragnaniello et al., 2024）。相比之下，基于深度学习的视觉火灾检测方法可以定位火灾和烟雾区域并提供语义信息（Cheng et al., 2024）。某些摄像系统还能实时估计火灾距离、规模和强度（Wang et al., 2023）。这些优势使得视觉火灾检测特别适合自动化监控。

视觉火灾检测方法已从手工特征提取发展到基于深度学习的架构。早期方法依赖于手工设计的特征——如外观、纹理、颜色和动态特征——来捕捉火灾和烟雾线索。这些方法对光照变化、相机视角变化和环境干扰较为敏感，从而限制了它们在真实火灾场景中的鲁棒性（Li et al., 2024）。相比之下，基于深度学习的检测器是数据驱动的，可以直接从图像中学习多样化的特征表示以定位火灾和烟雾。目标检测器可以大致分为两阶段检测器和单阶段检测器。近年来的进展整合了Transformer组件，如基于Transformer的检测器和CNN-Transformer混合设计（Sun et al., 2024a, Zaidi et al., 2022），以增强特征提取和长程上下文建模（Dai et al., 2021, Zhu et al., 2021）。作为单阶段检测器的代表，YOLO系列因其精度与推理速度之间的优异平衡而被广泛应用于工业监控（Redmon et al., 2016, Zhang et al., 2024, Sun et al., 2024b）、室内预警系统（Peng and Kim, 2025）、农业火灾监控（Saydirasulovich et al., 2025）和森林火灾检测（Luo et al., 2025）。然而，在复杂环境中进行可靠的火灾检测仍然面临着背景干扰变化和小型火灾目标漏检的挑战。

现有的视觉火灾检测研究主要从两个方向应对这些挑战。第一个方向侧重于提高目标与背景的区分能力。专门的火灾检测器，如YOLOFM（Geng et al., 2024）、FS-YOLO（Wang et al., 2024a）、EA-YOLO（Wang et al., 2024b）和YOLOv9-CBM（Geng et al., 2025），通过优化骨干网络和特征聚合结构来加强火灾和烟雾相关特征的提取。近期研究探索了空间和通道注意力、自适应空间融合、双注意力模块和增强的特征融合策略，以重新校准特征响应并提高目标与背景的区分能力（Wang et al., 2024c, Hu et al., 2025, Amjad et al., 2025）。与此同时，基于跨通道交互和频率学习的方法通过捕捉通道间依赖关系和频域线索来增强特征表示（Cui and Knoll, 2023, Zhang et al., 2023）。尽管取得了这些进展，仅靠目标与背景的区分可能不足以可靠地检测小型火灾或烟雾目标，因为这些目标通常表现出微弱且模糊的视觉线索。

第二个方向侧重于在整个检测流程中保留和增强来自小型火灾和烟雾目标的细粒度视觉线索。尺度序列建模和特征聚合促进了不同分辨率特征图之间的信息交换（Lee and Kim, 2024, Jing et al., 2024）。多尺度注意力、跨层特征传播和特征保持机制等策略进一步帮助在特征变换过程中保留细粒度细节（Song et al., 2024, Tong and Wu, 2024, Tian et al., 2024）。轻量级YOLO算法和专门的火灾检测器将这些策略扩展到小目标检测和小型火灾目标定位（Nghiem et al., 2025, Yue et al., 2024, Xiao et al., 2024, Dai et al., 2026）。这些方法支持高分辨率预测并在不同尺度上保留细粒度细节；然而，高分辨率表示可能在保留目标细节的同时也保留了背景结构。因此，仅保留空间细节并不能保证抑制由背景干扰引起的虚假类火灾响应。

为应对这些挑战，我们提出了FAS-YOLO，一种基于YOLOv8n的适用于复杂环境的视觉火灾检测器。FAS-YOLO整合了三个互补模块。频域感知火灾注意力（FAFA）模块重新校准来自池化的平滑表示和残差细节表示。自适应尺度融合拼接（ASFC）模块在对齐后的特征分支拼接之前预测并应用自适应融合权重。细节保留捷径连接（DPS）模块使用可学习的标量门控将浅层特征注入高分辨率P2预测路径。本文的主要贡献总结如下：

• (1).
  我们提出了一种适用于复杂环境的视觉火灾检测框架FAS-YOLO。该框架通过抑制背景干扰和增强小型火灾目标的特征提取来提高检测可靠性。
• (2).
  该框架整合了基于池化的频域感知骨干网络增强、尺度自适应特征融合和高分辨率细节保留预测分支，旨在共同提高复杂火灾场景中的检测鲁棒性。
• (3).
  在D-Fire和具有挑战性的场景数据集上的实验表明，FAS-YOLO提高了火灾检测性能，特别是在定位对早期预警至关重要的小型火灾目标方面。在外部室内火灾烟雾数据集上的定量分析和在电力系统火灾场景上的定性评估验证了所提框架的泛化能力。

表1从基础架构、主要设计组件和技术重点等方面比较了代表性方法与所提出的FAS-YOLO。现有方法通常专注于从复杂背景中区分火灾相关特征，或为小目标检测保留细粒度细节。此比较进一步表明，现有方法缺乏一种统一检测器来同时整合背景感知特征增强、自适应跨尺度融合和高分辨率细节保留。

章节摘要

方法

为了增强复杂环境中的视觉火灾检测，我们提出了FAS-YOLO框架，如图1所示。该框架在骨干网络、颈部网络和预测头中整合了三个协同模块，以共同提高目标与背景的区分能力并保留来自小型火灾目标的微弱视觉线索。具体而言，FAS-YOLO通过C2f_FAFA将FAFA集成到骨干网络中，以抑制无关的背景响应并增强火灾相关表示。在每个融合节点

数据集

我们使用了公开的D-Fire数据集（de Venancio et al., 2022）进行训练和主要定量评估。该数据集包含视觉背景复杂的多样化火灾和烟雾样本，适合用于复杂火灾场景下的检测器基准测试。如图5所示，D-Fire包含21,527张标注为火灾、烟雾或背景的图像，其中包含14,692个火灾边界框和11,865个烟雾边界框，均为YOLO格式。我们使用了官方的训练、验证和测试划分，

不同目标检测器的比较

为了验证所提出的FAS-YOLO模型的性能，我们使用三个不同的随机种子，在D-Fire数据集上比较了七个YOLO系列检测器和两个专门为火灾检测开发的基线模型。所有十个检测器均在相同的实验设置下训练，以确保公平性和一致性。表5和表6报告了相应的均值和标准差。

如表5所示，FAS-YOLO达到了最高的平均精确率（79.6 ± 0.7%）、mAP50（78.8 ± 0.3%）和

结论

本文提出了FAS-YOLO，用于检测具有微弱视觉线索的小型火灾目标并从杂乱背景中区分火灾。该模型在骨干网络中结合了基于池化的频域感知火灾注意力，在颈部网络中结合了尺度自适应特征融合，并在预测头中结合了细节保留增强。D-Fire数据集上的实验结果表明，FAS-YOLO在总体精确率、召回率、mAP50和mAP50:95方面分别比YOLOv8n高出1.2、0.4、1.0和0.7个百分点；

CRediT作者贡献声明

Tengfei Zhang：资源，数据管理。Hongyuan Sun：资源，数据管理。Kangning Tian：撰写——初稿，可视化，软件，方法论，形式分析。Chunjie Xu：撰写——审阅与编辑，验证，形式分析。Qun Chao：撰写——审阅与编辑，监督指导，方法论，概念化。Chengliang Liu：资源，项目管理。Jiangdong Wu：验证，调查研究。

利益冲突声明

作者声明他们没有已知的竞争性经济利益或个人关系可能影响本文所报告的工作。

Kangning Tian|Qun Chao|Chunjie Xu|Hongyuan Sun|Tengfei Zhang|Jiangdong Wu|Chengliang Liu