基于YOLOv8n目標(biāo)檢測(cè)的火災(zāi)預(yù)警【摘要】早期火災(zāi)預(yù)警為人類財(cái)產(chǎn)安全提供有效的保障，以往傳統(tǒng)的目標(biāo)檢測(cè)算法有著檢測(cè)速度慢，對(duì)三維空間和微小火焰檢測(cè)精確率低的缺點(diǎn)?；诖诵﹩栴}，在YOLOv8算法的基礎(chǔ)上加入SimAM注意力機(jī)制,解決了三維空間檢測(cè)的難題，在原有的三個(gè)檢測(cè)頭的基礎(chǔ)上加入一個(gè)小目標(biāo)檢測(cè)頭,解決了微小火焰檢測(cè)的難題,并將傳統(tǒng)的NMS算法改為Soft-NMS，在不改變檢測(cè)復(fù)雜度的基礎(chǔ)上提升了檢測(cè)準(zhǔn)確率。實(shí)驗(yàn)結(jié)果表明，優(yōu)化后的Sim-YOLOv8算法相較于原有YOLOv8的模型，檢測(cè)精確率從80%提升到90%，map@50從70%提升到78%，檢測(cè)速度提升到192FPS，綜合性能得到了明顯的提升。嵌入式設(shè)備的實(shí)時(shí)檢測(cè)也可以更好實(shí)現(xiàn)?！娟P(guān)鍵詞】YOLOv8；火災(zāi)預(yù)警；目標(biāo)檢測(cè)；Soft-NMS目錄TOC\o"1-3"\h\u1991 火災(zāi)，這一無情的災(zāi)難，每年都在全球各地頻頻上演，給人們的生命和財(cái)產(chǎn)帶來了不可估量的損失，奪去了無數(shù)無辜的生命，成為威脅公共安全和社會(huì)穩(wěn)定的重要因素?；馂?zāi)的頻繁發(fā)生，不僅暴露了我們?cè)诨馂?zāi)防范和應(yīng)對(duì)方面的不足，也凸顯了公眾對(duì)火災(zāi)安全知識(shí)的缺乏。許多火災(zāi)事故的發(fā)生，往往是由于日常生活中的疏忽大意，火災(zāi)事故的嚴(yán)重性和危害性也不容忽視。一旦發(fā)生火災(zāi)，火勢(shì)迅速蔓延，往往難以控制。在火災(zāi)中，人們面臨著被燒傷、窒息甚至死為了有效預(yù)防和應(yīng)對(duì)火災(zāi)事故，我們需要采取一系列措施。便產(chǎn)生了做該項(xiàng)目的想法，常用的目標(biāo)檢測(cè)算法有：YOLO系列、SSD和RetinaNet等，便采用了yolo中較新的v8來實(shí)現(xiàn)該系統(tǒng)。在確定了這個(gè)選題后便展開研究，通過在網(wǎng)上搜索相關(guān)項(xiàng)目以及借閱涉及開發(fā)技術(shù)所需算法的書籍后開始摸索前行，在摸索過程中，那些學(xué)過又忘記了的知識(shí)慢慢又重新回到我的視線里，比如圖像識(shí)別、機(jī)器學(xué)習(xí)等等，這使我有種失而復(fù)得的欣喜。在系統(tǒng)框架的構(gòu)建中，逐漸掌握了一些開發(fā)技術(shù)技能，這使我收益頗深，也讓我明白了此次畢設(shè)的意義所在。該識(shí)別檢測(cè)系統(tǒng)在程序設(shè)計(jì)的過程里，還有許多不足之處和未實(shí)現(xiàn)部分預(yù)想目標(biāo)，應(yīng)該在之后通過自己的不斷學(xué)習(xí)進(jìn)取中逐步完善本系統(tǒng)；該火災(zāi)識(shí)別檢測(cè)預(yù)警系統(tǒng)還需提高其識(shí)別能力，提高其識(shí)別的精準(zhǔn)度，需減少自然環(huán)境中不可控的因素對(duì)識(shí)別檢測(cè)的干擾作用，逐步提高識(shí)別檢測(cè)能效；有望未來本系統(tǒng)可以接入某地探頭，對(duì)該地區(qū)實(shí)施一個(gè)火情的監(jiān)測(cè)預(yù)警，能更快得發(fā)現(xiàn)火情處理火情控制火情，減少群眾生命財(cái)產(chǎn)損失。參考文獻(xiàn)[1]王晨燦,李明.基于YOLOv8的火災(zāi)煙霧檢測(cè)算法研究[J].北京聯(lián)合大學(xué)學(xué)報(bào),2023,37(05):69-77.[2]郭玲,于海雁,周志權(quán).基于SimAM注意力機(jī)制的近岸船舶檢測(cè)方法[J].哈爾濱工業(yè)大學(xué)學(xué)報(bào),2023,55(05):14-21.[3]吳帥,徐勇,趙東寧.基于深度卷積網(wǎng)絡(luò)的目標(biāo)檢測(cè)綜述[J].模式識(shí)別與人工智能,2018,31(04):335-346.[4]于進(jìn)勇,丁鵬程,王超.卷積神經(jīng)網(wǎng)絡(luò)在目標(biāo)檢測(cè)中的應(yīng)用綜述[J].計(jì)算機(jī)科學(xué),2018,45(S2):17-26..[5]韓強(qiáng).面向小目標(biāo)檢測(cè)的改進(jìn)YOLOv8算法研究[D].吉林大學(xué),2023.[6]TervenJ,EsparzaCMD,GonzálezRAJ.AComprehensiveReviewofYOLOArchitecturesinComputerVision:FromYOLOv1toYOLOv8andYOLO-NAS[J].MachineLearningandKnowledgeExtraction,2023,5(4):1680-1716.[7]HewenG,YuS,WeilinS.TheInternetofThingsDrivesSmartCityManagement:EnhancingUrbanInfrastructureEfficiencyandSustainability[J].JournalofOrganizationalandEndUserComputing(JOEUC),2024,36(1):1-17.[8]鄧天民,程鑫鑫,劉金鳳等.基于特征復(fù)用機(jī)制的航拍圖像小目標(biāo)檢測(cè)算法[J].浙江大學(xué)學(xué)報(bào)(工學(xué)版),2024,58(03):437-448.[9]WangX,LiuJ.VegetablediseasedetectionusinganimprovedYOLOv8algorithminthegreenhouseplantenvironment.[J].Scientificreports,2024,14(1):4261-4261.[10]陳輝東,丁小燕,劉艷霞.基于深度學(xué)習(xí)的目標(biāo)檢測(cè)算法綜述[J].北京聯(lián)合大學(xué)學(xué)報(bào),2021,35(03):39-46.[11]鄧天民,程鑫鑫,劉金鳳等.基于特征復(fù)用機(jī)制的航拍圖像小目標(biāo)檢測(cè)算法[J].浙江大學(xué)學(xué)報(bào)(工學(xué)版),2024,58(03):437-448.[12]王安靜,袁巨龍,朱勇建等.基于改進(jìn)YOLOv8s的鼓形滾子表面缺陷檢測(cè)算法[J].浙江大學(xué)學(xué)報(bào)(工學(xué)版),2024,58(02):370-380+387.[13]張勇.基于改進(jìn)型SSD的火焰及煙霧檢測(cè)系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D].湖南師范大學(xué),2021.FireEarlyWarningBasedonTheYOLOv8nTargetDetection[Abstract]Earlyfirewarningprovideseffectiveguaranteeforthesafetyofhumanproperty.ThetraditionaltargetdetectionalgorithmhasdetectionspeedThedisadvantageoflowaccuracyofdetectionof3Dspaceandsmallflame.Basedontheseproblems,itisaddedbasedontheYOLOv8algorithmSimAMAttentionmechanismsolvestheproblemofthree-dimensionalspacedetection,addsasmalltargetdetectionheadonthebasisoftheoriginalthreedetectionheadstosolvetheproblemofsmallflamedetection,andchangesthetraditionalNMSalgorithmtoSoft-NMS,whichimprovesthedetectionaccuracyonthebasisofwithoutchangingthedetectioncomplexity.TheexperimentalresultsshowthatcomparedwiththeoriginalYOLOv8model,theoptimizedm-YOLOv8algorithmimprovesthedetectionaccuracyfrom80%to90%,map@50from70%to78%,andthedetectionspeedto192FPS,andthecomprehensive