CFS-YOLO:一种利用粗细粒度搜索与焦点调制的早期火灾检测方法

来源：电子与信息学报杂志2025年第6期北京时间：

作者：方贤进, 姜雪凤, 徐留权, 方仲毅

单位：1.安徽理工大学安全科学与工程学院 淮南 2320012.安徽理工大学计算机科学与工程学院 淮南 2320013.安徽荣越信息技术有限责任公司 合肥 231283

摘要：早期阶段火灾的目标较小，且易受到遮挡、类火物体的干扰。Faster RCNN, YOLO等火灾检测模型因参数量过大导致推理速度较慢，无法满足实时检测；早期火灾边缘和颜色特征在模型中丢失，造成检测精度较低。针对上述问题，该文提出了一种粗细粒度搜索与焦点调制的早期阶段火灾识别模型CFS-YOLO。通过粗粒度搜索优化特征提取网络，最大化提高推理速度，细粒度搜索用于获取早期火灾的边缘和颜色信息，避免特征信息丢失。采用焦点调制注意力机制，精准地处理关键信息，有效减少干扰。引入一种新型损失函数ShapeIoU，以进一步提高模型收敛速度和检测准确性。在真实火灾场景数据集下的实验结果表明，CFS-YOLO的检测精度和召回率分别达到了98.23%和98.76%。相较于基准模型，所提出的CFS-YOLO参数量降低14.7M，精度、召回率和F1分别提高13.33%, 4.96%和9.36%，fps达到75，验证了CFS-YOLO在满足高精度的同时，达到了较高的推理速度，实现了实时检测。与一系列主流模型相比，该文模型的检测精度和速度均表现出优异性能。

关键词：早期火灾, 火灾检测, 粗细粒度搜索, 焦点调制注意力机制, ShapeIoU

基金资助：安徽高校与合肥综合性国家科学中心人工智能研究院协同创新项目(GXXT-2021-006)