基于改进 YOLOv11 的复杂环境下火焰目标检测
来源：机械与电子杂志2025年第11期北京时间：
作者：郭庆;陈川;季强东;权晓柯;易灿灿
单位：1. 格林美(武汉)城市矿山产业集团有限公司,湖北 武汉 431411 ;
2. 武汉科技大学机械工程学院,湖北 武汉 430081
摘要：针对复杂环境下火焰目标检测的实时性与准确性需求,提出一种改进的 YOLOv11 火焰检测模型。在模型优化改进方面,通过引入 C3k2 _ Ghost 模块降低计算复杂度,设计特征提炼模块( FRM )增强多尺度特征表达能力,采用 SEAM 注意力机制优化遮挡场景下的检测性能,并增加 160×160 小目标检测层以提升细节捕获能力。实验基于 4 653 张火焰图像数据集,改进模型的 mAP 达 86.1% ,召回率为 84.3% ,检测速度达 64.1 帧/ s,较 YOLOv11 、 YOLOv8 等主流模型在精度与效率上均显著提升。结果表明,该模型有效平衡了轻量化设计与特征表达能力,为复杂工业场景下的实时火灾预警提供了高效解决方案。
关键词：深度学习;目标检测; YOLO 模型;多尺度特征;注意力机制
基金资助：国家自然科学基金资助项目( 51805382 );湖北省应急管理厅安全生产专项资金科技项目( GEM-CK-JS-2023033101 )
