1. 引言

火灾，作为一种常见的灾害形式，其突发性和破坏性给人们的生命财产安全带来了极大的威胁。随着现代科技的不断进步，火灾检测技术的发展与应用也日益受到重视。传统的火灾烟雾目标检测往往基于传感器检测与数字图像处理技术实现，由于传感器检测灵敏度受环境温度、湿度等影响较大，且其检测基于阈值设定完成，往往难以达到早期火灾烟雾检测效果[1][2]。基于数字图像处理的传统计算机视觉识别检测方法则由于特征选取的不确定性、预处理阶段计算的冗杂性，在实际场景的应用中存在精确度不够、适应力不强、检测效率不足的问题[3][4]。近年来，随着以深度卷积神经网络为核心的深度学习领域的迅速发展，其为实现早期火灾烟雾检测提供了许多新的解决方案[5]-[7]。

YOLO算法，即You Only Look Once，是一种将目标检测任务转化为单次回归问题的算法[8]。其核心原理在于，通过一个深度卷积神经网络，模型能够直接在图像的多个位置上预测目标的边界框和所属类别。这一流程避免了传统方法中复杂的区域提议和后续分类步骤，从而实现了高效的实时检测。YOLO算法采用了端到端的训练方式能够快速处理图像，并在保持较高准确性的同时实现实时目标检测。此外，YOLO算法还能有效地处理背景信息，减少误检率，提高检测的准确性。虽然YOLO系列算法在实时目标检测领域应用广泛，但是由于网络模型较大、参数量较多、运算推理速度较慢的原因，使得其在一些实时性要求高的场景中应用受到限制，在实时火灾检测场景中，这个问题显得尤为突出。因此，如何在保证检测准确率的同时，实现模型的轻量化，成为了当前火灾检测领域亟待解决的关键问题。

由于YOLO系列算法的快速发展，YOLOv8算法在目标检测领域已经展现出强大的性能。论文[9]提出了一种基于改进的YOLOv8s模型的番茄自动检测方法，通过深度可分离卷积(DSConv)技术替换普通卷积，减少了特征图的计算量，降低了计算复杂性。论文[10]提出了一种水下目标检测方法，采用轻量级的FasterNet模块取代原有的YOLOv8s骨干网，减少计算量，提高网络性能。另外将C2f的最后一个标准卷积、瓶颈模块分别替换为GSConv和部分卷积，进一步降低了计算量，提高了运算速度。论文[11]出了一个轻量级的模型，YOLOv8-EMSC，采用C2f_EMSC取代了C2f模块，显著降低了增强的YOLOv8-EMSC模型中的模型参数，从而提高了模型推理速度。因此针对火灾目标的实时检测问题，本文提出一种基于YOLOv8的轻量化改进算法，在保留YOLOv8算法的高精确度的同时，降低算法的复杂度，提高其实时性。

2. 本文总体方案

2.1. YOLOv8网络结构

YOLOv8算法是目标检测领域中的一种深度学习算法，它在继承YOLO系列优秀性能的基础上，通过改进网络结构和引入新的技术手段，进一步提升了目标检测的精度和速度。该算法的核心思想是通过卷积神经网络进行特征提取和目标检测，它采用了一种独特的双路径预测和紧密连接的卷积网络结构，使得算法能够更好地处理不同大小的目标。此外，YOLOv8还引入了级联和金字塔的思想，通过多尺度的特征图进行物体检测，能够检测不同大小的物体，并具有较好的尺度适应性。

Figure 1.Network structure of YOLOv8

图1.YOLOv8网络结构

YOLOv8算法网络模型如图1所示，主要包括三个部分：骨干网络(Backbone)、颈部网络(Neck)和头部网络(Head)。在图1所示的网络结构中，主要模块Conv、C2f、SPPF、Concat、Upsample和Detect模块的操作流程和YOLOv8一样，在此本文不做过多说明。YOLOv8的骨干网络有Conv、C2f和SPPF (spatial pyramid pooling fusion)结构，其中，C2f模块是对残差特征进行学习的主要模块，通过更多的分支跨层连接，使模型具有更为丰富的梯度流，形成具有更强特征表示能力的神经网络模块。颈部网络采用路径聚合网络(path aggregation network, PAN)结构，可加强网络对不同缩放尺度对象的特征融合能力。头部网络将分类和检测过程进行解耦，主要包括损失计算和目标检测框筛选，解耦头的设计让每个尺度都有独立的检测器，这种设计有助于更好地处理不同尺度的目标，提高检测的准确性[12]。

2.2. FasterC2f轻量化模块

FasterNet网络是一种高效的神经网络架构，其设计目标是在不牺牲准确性的前提下提高计算速度，特别是在视觉任务中表现突出[13]。该网络引入了一种名为部分卷积(PConv)的新型卷积方法，通过仅处理输入通道的一部分来减少计算量和内存访问，从而实现了高效的特征提取。这种设计使得FasterNet在多种设备上都能实现比其他网络更快的运行速度，同时保持较高的准确度。

Figure2.PConv modular structure

图2.PConv模块结构

部分卷积(PConv)的操作流程如图2所示，PConv模块仅选择部分输入通道执行普通的Conv操作以提取空间特征，而剩余通道则维持原样不进行处理。针对连续或规则的内存访问模式，该模块通常选择首个或末尾连续的通道作为特征图的代表进行运算。在一般情况下，我们可以假定输入与输出特征图的通道数量保持一致。因此，对于PConv模块，其计算复杂度(FLOPs)可以表示为： $h\ast w\ast k^2\ast c_p^2$，其中 $h$和 $w$分别表示特征图的高和宽， $k$代表卷积核的大小，而 $c_p$则是参与常规卷积计算的通道数量。与传统卷积相比，这里的 $c_p$相当于普通卷积中数量的1/4，从而使得PConv的FLOPs仅为传统卷积的1/16，大大降低了计算量。至于内存访问情况，PConv模块在运算过程中的内存访问量大致为： $h\ast w\ast 2\ast c_p$。与常规卷积相比，PConv的内存访问量仅仅是常规卷积的1/4，从而无需频繁地进行大规模的内存访问操作，提高了推理速度。

Figure3.FasterC2f modular structure

图3.FasterC2f模块结构

本文利用FasterNet网络的部分卷积机制来对YOLOv8算法进行改进，来降低冗余计算，实现网络轻量化。由于部分卷积机制主要是用在FasterNet网络的FasterNet Block模块实现，因为改进措施是将FasterNet Block模块引入到YOLOv8的C2f模块中，用FasterNet Block模块代替C2f模块中的Bottleneck模块，从而构建成新的轻量化模块，命名为FasterC2f模块，其网络结构如图3所示。最后，用构建的FasterC2f模块来替代YOLOv8网络结构中的所有C2f模块，实现对YOLOv8算法的轻量化改进。

2.3. LSCD轻量化检测头

在深度学习网络中，为了加速模型的收敛速度、提高泛化能力、防止梯度消失或爆炸，一般需要对数据进行归一化处理，常用的归一化处理技术是批归一化BatchNorm。BatchNorm具有以下优点：(1) 通过增大学习率，加快模型收敛至最佳参数，减少训练时间；(2) 减少对初始权重的敏感性，帮助模型在不同初始值下保持相似性能；(3) 减少了对如Dropout等正则化技术的依赖，降低过拟合风险；(4) 调整激活值分布，防止梯度消失或爆炸，使训练更稳定。虽然BatchNorm具有很多优点，但是对batch size的大小比较敏感，由于每次计算均值和方差是在一个batch上进行的，所以如果batch size太小，则计算的均值和方差可能不足以代表整个数据分布，可能导致模型性能下降。本文选择使用GroupNorm代替BatchNorm主要是因为GroupNorm具有更好的适应性、能够保持通道之间的相对关系、提高模型的鲁棒性、在一些场景下性能更佳以及减少对小批量大小的依赖等优点[14]。另外，在文献[15]中已经证明在处理一些目标检测任务中，GroupNorm可以提升检测头定位和分类的性能。

Figure4.GroupNorm method

图4.GroupNorm操作方法

GroupNorm的操作方法如图4所示，其中N表示数据的批次轴，C作为通道轴，H，W作为空间轴。GroupNorm对输入大小为[N, C, H, W]的图像，首先将通道设定成若干组(如图2蓝色部分)，在每个组内计算方差和平均值，然后根据计算结果对这组内的所有数据进行归一化。GroupNorm的计算区域与输入的通道数C有关，而不是批次大小N。因此，它不依赖批量大小，在目标检测、视频分类等大型计算机视觉应用中，当计算机内存受到限制或者必须设置较小的样本数量的情况下，群归一化会非常有用。

共享卷积是卷积神经网络(CNN)中的一个核心概念。在CNN中，卷积层由一系列的卷积核(或称为过滤器、滤波器)组成，这些卷积核与输入图像的不同位置进行卷积运算，生成对应的特征图。而共享卷积的原理在于，对于同一个卷积核，它在不同位置的卷积运算使用的是相同的权重参数。这意味着，无论卷积核在图像的哪个位置进行卷积，其权重参数都是相同的，从而实现了权重的共享。共享卷积的核心优势在于其权重共享的机制，这一机制显著减少了网络需要训练的参数数量，从而提高了计算效率，并降低了过拟合的风险。通过保持卷积核对整个图像的权重一致性，共享卷积能够更有效地提取图像中的局部特征，同时保持空间结构信息。此外，其移不变性使得模型对输入数据的平移变换具有鲁棒性，进一步增强了模型的泛化能力。最后，共享卷积支持多通道输入处理，能够充分利用不同通道间的信息，增强模型的表达能力。这些优点共同使得共享卷积在图像处理等领域展现出卓越的性能。

本文设计了一种基于群归一化GroupNorm和共享卷积的轻量化检测头Lightweight Shared Convolu-tional Detection-LSCD，其网络结构如图5所示。LSCD检测头充分利用了GroupNorm和共享卷积的优势，能够在保持特征信息有效融合的情况下，尽量减少计算量和运算复杂度。

Figure5.LSCD detection head structure

图5.LSCD检测头结构

在图5所示的LSCD检测头网络结构中，GN_Conv 1 × 1模块表示的是群归一化GroupNorm + 卷积Conv操作，其中1 × 1表示卷积核大小为1 × 1。两个黄色群归一化卷积模块GN_Conv 3 × 3共享权重，三个蓝色预测框卷积模块Conv_Box共享权重，三个红色分类卷积模块Conv_Cls共享权重。在每个Conv_Box模块后面连接着Scale模块，Scale模块主要是一个缩放系数，用来匹配对不同尺度目标的检测。

3. 仿真实验与结果分析

3.1. 实验数据集

在本次实验过程中，我们利用AI Studio平台与中国视觉资源网站的协作，精心构建了一个多元化的火灾场景数据集。此数据集广泛涵盖了从森林与草地野火、家庭外部环境中的建筑火灾，到实验室内发生的火灾等多种情景。整个数据集共计收录了2059幅图像，这些图像分别捕捉了森林区域、建筑外部、交通地带以及室内环境下的火灾现场。为了进一步促进数据的有效利用与模型训练，我们将该数据集细致地划分为三个独立但相互关联的子集：训练集、验证集与测试集，且严格遵循8:1:1的比例分配原则。具体而言，训练集占据了数据集的主要部分，包含1647幅图像，用于模型的训练与学习；验证集与测试集则各含206幅图像，分别用于模型训练过程中的效果验证与最终的性能评估。图6中展示的是该数据集中部分代表性图像，直观呈现了数据集的多样性和丰富性。

Figure6.Dataset images

图6.数据集图片

3.2. 仿真实验

为评价本文所提算法的有效性，以全类平均精度(mean Average Precision, mAP)、每秒钟检测帧数(Frames Per Second, FPS)、每秒10亿次浮点运算数(Giga Floating-point Operations Per Second, GFLOPs)、模型层数(Layers)和参数量(Parameters/M)作为评估指标。其中，mAP作为评价模型检测精度提升的效果，其值越大代表模型检测精度越高；FPS代表模型每秒钟能够检测图像的张数，数值越大则反映模型实时性越好；GFLOPs、Layers和Parameters反映模型轻量化程度，这些值越小则代表模型轻量化程度越高，对硬件性能要求就越低。

本文采用消融实验对不同模型进行性能对比：以YOLOv8n模型作为基础网络，在YOLOv8n中将C2f模块替换为FasterC2f模块得到的模型为FasterC2f-YOLOv8n，以自研LSCD检测头替换YOLOv8原检测头的模型为LSCD-YOLOv8n，将前面两种策略同时应用得到的模型为 FasterC2f-LSCD-YOLOv8n。本文的实验是在下述条件下进行的：Python-3.8.18，torch-1.13.1+cu116，CUDA:0 (NVIDIA GeForce RTX 3080, 10240MiB)。消融实验结果如表1所示，所示结果是网络模型进行融合后的数值。

Table1.Performance comparison of different models

表1.不同模型性能对比

首先，比较YOLOv8n和FasterC2f-YOLOv8n模型，使用FasterC2f模块代替C2f模块后得到如下提升：检测精度mAP50提升1.8%，运算量GFLOPs降低19.54%，参数量Parameters/M降低22.22%。从对比结果中可以看出，FasterC2f模块相较于C2f模块能够提升一定的检测精度，最重要的作用的能够大幅降低模型参数和运算量。

其次，比较YOLOv8n和LSCD-YOLOv8n模型，使用LSCD检测头后得到如下提升：检测精度mAP50提升3.3%，运算量GFLOPs降低24.14%，模型层数Layers降低6.55%，参数量Parameters/M降低24.76%。从对比结果中可以看出，LSCD检测头相较于YOLOv8原始的检测头能够有效地提供检测精度，并且能够更大幅度地降低模型参数和运算量。

最后，综合比较四种模型，可以看出同时使用FasterC2f模块和LSCD检测头的FasterC2f-LSCD-YOLOv8n模型在多个方面都占据最优(表1中，★表示在某方面性能对比中最优的模型)。FasterC2f-LSCD-YOLOv8n模型在检测精度mAP50、模型参数Parameters/M和运算量GFLOPs方面都是最优。在FPS方面，原始的YOLOv8占据最优，说明本文所做的改进并不能提高模型的推理速度，但可以接受的是各模型推理速度相差不多，即最大差值为3.10% (96.7→93.7)。

Figure7.Testing situation of the proposed algorithm

图7.本文所提算法的测试情况

在测试集上，验证本文所提算法的火灾检测能力。图7显示的是本文所提算法在测试集上的火灾检测情况。从图7中可以看到，对于不同场景下(公路、森林、家里、工厂)的火灾，本文所提算法都能准确地检测出来，对于同一场景下的多个火灾目标(如图7第二行第三列的子图)都能准确识别，对于一些小目标(如图7第三行第二列的子图)也能够准确地识别。综合来看，本文所提算法虽然大幅度地降低了原始YOLOv8算法的复杂度，实现了轻量化的设计，但依然保留了较高的检测精度，针对不同场景下的多个不同尺寸的火灾目标都能实现精准检测。

4. 结论

本文通过对YOLOv8算法进行针对性优化，提出了LSCD-FasterC2f-YOLOv8轻量化火灾检测算法，有效解决了传统目标检测模型在火灾监测场景中面临的实时性与准确性平衡难题，特别是在资源受限设备上的部署挑战。通过引入FasterC2f模块，实现了对特征图的高效处理，大幅降低了模型参数与计算复杂度；同时，设计的LSCD检测头架构，利用共享卷积机制显著减少了检测头参数，并增强了特征融合能力，确保了复杂火灾场景下的高精度检测。实验结果表明，LSCD-FasterC2f-YOLOv8算法在保持甚至超越原版YOLOv8检测精度的同时，实现了模型体积与计算量的显著轻量化，为火灾预警系统的智能化、实时化升级提供了强有力的技术支持。该算法不仅提升了火灾检测的实时响应速度，还增强了系统的鲁棒性与泛化能力，对于提升城市安防、工业监控等领域的火灾防控水平具有重要意义。未来，随着技术的不断迭代与优化，LSCD-FasterC2f-YOLOv8算法有望进一步拓展其应用场景，为构建更加安全、智能的社会环境贡献力量。

基金项目

省级科研平台项目资助(黔科合平台人才-CXTD[2021]008)。贵州交通职业大学高层次人才科研启动基金项目：复杂交通环境下的多目标检测研究(KYQD2022004)。贵州交通职业大学2024年度校级科研项目：基于深度学习的交通多目标实时检测算法研究(2024YB02ZK)。

参考文献