智能城市中的视觉传感器用于早期烟雾/火灾检测的智能方法
1Department of Computer Science, College of Computer and Information Sciences, Jouf University, Sakaka, Al-Jawf, Saudi Arabia. aaabozezd@ju.edu.sa.
Scientific reports
|March 7, 2026
概括
这项研究引入了一个智能视觉系统,用于智能城市的早期火灾和烟雾检测. 新框架显著提高了准确性和可靠性,优于现有的公共安全方法.
科学领域:
- 计算机视觉 计算机视觉
- 人工智能的人工智能
- 智慧城市技术 智慧城市技术
背景情况:
- 现有的基于视觉的火灾和烟雾检测系统在复杂的视觉条件下扎,导致虚假报警和有限的早期检测能力.
- 使用卷积神经网络 (CNN) 和单阶段物体检测的传统模型往往无法捕获用于识别早期烟雾模式的远程依赖关系,这对于识别早期烟雾模式至关重要.
研究的目的:
- 开发基于智能视觉的智能框架,以在智能城市环境中进行强大可靠的火灾和烟雾早期检测.
- 增强语境理解,减少烟雾和火灾检测系统中的误报.
主要方法:
- 整合视觉变压器 (ViT) 用于全球特征提取与YOLOv8检测架构进行实时定位和分类.
- 利用ViT捕获远程空间依赖和上下文关系,补充YOLOv8的检测能力.
- 在各种数据集 (火灾和烟雾数据集,森林火灾烟雾数据集) 上进行实验验证,总共超过7000张图像.
主要成果:
- 拟议的ViT-YOLOv8框架实现了高性能指标:准确率为99.2%,精度为98.5%,回忆率为97.8%,F1得分为98.1%.
- 与传统的基于CNN和YOLO的方法相比,其准确度大约提高了4.3%.
- 演示低推理延迟,表明适合实时应用.
结论:
- ViT-YOLOv8框架有效地解决了先前方法的局限性,为早期烟雾和火灾检测提供了强大而准确的解决方案.
- 开发的系统提供了一个可扩展的解决方案,通过先进的基于视觉的监控来增强智能城市应用中的公共安全.
- 全球和本地特征提取的整合证明了复杂的视觉检测任务的有效性.
