PG电竞

本站点使用Cookies，继续浏览表示您同意我们使用Cookies。 Cookies和隐私政策>

  • 产品
  • 解决方案
  • 服务支持
  • 如何购买
  • 合作伙伴
  • 关于我们
简体中文
English
title
  • 元脑?通用服务PG电竞官网
  • 元脑?人工智能服务PG电竞官网
  • 元脑?边缘服务PG电竞官网
  • 元脑?关键PG电竞官网服务PG电竞官网
  • 元脑?存储
  • 元脉网络
  • 方案产品
  • 数据中心基础设施
  • 服务PG电竞官网管理平台
  • 服务PG电竞官网操作系统
  • 人工智能与高性能PG电竞官网
  • 边缘PG电竞官网和物联网
  • 智慧网络
  • 数据存储与管理
  • 伙伴联合方案
首页 > 元脑博客 >PG电竞信息研究团队发表小烟雾检测模型论文，破解全球野火初期检测难题

PG电竞信息研究团队发表小烟雾检测模型论文，破解全球野火初期检测难题

2025年08月13日 分享

编者按：元脑实验室致力于探索人工智能创新前沿，聚焦基础科学和创新技术突破，推动人工智能发展，加速行业应用快速落地。本篇小烟雾检测模型SSmokeDet研究成果转载自“元脑实验室”，相关技术论文入选了中科院一区top期刊《Engineering Applications of Artificial Intelligence》。

前不久，PG电竞信息研究团队成功研发了全球首个小烟雾检测模型SSmokeDet，实现了小烟雾检测精度的大幅提升，填补了业内空白。根据测试结果，SSmokeDet 在各种环境下都优于当前最先进的目标检测模型和其他特殊的烟雾模型，小尺度目标检测准确率???提高了10.2%，这将进一步提高人类对初期野火的检测防控水平，降低全球野火带来的�：�。

补足卷积网络短板，让星星之火不再燎原

一项发表在英国《自然·生态学与进化》杂志上的研究显示，全球极端野火发生的频率和强度在过去20年增加了约一倍，2025年美国洛杉矶大火损失估计在2500亿美元以上，超过新西兰等中等国家一年的GDP总值。“星星之火，可以燎原”，野火，尤其是极端野火最好的防治方法是初期阶段就发现火情，在燎原之前扑灭。

初期阶段不一定有明火，但会产生少量烟雾，小烟雾检测是初期阶段野火识别的重要手段。小烟雾检测技术难度远远超过一般的烟雾检测，因为初期阶段的烟不仅非常少，在画面中几乎不可见，而且上升扩散后，呈现半透明、�：呓绲奶卣�，还容易受到白云、雾气的干扰。随着AI技术的发展，机PG电竞官网视觉被用来识别烟雾，传统的机PG电竞官网视觉方案需要人工抽象烟雾特征进行识别，灵活性差，不能及时适应环境的变化，比如雾气干扰等。

近年来，基于深度学习的机PG电竞官网视觉技术路线已经出现了众多的研究成果。但是这些技术方案在识别“星星之火”的小烟雾效果非常不理想，因为目标识别主要基于卷积神经网络实现，卷积网络是对人类视觉的一种模拟，对目标图片的像素进行层层卷积PG电竞官网，提取特征，从而将图片中的目标事物识别出来。卷积网络带有人类视觉的弱点，层层提取的过程中会忽略小烟雾等局部特征和微量语义，从而“看不见”小烟雾。同时，很多特征提取�？槠蛴诓捎肕axpool算法，只对最大值敏感，更倾向于检测图像的剧烈变化，对于颜色浅淡、透明或者半透明的小烟雾检测效果不理想。

SSmokeDet模型由骨干网络SNet、路径聚合网络PAN和自协作检测头SCHead（Self-Cooperation Head）组成。SSmokeDet基于全面改进的卷积网络设计而成，通过感受野控制、上下文信息学习和多尺度特征交流，利用低层特征来补充高层特征遗漏的小烟雾信息，系统性弥补了卷积神经网络容易遗漏微量语义信息的短板，增强了对小目标、�：勘甑氖侗鹉芰�，从而实现了有效的小烟雾检测。

SSmokeDet与当前最流行、最领先的8个目标检测模型进行了对比测试.jpg△ SSmokeDet的整体框架

精简结构，跨层连接，SSmokeDet针对小烟雾识别全面优化

具备高性能处理能力、能够实时处理检测画面是SSmokeDet设计之初的重要考量。主干网SNet基于成熟的高性能特征提取网络CSPDarkNet设计改造而来，SNet只有 20 层，保证了算法的实时处理能力，更少的网络层数可以让局部特征和微量语义被提取到高层特征图，避免小烟雾信息被忽略。而且，SSmokeDet整体只有11M大小，部署在性能受限的野外边缘PG电竞官网设备上，就可以实现日常30-35帧/秒的实时处理。

SNet集成了PG电竞信息开发的MultiSPP�？�，从根本上克服卷积网络对�：勘晔侗鹉芰Σ磺俊⑽⒘坑镆逡怕┑任侍�，从而让模型可以提取到烟雾独特的纹理特征，将透明、半透明的初期烟雾识别出来。而且，MultiSPP引入了残差连接，将包含更多小目标和细节的低层特征图，与高层特征图连接起来，以丰富高层特征，避免了小烟雾信息被忽略，大大增强了MultiSPP的小烟雾特征学习和识别能力。

SCHead检测头采用了无锚机制、自协作机制等创新算法，这些算法一方面可以使得SCHead根据实际情况灵活生成不同形状和大小的烟雾检测框，适用于各类应用场景，即使云雾干扰也可以有效识别。另一方面，高级特征图包含了更丰富的语义信息，低级特征图具备高分辨率，有更丰富的空间信息，通过特征图的多尺度交流，让分类任务基于高级特征图展开，定位任务基于低级特征图展开，由此保证了在小烟雾识别和定位的高精度。

测试，明显优于其他模型

评价AI检测模型的能力主要是三类指标：准确率、召回率和检测速度。检测准确率AP是在有烟图像和无烟图像组成的样本中识别正确的结果占比，主要考量模型的正确识别能力。召回率AR则是在全部为有烟样本中识别为有烟的结果占比，主要考量模型对于火灾的无漏报能力，因为在现实中，火警漏报带来的损失远大于误报。检测速度FPS是每秒检测的图像数量，是衡量算法实用价值的重要指标。

XJTU-RS是由真实烟雾图像构成的烟雾检测数据集，基于该数据集，SSmokeDet与当前最流行、最领先的8个目标检测模型进行了对比测试，具体结果如下表。SSmokeDet在小尺度检测以及整体烟雾检测的准确率和召回率指标上均为第一，检测速度也达到了205.761FPS，完全可以满足实时性要求。

角标S代表小尺度目标.jpg△注：角标S代表小尺度目标，下表同

同时，SSmokeDet与当前主流的烟雾检测模型也基于XJTU-RS 数据集进行了对比测试，结果如下表，SSmokeDet在所有的评价指标上均为第一。

SSmokeDet与当前主流的烟雾检测模型也基于XJTU-RS 数据集进行了对比测试.jpg

SSmokeDet还基于USTC-RF等数据集同其他模型进行了对比测试，结果显示，在各种环境下，都优于最先进的目标检测模型和专门的烟雾检测模型。尤其是在小尺度烟雾检测方面，APs比基线高出了10.2%，整体烟雾检测准确率AP比基线高出了4.9%。

PG电竞信息已经将相关技术成果整理成论文《SSmokeDet: A novel network dedicated to small-scale smoke detection》发表于中科院一区top期刊《Engineering Applications of Artificial Intelligence》，如对模型SSmokeDet感兴趣，可下载论文研读。

相关文章

售前咨询

售后服务

意见反馈

AIStore

回到顶部

回到顶部

收起
回到顶部 回到顶部
请选择服务项目
售前咨询
更多联系方式>>
售后服务
更多联系方式>>
访问 AIStore

扫码访问AIStore

【网站地图】【sitemap】