中国安全科学学报

作者：王春源, 刘权捷

单位：青岛理工大学 机械与汽车工程学院,山东 青岛 266520

关键词：YOLOv8模型,隧道火灾检测,卷积神经网络(CNN),卷积注意力(CBAM),损失函数

基金：国家自然科学基金资助(52474238)

为准确高效地检测复杂环境隧道火灾,提出一种基于改进YOLOv8s的隧道火灾检测算法。首先,引入跨阶段部分变换器模块(CSP-PTB)重构主干网络结构,在降低计算复杂度的同时保持特征提取能力;其次,融入卷积注意力(CBAM)增强模型对关键区域的感知能力,提升特征表征的判别性;最后,采用归一化高斯瓦瑟斯坦距离(NWD)损失函数优化训练过程,有效解决小目标检测精度不足的问题。检测试验结果表明:改进后的YOLOv8s模型平均精度均值(mAP)为0.848,比原版YOLOv8s模型提升2%;召回率为0.812,较原模型大幅提升9.3%;同时模型计算量(GFLOPS)减少6.7%,实现性能提升与效率优化的双重目标。与主流目标检测模型比,改进模型的mAP较快速区域卷积神经网络(Faster R-CNN)、单发多框检测(SSD)和YOLOv5s分别提升7.3%、10.1%和4.2%。

来源：2025年第3期

《中国安全科学学报》期刊编辑部

查看中国安全科学学报杂志2025年第3期