摘要
针对森林火灾早期 detection 中烟雾识别能力强但火焰易漏检与误报的问题，本文构建了一种基于 YOLOv8 的红外图像双类别检测系统。系统以 fire 与 smoke 为检测目标，数据集共包含 2000 张红外图像，其中训练集 1600 张、验证集 200 张、测试集 200 张。实验结果显示，模型在烟雾类别上取得 0.972 的 mAP50 与 91.5% 的召回率，表现出极高的灵敏度和可靠性；但火焰类别 mAP50 仅为 0.679，召回率 58.5%，且归一化混淆矩阵显示 65% 的火焰预测为误报。整体 mAP50 为 0.826，单张推理速度 4.6ms，具备实时部署能力。研究表明，当前模型已适合作为烟雾驱动的早期预警系统，但火焰检测仍需针对性优化。
引言
森林火灾具有突发性强、蔓延迅速、破坏力大的特点，传统可见光监控易受烟雾、光照和天气影响，难以实现全天候早期预警。红外成像技术能够直接感知热源与烟羽温度差异，在火灾萌芽阶段提供关键判别信息，因此成为近年森林防火研究的热点方向。
当前基于深度学习的目标检测方法，如 YOLO 系列，在通用目标检测任务中表现出色，但直接迁移至红外火灾场景仍面临三个核心挑战：一是火焰与背景热源（如地面反光、尾气、阳光反射）视觉特征相似，极易产生误报；二是烟雾在红外图像中表现为半透明、低对比度区域，对小目标检测能力要求高；三是火与烟在实际场景中常共现或时序先后出现，容易造成类别混淆。
目录
摘要
引言
功能模块
1、用户管理模块
2、界面与交互模块
3、检测源管理模块
4、检测参数配置模块
5、YOLO检测核心模块
6、结果显示模块
7、结果保存模块
8、工具栏功能
9、辅助功能
10、数据校验模块
背景
数据集介绍
1. 类别与标注
2. 数据规模
训练过程
训练结果
整体性能概览编辑
各类别检测性能分析编辑编辑编辑
烟雾（smoke）—— 优秀
火焰（fire）—— 明显偏弱
混淆矩阵分析（关键问题）
原始混淆矩阵：编辑
归一化混淆矩阵：编辑
曲线与训练过程分析编辑
常用标注工具
功能模块
✅用户登录注册：支持密码检测，密码加密。
注册
登录
✅图片检测：可对图片进行检测，返回检测框及类别信息。
✅参数实时调节（置信度和IoU阈值）
✅支持选择检测目标：可以选择一个或者多个类目的目标进行检测
✅视频检测：支持视频文件输入，检测视频中每一帧的情况。
✅摄像头实时检测：连接USB 摄像头，实现实时监测。
✅日志记录：日志标签页记录操作和错误信息，带时间戳
✅结果保存模块：支持图片/视频/摄像头检测结果保存
1、用户管理模块
| 功能 | 描述 |
|---|---|
| 用户注册 | 用户名、密码、确认密码、邮箱（选填）注册，密码SHA256加密存储 |
| 用户登录 | 用户名密码验证，自动跳转主界面 |
| 用户数据存储 | JSON文件存储用户信息（密码加密、注册时间、邮箱） |
| 登录状态 | 主界面显示当前登录用户名 |
2、界面与交互模块
| 功能 | 描述 |
|---|---|
| 玻璃效果界面 | 半透明毛玻璃背景，圆角边框，现代化视觉风格 |
| 无边框窗口 | 自定义标题栏，支持窗口拖动、最小化、最大化、关闭 |
| 响应式布局 | 主窗口三栏布局（左侧控制区、中央显示区、右侧信息区） |
| 状态栏 | 显示设备信息、模型状态、当前用户、实时时间 |
3、检测源管理模块
| 功能 | 描述 |
|---|---|
| 图片检测 | 支持JPG/JPEG/PNG/BMP格式图片载入 |
| 视频检测 | 支持MP4/AVI/MOV/MKV格式视频载入 |
| 摄像头检测 | 实时调用摄像头（默认ID 0）进行检测 |
| 检测源切换 | 下拉菜单切换三种检测模式，自动更新界面状态 |
4、检测参数配置模块
| 功能 | 描述 |
|---|---|
| 置信度阈值 | 滑动条调节（0-100%，步长1%），实时显示当前值 |
| IoU阈值 | 滑动条调节（0-100%，步长1%），实时显示当前值 |
| 类别选择 | 动态生成检测类别复选框，支持全选/取消全选 |
| 参数同步 | 参数实时同步到检测器核心 |
5、YOLO检测核心模块
| 功能 | 描述 |
|---|---|
| 模型加载 | 加载best.pt模型文件，自动检测GPU可用性，支持CPU/GPU切换 |
| 多模式检测 | 图片检测、视频检测、摄像头实时检测 |
| 检测线程 | 基于QThread的多线程处理，避免界面卡顿 |
| 检测结果 | 返回目标类别、置信度、边界框坐标 |
| FPS计算 | 实时计算处理帧率 |
| 进度反馈 | 视频处理进度条实时更新 |
6、结果显示模块
| 功能 | 描述 |
|---|---|
| 实时画面 | 中央区域显示检测结果图像（带标注框） |
| 统计信息 | 检测状态、目标数量、FPS、处理帧数实时更新 |
| 检测列表 | 右侧列表显示当前帧所有检测到的目标（类别+置信度） |
| 日志记录 | 日志标签页记录操作和错误信息，带时间戳 |
| 占位显示 | 未选择检测源时显示系统LOGO和提示文字 |
7、结果保存模块
| 功能 | 描述 |
|---|---|
| 保存开关 | 复选框控制是否保存检测结果 |
| 路径选择 | 自定义保存路径，支持图片/视频格式自动识别 |
| 自动命名 | 保存文件自动添加时间戳（detection_result_20240101_120000.jpg） |
| 视频保存 | 支持检测结果视频录制（MP4格式） |
| 手动保存 | 工具栏保存按钮可随时保存当前画面 |
| 保存反馈 | 保存成功弹窗提示，日志记录保存路径 |
8、工具栏功能
| 功能 | 描述 |
|---|---|
| 图片按钮 | 快速切换到图片检测模式并打开文件选择器 |
| 视频按钮 | 快速切换到视频检测模式并打开文件选择器 |
| 摄像头按钮 | 快速切换到摄像头检测模式 |
| 保存按钮 | 手动保存当前显示画面 |
9、辅助功能
| 功能 | 描述 |
|---|---|
| 错误处理 | 统一错误弹窗提示，日志记录错误详情 |
| 资源清理 | 检测停止时自动释放摄像头、视频文件、视频写入器资源 |
| 时间显示 | 状态栏实时显示系统时间 |
| 模型状态 | 状态栏显示模型加载状态和当前设备（CPU/GPU） |
10、数据校验模块
| 功能 | 描述 |
|---|---|
| 注册验证 | 用户名长度≥3，密码长度≥6，密码一致性检查，邮箱格式验证 |
| 协议确认 | 注册前需勾选同意用户协议 |
| 文件校验 | 模型文件存在性检查，文件大小验证（≥6MB） |
| 输入非空 | 登录/注册时必填项非空检查 |
背景
传统森林火灾监测手段主要包括卫星遥感、地面巡逻与可见光视频监控。卫星遥感存在时间分辨率低、响应滞后等问题；可见光相机在夜间、雨雾或浓烟环境下几乎失效。相比之下，红外热成像对温度敏感，可在能见度极低条件下稳定工作，且能捕捉火源周围的热辐射异常，是构建 24 小时无人值守防火系统的理想传感器。
近年来，YOLO 系列模型因其端到端、高效率的特点，被逐步引入火灾检测任务。然而，现有研究大多集中于可见光火焰识别，或仅将红外图像作为输入未做针对性改进。实际红外火灾数据集中存在类别不平衡（烟雾样本远少于火焰样本）、目标尺度变化大、背景干扰复杂等问题，导致模型容易出现“重烟雾、轻火焰”的性能偏差。
本系统基于 YOLOv8 框架，采用真实红外森林场景数据，系统评估了两类目标的检测性能。通过分析混淆矩阵、PR 曲线与 mAP 指标，明确定位了火焰误报率高、召回率低的瓶颈，为后续引入多阈值决策、时序逻辑或生成更多火焰负样本提供了明确方向。
数据集介绍
1. 类别与标注
类别数量：2 类
类别名称：
['fire', 'smoke']标注格式：YOLO 格式边界框（x_center, y_center, width, height），归一化坐标
2. 数据规模
| 数据集 | 图像数量 |
|---|---|
| 训练集 | 1600 张 |
| 验证集 | 200张 |
| 测试集 | 200 张 |
| 合计 | 2000 张 |
训练过程
训练结果
整体性能概览![]()
模型规模：168 层，1112 万参数，28.4 GFLOPs ——轻量级，适合边缘计算或红外视频流实时检测。
整体 mAP50：0.826（不错，但主要靠 smoke 拉高）
整体 mAP50-95：0.518（表明定位精度一般，边界框不够紧致）
推理速度：4.6ms / 张（约 217 FPS），预处理 + 后处理也在 1ms 内，非常适合实时部署
各类别检测性能分析![]()
![]()
![]()
| 类别 | 样本数 | Precision | Recall | mAP50 | mAP50-95 |
|---|---|---|---|---|---|
| fire | 487 | 0.731 | 0.585 | 0.679 | 0.436 |
| smoke | 47 | 0.897 | 0.915 | 0.972 | 0.600 |
烟雾（smoke）——优秀
召回率 91.5%，mAP50 高达0.972
几乎不会漏报，精度也高
适合作为早期火灾预警的主要信号
火焰（fire）——明显偏弱
召回率仅58.5%→ 近一半真实火焰被漏检
mAP50 为 0.679，远低于烟雾
定位精度也较低（mAP50-95 仅 0.436）
混淆矩阵分析（关键问题）
原始混淆矩阵：![]()
fire → fire：315 次正确
fire → background：144 次误报
fire → smoke：46 次（类别混淆）
smoke → fire：4 次（可接受）
归一化混淆矩阵：![]()
fire 的假正率极高：65% 的预测为 fire 的样本实际上是背景
说明模型对“火焰”特征学习不充分
曲线与训练过程分析![]()
训练 loss：box / cls / dfl 持续下降，收敛正常
验证 loss：同样下降，没有明显过拟合
mAP50 曲线：从 0.5 → 0.82，上升平稳
mAP50-95 曲线：上升缓慢，最终 ~0.52，说明框的 IOU 能力一般
常用标注工具
假设您现在准备好进行标注。有几种开源工具可以帮助简化数据标注流程。以下是一些有用的开放标注工具：
Label Studio：一个灵活的工具，支持各种标注任务，并包含用于管理项目和质量控制的功能。 CVAT：一个强大的工具，支持各种标注格式和可定制的工作流程，使其适用于复杂的项目。 Labelme：一个简单易用的工具，可以快速标注带有多边形的图像，非常适合简单的任务。 LabelImg: 一款易于使用的图形图像标注工具，特别适合以 YOLO 格式创建边界框标注。
这些开源工具经济实惠，并提供一系列功能来满足不同的标注需求。
界面核心代码：
