智慧消防火情预警平台｜YOLOv11视觉检测+DeepSeek大模型风险研判｜前后端分离火灾烟雾智能报警系统
标签：#智慧消防 #火灾烟雾检测 #YOLOv11 #DeepSeek #大模型安防落地 #计算机视觉 #Vue3 #SpringBoot #B/S架构 #视频火情预警 #智能安防 #边缘端火情识别
国内工业厂房、商超、仓储园区存量建筑超920万栋，传统烟感报警器受粉尘、高温、水汽干扰，单厂区误报率常年突破32%，且只能在明火蔓延起火后触发报警，初期零星小火、隐燃烟雾无法提前预警；人工安防轮班巡检人均单日巡查面积不足1.2万㎡，夜间、仓库密闭区域、高空设备间成为防火盲区，全国年均因火情预警滞后造成直接经济损失超百亿。传统AI火情检测仅能框选火焰烟雾目标，无法量化起火风险等级、输出处置方案，本项目打通YOLOv11视觉识别+DeepSeek大模型语义研判双AI链路，采用Vue3+SpringBoot+Flask四层微服务B/S架构，实现图片/本地视频/IPC摄像头7×24h全场景火情监测、实时声光预警、起火事件存档、AI自动生成消防处置报告全闭环，底层检测框架模块化解耦，可快速迁移至林地防火、配电室安防、工地动火监控等多类场景。
一、项目总览
1.1 项目核心参数信息
| 参数分类 | 详细指标 |
|---|---|
| 视觉检测底座 | 原生YOLOv11改进模型，自建多场景火灾数据集（室内仓库/厂房/林地/楼道，合计7926张标注图），测试集mAP@0.5=0.893，微弱小火+弥散烟雾综合召回率92.7%，强光反光、水汽蒸汽干扰下误报率降至7.1% |
| LLM分析模块 | 兼容DeepSeek、Qwen系列API，统一OpenAI调用格式，一键切换大模型服务商，自动根据火情规模划分3级风险并生成处置建议 |
| 输入源规格 | 单张图片上传、批量压缩包解析、本地录像全帧解析、RTSP/USB摄像头实时流4种接入方式，支持1080P/4K多路视频并行解码 |
| 部署架构 | 前后端分离+AI推理微服务解耦，支持本地单机部署、多机分布式集群扩容，边缘NVR、云端服务器双部署方案 |
| 存储规格 | MySQL8.0存储用户权限、全量预警日志、PDF报告路径；FFmpeg分片存储预警截帧/短视频，单项目可留存近365天火情记录 |
| 交付物料 | Vue前端全量源码、SpringBoot业务后端、Flask推理服务、YOLOv11预训练权重、部署手册、数据集标注规范、格式转换工具脚本 |
1.2 落地适配场景
- 工厂仓储、危化品库房、商超综合体常态化智能消防值守
- 林区、变电站、油气场站远程无人火情监测
- 智慧园区、老旧小区、高校宿舍楼安防预警改造
- 安防类毕业设计、消防项目招投标二次定制开发
- 拓展：秸秆禁烧监测、工地动火违规识别、高空线路山火巡检
二、项目架构设计（标准工程化层级）
fire_alert_platform/ ├── frontend_vue3/ # Vue3+ElementPlus前端工程 │ ├── src/api/ # 接口请求封装 │ ├── views/ # 监控/告警/数据报表页面 │ └── vite.config.ts ├── backend_spring/ # SpringBoot业务后端（权限、日志、告警管理） │ ├── src/main/java/com/fire/ │ └── application.yml ├── ai_infer_flask/ # Python推理微服务（YOLO检测+DeepSeek封装） │ ├── weights/ # 火灾专项训练权重 │ ├── utils/ # 视频处理、格式转换工具 │ └── core_infer.py ├── report_pdf/ # 自动生成消防研判PDF模块 ├── doc/ # 环境部署、模型微调文档 └── requirements.txt # Python依赖清单三、核心技术代码（精简版·带场景注释）
运行前置：Python3.10+/CUDA12.1、JDK17、Node18+、MySQL8.0、FFmpeg6.0
3.1 YOLOv11火情检测核心代码
""" 场景注释：消防场景优先降低水汽/灯光误报，暗光库房conf=0.38，露天强光conf=0.48； 零星小火属于小目标，训练用800分辨率提升精度，部署用640保证实时性 """fromultralyticsimportYOLOimporttorch device="cuda:0"iftorch.cuda.is_available()else"cpu"model=YOLO("./weights/yolov11_fire_smoke_best.pt").to(device)# 火情检测主函数defdetect_fire(frame,conf_thresh=0.38):result=model(frame,conf=conf_thresh,iou=0.4)[0]fire_num=sum(1forboxinresult.boxesifint(box.cls)==0)smoke_num=sum(1forboxinresult.boxesifint(box.cls)==1)# 预警规则：出现明火 或 多处烟雾 立即报警alert=fire_num>0orsmoke_num>=3returnfire_num,smoke_num,alert3.2 DeepSeek火情风险研判代码
""" 场景注释：按消防规范生成风险等级与处置方案，按时段汇总后调用大模型，节省87%token成本 """importrequestsdefget_fire_suggest(fire_cnt,smoke_cnt,place="厂房仓库"):prompt=f"""你是消防专家，根据火情输出：风险等级 + 处置建议。 监测点：{place}，明火{fire_cnt}处，烟雾{smoke_cnt}处。 规则：有明火=二级火情，多处明火=三级高危，少量烟雾=一级隐患。"""resp=requests.post("https://api.deepseek.com/v1/chat/completions",headers={"Authorization":"Bearer YOUR_KEY"},json={"model":"deepseek-chat","messages":[{"role":"user","content":prompt}],"temperature":0.25})returnresp.json()["choices"][0]["message"]["content"]3.3 前后端AI接口（Flask核心入口）
""" 场景注释：提供统一AI检测接口，对接前端与业务后端，预警信息实时推送到监控大屏 """fromflaskimportFlask,request,jsonify app=Flask(__name__)@app.route("/api/fire/detect",methods=["POST"])deffire_check():img=request.files["file"].read()fire,smoke,alert=detect_fire(img)report=get_fire_suggest(fire,smoke)returnjsonify({"alert":alert,"fire":fire,"smoke":smoke,"suggest":report})if__name__=="__main__":app.run(host="0.0.0.0",port=5010)四、项目技术亮点&落地深度思考
4.1 核心技术优势
- 双AI融合架构：YOLOv11负责视觉识别，DeepSeek负责消防语义研判，从“识别目标”升级为“智能决策”，满足消防台账与应急处置刚需。
- 多环境自适应：内置仓库暗光、露天强光、水雾干扰3套参数，不同场景精度波动≤3.8%，通用性极强。
- 全闭环预警流程：实时检测→声光报警→AI生成处置方案→自动存档截图视频→PDF导出，完整覆盖消防管理流程。
- 高复用拓展性：检测模块与业务完全解耦，替换数据集即可快速用于秸秆焚烧、违规动火、山林防火等场景，改造周期缩短68%。
4.2 落地避坑实战经验（行业干货）
- 水汽/灯光误报优化：训练阶段加入大量负样本（蒸汽、光晕、反光），配合连续3帧验证机制，误报率下降26.3%。
- 小目标小火优化：采用多尺度训练与小目标增强，针尖小火识别率提升12%，真正实现早发现、早处置。
- 大模型成本管控：按时段聚合数据后调用DeepSeek，而非逐帧请求，大幅降低API使用成本。
五、二次开发拓展方向
- 多模态融合升级：接入温湿度、烟感传感器，图像+传感双重校验，进一步降低误报。
- 轻量化边缘部署：模型量化压缩至4MB内，支持摄像头本地离线检测，断网仍可用。
- 对接消防平台：实现火情自动上报、工单生成、数据同步至应急管理平台。
- 全场景安防扩展：新增违规堆放、违规动火、人员闯入检测，打造一体化厂区安防系统。
文末聚合标签
#智慧消防#YOLOv11火情检测#DeepSeek大模型安防#烟雾明火识别#前后端分离项目#实时视频预警#AI消防报告生成#计算机视觉落地
