超越YOLOv8！动态卷积+注意力机制，DSS-YOLO实现高精度实时火灾检测

DSS-YOLO：轻量高精火灾检测

原创于 2025-12-10 10:22:11 发布 · 455 阅读

8 ·

CC 4.0 BY-SA版权

文章标签：

#YOLO #目标检测 #目标跟踪 #计算机视觉 #科技

火灾是人类社会面临的重大威胁之一，它不仅危及生命、造成巨大经济损失，还严重影响社会稳定。在火灾初期，火焰往往较小，伴随着烟雾弥漫和物体遮挡，传统检测方法容易出现漏检、响应延迟等问题。如何实现快速、准确的早期火灾识别，一直是安防领域的核心挑战。

随着深度学习与计算机视觉技术的发展，基于图像的火灾检测方法逐渐成为研究热点。然而，普通目标检测模型在面对小火焰、遮挡目标时性能仍显不足，且往往计算成本较高，难以在资源有限的边缘设备上实时运行。

为此，我们今天讲述的论文中提出了一种轻量化且高效的火灾检测模型——DSS-YOLO。该模型基于YOLOv8n改进，通过引入动态卷积、注意力机制与多尺度特征增强模块，在显著降低计算开销的同时，提升了对小目标和遮挡火焰的识别能力，为智能火灾监控系统提供了可靠的技术方案。

论文标题：DSS-YOLO: an improved lightweight real-time fire detection model based on YOLOv8

论文链接：https://www.nature.com/articles/s41598-025-93278-w

图片1.png

一、火灾检测：从传统传感器到视觉AI

传统火灾检测主要依赖烟雾、温度、气体等传感器，虽然成本低、易于部署，但易受环境干扰，感应范围有限，且常需人工确认。在工业车间、矿山等复杂场景中，粉尘、局部高温常导致误报。

基于视觉的检测方法通过分析监控画面，能有效避免上述干扰，实现非接触、大范围的火灾监测。近年来，YOLO系列模型因其出色的速度与精度平衡，成为实时目标检测的首选架构。我们选择YOLOv8n作为基础模型，因其结构轻量、适合移动端部署，且支持检测、分类、分割等多种任务。

然而，火灾目标在图像中往往呈现以下特点：

目标较小：初期火点可能只有几十像素；
形态多变：火焰摇曳，烟雾扩散形状不规则；
遮挡常见：被建筑、树木、设备等部分遮盖；
背景复杂：室内外环境光照、纹理干扰大。

普通YOLO模型在这些场景下表现受限，因此我们针对性地设计了DSS-YOLO模型。

二、DSS-YOLO：三模块协同的轻量高性能架构

DSS-YOLO的核心改进围绕三个模块展开：DynamicConv、SEAM注意力机制与 SPPELAN多尺度融合模块。整体结构如下图所示：

图片2.png

DynamicConv：动态卷积减少计算量

我们将主干网络中的C2f模块全部替换为DynamicConv。该模块通过一个轻量的路由网络，根据输入特征动态生成卷积核权重，组合多个专家卷积核，从而在不显著增加参数量的情况下增强特征表达能力。实验表明，这一改动使模型计算量（FLOPs）降低约17%，模型体积缩小8.3%，同时召回率与mAP均有所提升。

SEAM注意力：增强遮挡目标识别

SEAM（Spatial and Channel Enhancement Attention Module）被嵌入检测头中，在特征融合与预测层之前使用。它通过多尺度深度可分离卷积，同时建模通道与空间维度关系，使模型更关注被遮挡区域与小目标区域。添加SEAM后，模型准确率显著提升3.6%，有效增强了对复杂火灾的鲁棒性。

图片3.png

SPPELAN：多尺度信息融合

SPPELAN结合了空间金字塔池化（SPP）与高效层聚合网络（ELAN），通过对不同尺度的特征进行池化与融合，增强模型对大小不一火焰的检测能力。我们将其置于主干网络末端，替代原有的SPPF模块，使mAP进一步提升0.5%。

大多数轻量级模型，为了提高推理速度，通常采用更简单的网络架构，忽略了精细特征的捕获。这导致在处理小物体或闭合物体时存在不利因素。相比之下，DSS-YOLO集成了三个模块——DynamicConv、SEAM和SPPELAN——它们不仅增强了小型和闭塞物体的检测能力，而且在实现模型轻量的同时保持了高性能。

图片4.png

三、实验效果：精度更高、速度更快、模型更小

我们在公开火灾数据集mytest-hrswj上进行了充分验证，该数据集涵盖室内、森林、建筑等多种场景。

消融实验：各模块贡献明确

图片5.png

与基线相比，DSS-YOLO在保持高精度的同时，模型体积减小3.3%，计算量降低12.3%，召回率提升1.6%，mAP提升0.6%。

对比实验：性能领先同类模型

与YOLOv5n、YOLOv6s、YOLOv8s等主流轻量模型相比，DSS-YOLO在精度-速度权衡上表现最优，尤其适合资源受限的实时场景。

图片6.png

测效果可视化

左侧为原始YOLOv8n结果，右侧为DSS-YOLO结果。可以看出，DSS-YOLO能更准确地检测到远处小火点、被遮挡火焰以及烟雾初起区域。

图片7.png

结论

本文提出了一个用于火灾物体检测任务的DSS-YOLO模型，该模型在保持低计算负载和模型大小的同时提高了检测精度，展示了实际应用价值。首先，骨干部分的所有C2f模块都被DynamicConv模块取代，以降低计算复杂性，同时保持良好的特征提取能力。然后，在头部部分的每个C2f层后添加了SEAM模块，以增强对闭塞物体和小目标的检测。最后，SPPELAN模块被添加到骨干部分的末尾，以提高模型检测不同尺度目标的能力。对mytest-hrswj数据集的广泛实验验证了改进算法的有效性。与原始YOLOv8n相比，拟议的DSS-YOLO模型在mAP中实现了0.6%的召回增长和1.6%的增长，同时模型大小和FLOP分别减少了3.4%和12.3%，满足了实时火灾检测的要求。与YOLOv8n相比，DSS-YOLO在检测被闭塞和不太明显的目标方面表现出更好的性能。未来的研究将侧重于进一步提高模型的泛化能力，并提高不同环境中的整体检测性能。

这项研究在检测小物体和闭物体方面取得了显著成果。然而，DSS-YOLO在极端条件下识别火焰时仍然面临挑战，例如过度曝光或低分辨率。此外，在背景与火焰相似的场景中，如日落或红色环境，其火焰检测性能是次优的。在未来的工作中，可以通过量化和修剪等技术，结合温度、湿度或烟雾传感器数据等多模态融合来提高模型的稳健性，以提高在复杂环境中的适应性，并为智能消防安全系统提供更可靠的技术支持。

火灾无小事，防患于未“燃”。DSS-YOLO通过结构优化，实现了精度、速度与轻量化的良好平衡，为智能火灾监测提供了新的解决方案。我们相信，随着AI技术的持续进步，视觉火灾检测将在公共安全领域发挥越来越重要的作用。