摘要
公路隧道火灾不仅会对车辆和人员安全造成严重威胁，还会带来重大经济损失和社会影响。因此，能够在第一时间检测到隧道内的火灾隐患并且实时掌握火势的动态变化对于隧道火灾的处置显得尤为关键。通过对比分析国内外火灾检测领域的研究现状，发现针对火灾动态跟踪的研究成果不多，但需求强劲，技术优势明显，具有很好的探索和研究价值。本文探讨了基于深度学习的火灾检测与跟踪方法，并对目前常见算法进行对分析，选择最适用于本文的算法，旨在实现对公路隧道火灾的精确检出和实时动态分析。 为了实时掌握公路隧道火灾情况并做出针对性扑救，保障隧道消防安全，提出一种改进 YOLOv8 与 DeepSort 的公路隧道火灾检测与跟踪算法。检测算法方面，使用一种简单高效的网络模型结构 EfficientNetV2重构 YOLOv8主干网络，然后在Neck部分加入三重注意力（Triplet Attention）模块，一方面通过使用三支结构捕获跨纬度交互作用来计算注意力，另一方面对 Neck 部分进行轻量化调整。为了配合 AFPN 结构，在检测层添加第四检测头，提高模型的检测能力。由于原有的损失函数存在的不足，使用 QFL 损失函数替换 VFL 损失函数，并且提出一种WIoUv3代替CIoU的思路。跟踪算法方面，对ReID模块进行改进，采用轻量化的 ShuffleNetV2 替换原有的卷积神经网络，深度可分离卷积的引入可以有效减少模型计算的复杂度﹐使得在资源受限的设备上也能够实现较好的跟踪效果。然后改进 IOU模块，使整体的跟踪算法速度更快，稳定性更高。将改进后的两种算法进行结合，得到本文提出的公路隧道火灾检测与跟踪模型YOLOv8-DS。 针对目前没有满足条件的隧道火灾公开数据集，且相关图像数据较少的现状，构建了自主数据集，以保障模型训练效果。通过模拟隧道火灾以及搜集真实隧道火灾事故图像视频，构建了 31000 张针对公路隧道火灾的图像数据集，并以此为基础，成功训练出本文提出的公路隧道火灾检测与跟踪算法模型 YOLOv8-DS，并对其进行测试。试验表明，YOLOv8-DS 模型在隧道火灾检测与跟踪方面有着较好的效果。通过与其它常用深度学习火灾检测模型和跟踪模型进行性能对比分析，分析结果显示 YOLOv8-DS模型在平均检测跟踪准确率上达到了 94.41%，并且在火焰与烟雾跟踪方面也优于其他算法模型。最后为了验证模型的工程应用性，开发了一个隧道火灾检测与跟踪系统，系统采用云边端架构。经过测试，系统很好的完成了隧道火灾检测与跟踪的任务，能保障群众生命安全和隧道消防安全。
NETL