FireLight-YOLO：面向森林火灾实时监测的轻量化模型

摘要

【目的】为应对森林火灾频发对生态安全构成的严峻挑战，构建轻量化实时智能监测体系以提升生态风险防控能力具有重要现实意义。针对现有火灾检测方法易受环境干扰，且模型复杂度与实时性难以兼顾的问题，本研究旨在开发一种无需外部预训练权重即可从零训练的高效轻量化检测模型。【方法】研究首先构建了涵盖1万余张高质量图像的森林火灾监测数据集并开源发布。在此基础上，基于YOLOv8提出FireLight-YOLO轻量化架构：引入幽灵卷积压缩冗余计算，设计融合部分卷积与点态卷积的FasterC2fBlock构建T形感受野以增强关键区域感知，并优化SPPF模块提出特征金字塔共享卷积机制实现高效跨尺度特征融合。模型通过交叉验证、独立测试、消融实验及多噪声场景鲁棒性检验完成性能评估。【结果】FireLight-YOLO在未使用预训练权重条件下实现mAP@0.5达0.491，仅需约2.26×10～6参数与5.9GFLOPs计算量，在精度、轻量化与实时性间达到有效平衡。相较于原始YOLOv8，模型计算量减少2.2 GFLOPs，参数量降低了25%，推理速度提升15%，并在复杂干扰场景中展现出优异的鲁棒性。【结论】FireLight-YOLO实现了轻量化条件下对森林火灾的精准检测。该研究不仅为森林火灾智能监测提供了低成本、高效率的技术方案，其轻量化特性亦显著增强了模型在移动终端的部署适应性。研究成果可为森林生态系统的保护与修复提供坚实的智能化支撑。

关键词

YOLOv8 / Ghost卷积 / 森林火灾检测 / 实时目标检测 / 轻量化模型 / 特征金字塔共享卷积(FPSC) / 边缘部署 / 生态安全