基于卷积神经网络的果园火灾识别系统研究与实现.pdfVIP

摘要

摘要

果园火灾识别对维护农村经济和农民安全具有重要作用。作为农村经济的重要支

柱，果园若发生火灾，不仅会造成果树损毁、产量下降，还可能因农药、燃料等危险

品泄漏引发环境污染，甚至威胁周边居民生命安全。随着果园种植规模扩大和劳动力

资源减少，传统的人工巡查方式已难以有效应对复杂环境下的火灾隐患。通过智能监

测系统可以快速识别火情，为及时救援争取黄金时间，有效控制火势蔓延，这既是确

保果园产业稳定发展的关键环节，也是构建现代化智慧农业的重要安全支撑。本研究

旨在利用基于卷积神经网络的YOLOv8目标检测模型探索如何提升火灾识别的准确

性和效率。本研究的主要内容如下：

1）构建高质量的果园火灾数据集：首先采用互联网引擎搜索的方式，广泛搜索

各类果园火灾相关图像。然后，运用平移、旋转、亮度调整等多种数据增强技术，对

原始数据进行扩充，增加数据集的多样性和规模。最后使用图像标注软件LabelImg

对图像中的烟雾和火焰进行标注，从而构建了一个内容丰富的果园火灾图像数据集，

为后续模型的训练提供数据支持。

2）构建果园火灾识别算法：本研究在YOLOv8模型的基础上通过引入AKConv

与MSDA对原始模型进行持续优化。在此过程中，依次完成YOLOv8基线实验、

YOLOv8-MSDA实验、YOLOv8-AKConv实验以及改进方法综合起来的YOLOv8-AM

实验。通过实验结果的比较分析，研究模型在精确率、召回率等方面的性能表现，并

结合模型的特征提取能力、识别精确度等因素，最终确定YOLOv8-AM模型在果园

火灾识别任务中表现最优，能够更好地适应果园复杂环境下的火灾检测需求。

3）基于PySide6构建火灾识别系统：为了将研究成果更好地应用于实际场景，

本研究基于PySide6开发框架，将改进后的YOLOv8-AM模型集成到火灾识别系统中。

在系统设计过程中，充分考虑用户的使用习惯和操作需求，设计出简洁直观的图形用

户界面，实现了一款专门用于果园火灾识别的系统。系统可以支持图像识别、视频识

别、摄像头实时识别三种模式，为用户提供了直观、便捷的操作体验。

实验结果充分验证了改进后的YOLOv8-AM模型更有优势。与原始YOLOv8模

型相比，YOLOv8-AM模型的精确率提高了2.9%，召回率提升了3.4%，mAP增加了

2.6%F1Score3.2%

，增长了。表明改进后的模型能够更准确地判断火灾的发生，减

少误报和漏报情况，更能够满足果园火灾识别的准确性要求。

关键词：卷积神经网络；目标检测；注意力机制；火灾识别；系统设计

I

重庆三峡学院硕士学位论文

Abstract

Orchardfirerecognitionplaysacrucialroleinmaintainingruraleconomyand

farmerssafety.Asanimportantpillaroftheruraleconomy,ifafireoccursinanorchard,it

willnotonlycausedamagetofruittreesandadeclineinyield,butmayalsoleadto

environmentalpollutionduetotheleakageofdangerousgoodssuchaspesticidesandfuels,

andeventhreatenthelivesofsurroundingresidents.Withtheexpansionoforchard

plantingscaleandthereductionoflaborresources,thetraditionalmanualinspection

methodhasbeendifficulttoeffectivelycopewiththefirehazardsincomplex

envir