YOLO11-BSCS: ett förbättrat uppmärksamhetsoptimerat ramverk för realtidsdetektion av inomhuseld och rök i mobila vårdrobotar för äldre

Varför brandsäkerhet för äldre behöver smartare hjälp

Fler äldre bor kvar hemma med begränsad rörlighet och tillbringar ofta långa perioder ensamma inomhus. En liten köksflamma eller ett rökstreck kan snabbt utvecklas till en livshotande brand, särskilt för personer som rör sig långsamt eller använder gånghjälpmedel. Den här studien undersöker hur mobila hjälprobotar kan få skarpare ögon för att upptäcka inomhuslågor och rök i tid för att varna och vägleda sårbara äldre till säkerhet.

Robotar som vakar över hemmet

Forskarna fokuserar på mobila robotar utformade för att hjälpa funktionsnedsatta äldre i vardagen. Förutom att bära föremål eller erbjuda sällskap kan dessa robotar patrullera rum med inbyggda kameror och fungera som rörliga säkerhetsvakter. Brand är en stor risk i sådana miljöer, där många dödsfall kopplas till sen upptäckt. Till skillnad från fasta brandvarnare kan en mobil robot rikta blicken mot spisar, uttag och andra farliga punkter, även i stökiga eller föränderliga rum. För att vara verkligt användbar måste dess visionssystem dock upptäcka små, tidiga lågor och svag rök i realtid samtidigt som det körs på begränsad inbyggd datorkraft.

Att lära en robot att se eld och rök

Moderna brandbevakningsrobotar förlitar sig på djupinlärning, där en datormodell lär sig mönster från tusentals bilder istället för att följa handskrivna regler. Teamet bygger vidare på ett nyligen utvecklat visionssystem kallat YOLO11s, känt för att skanna bilder snabbt i ett steg. De skapar en förbättrad version kallad YOLO11 BSCS, speciellt finjusterad för inomhuslågor och rök. För att träna modellen sammanställer de en stor bildsamling från laboratoriedatabaser, webben och noggrant iscensatta inomhusscener som kök, sovrum och äldreboenden. Bilderna fångar lågor och rök i många storlekar, vinklar och ljusförhållanden, och utökas genom rotation, brus och gråskalekonvertering så att modellen kan hantera suddiga eller ovanliga vyer.

Att ge roboten skarpare fokus och snabbare tänkande

Den centrala förbättringen i YOLO11 BSCS ligger i tre uppgraderingar som tillsammans gör roboten både mer exakt och mer effektiv. För det första hjälper en uppmärksamhetsmodul systemet att koncentrera sig på viktiga visuella regioner, såsom smala lågor eller tunn rök som driver över en rörig bakgrund, istället för att behandla varje pixel lika. För det andra trimmas en omdesignad uppsättning konvolutioner för att ta bort upprepad eller lågvärdig bildinformation i både rumsliga och färgkanaler. Detta minskar antalet interna beräkningar och förbättrar hastigheten utan att kasta bort användbara detaljer. För det tredje förfinar teamet sättet modellen lär sig att rita rutor runt faror, genom en träningsregel som bättre balanserar rutornas position, storlek och form, så att detektionerna stämmer tajtare med de verkliga eld- och rökområdena.

Sätta det nya visionssystemet på prov

För att se om dessa förändringar spelar roll i praktiken jämför författarna YOLO11 BSCS med välkända detektionsmodeller, inklusive flera versioner av YOLO och den allmänt använda Faster R-CNN. Alla system tränas och testas på samma inomhusbildsätt för brand, och varje experiment upprepas flera gånger med olika slumpmässiga starten för att säkerställa stabila resultat. Den förbättrade modellen når högre precision, vilket betyder färre falska larm, och högre återkallning, vilket betyder färre missade faror. Dess övergripande poängmått, som balanserar båda, ökar med flera procentenheter över den ursprungliga YOLO11s, även samtidigt som den använder färre parametrar än många konkurrerande modeller. Ytterligare tester på nya bilder från tidigare osett rum visar att systemet fortfarande upptäcker lågor och rök pålitligt, vilket tyder på god generalisering utöver träningsdata.

Vad detta innebär för säkrare hemvård

Enkelt uttryckt visar studien att ett noggrant finjusterat visionssystem kan hjälpa inomhusvårdsrobotar att upptäcka brand och rök tidigare och mer tillförlitligt, utan att kräva tung hårdvara. YOLO11 BSCS låter en robot snabbt skanna rum, låsa fast på små eller delvis dolda lågor och rök, och stödja snabba larm eller vägledning för boende som kan ha svårt att ta sig ut på egen hand. Även om vidare arbete behövs för att testa systemet på riktiga enheter och utvidga det till andra faror, pekar denna forskning mot en framtid där mobila hjälpare tyst patrullerar våra hem och ger ett extra säkerhetslager för några av samhällets mest sårbara medlemmar.

Citering: Wang, Y., Wang, Y., Wei, Z. et al. YOLO11-BSCS: an enhanced attention-optimized framework for real-time indoor flame and smoke detection in elderly care mobile robots. Sci Rep 16, 14956 (2026). https://doi.org/10.1038/s41598-026-45957-5

Nyckelord: inomhusbranddetektion, robotar för äldrevård, rökigenkänning, djupinlärningsvision, realtidsövervakning för säkerhet