在智慧城市中使用视觉传感器进行早期烟雾/火灾检测的智能方法

在智慧城市中监测烟雾为何重要

在拥挤的现代城市中，一缕细小的烟雾可能迅速演变为危及人员、建筑和关键服务的致命火灾。传统的火警装置常常反应迟缓，或因淋浴蒸汽或厨房烟雾等误报而触发。本文提出了一种基于摄像头的新系统，能够更早且更准确地发现烟雾和火情，为应急队伍争取宝贵的反应时间。它结合了人工智能的最新进展，可监控街道、城市边缘的森林和公共空间，帮助提高智慧城市的安全性与韧性。

当前火警系统的问题

传统的火灾检测系统依赖于室内的温度、可燃气体或烟雾传感器。这些设备必须靠近火源才能触发，从而在关键时刻造成报警延误。它们还常因灰尘、蒸汽或烹饪烟雾等无害源而产生大量误报，浪费资源并削弱公众信任。户外火灾检测更为困难：烟雾在外观上易与云雾、霾或阴影混淆，而且形状和密度变化迅速。固定传感器覆盖范围有限，在公园、工业区和交通枢纽等大型或复杂的城市环境中存在盲区。

将摄像头与更智能的视觉作为新安全网

随着数字摄像头和网络设备变得更便宜、更强大，研究者开始转向计算机视觉——教机器像人类一样“看”——以识别烟雾和火焰。早期系统使用人工设计的特征，例如检测灰色斑块或闪烁的颜色，但这些规则在光照、天气或背景杂乱变化时往往失效。深度学习方法能从大量图像中直接学习模式，提升了检测能力，但其中许多方法仍侧重于局部细节，容易漏检微弱或早期的烟雾信号；另一些虽准确但过于缓慢或计算量太大，无法在城市基础设施上实时运行。

用于火灾与烟雾的两步式 AI 守望

该研究提出了一个将两种强大 AI 思路结合为一体的智能框架。首先，Vision Transformer——一种从语言模型改编而来的图像分析方法——将每帧图像分割为许多小补丁，并观察它们在整个场景中的相互关系。这种全局视角有助于发现微妙的烟雾迹象，例如柔和的色彩渐变、朦胧的纹理和延伸的大面积模糊边缘。接着，这些丰富的视觉线索被传递给 YOLOv8，一种用于快速绘制目标边界框的检测器。YOLOv8 能精确定位出现烟雾或明火的区域，并且速度足以跟上实时视频流。

系统测试情况

为了评估这款两步守望器的表现，作者在两个大型公共数据集中超过7,700张精心标注的图像上进行了训练与测试，这些图像涵盖了城市街道、建筑和林地，在多种光照及天气条件下采集。他们通过旋转、翻转和提亮图像来增加多样性，以模拟昼夜场景和不同视角。在未见过的测试图片上，该系统对烟雾与火灾的识别准确率超过99%，并在漏报与误报之间实现了良好平衡。它还将每帧的处理时间控制在约45毫秒——约22帧/秒——足够用于监控室或联网设备的实时监测。

该方法的独特之处

与包括同一检测器家族早期版本及各种深度学习集成方法在内的其他先进方法相比，该新框架在准确性和风险区域定位方面表现更佳。通过将能理解更广阔场景的模型与擅长快速、精确标注目标的模型结合，它减少了雾、烟色衣物或屏幕上火焰图像等相似物的混淆。同时，其中等规模与高效设计使其在计算资源和网络带宽可能受限的实际智慧城市部署中更具可行性。

对日常安全的意义

对非专业读者来说，关键结论是：智慧城市中的摄像头可以做的不仅仅是记录以供事后查看——它们可以在灾难发生之时帮助阻止灾情扩大。所提出的系统表明，通过融合广域视觉理解与快速检测，可以在火灾最早期发现火情、减少误报并支持更快、更有针对性的应急响应。随着在应对极端天气、夜间场景和整合更多传感器数据方面的进一步完善，类似工具有望成为城市安全网络的核心组成，默默守护住宅、森林和公共空间，防止小火星演变为重大灾害。

引用: Abozeid, A., Alanazi, R. An intelligent approach for early smoke/fire detection using vision sensors in smart cities. Sci Rep 16, 11387 (2026). https://doi.org/10.1038/s41598-026-42762-y

关键词: 火灾检测, 烟雾检测, 智慧城市, 计算机视觉, 深度学习