YOLO11-BSCS：一种为老年护理移动机器人优化的注意力增强型实时室内火焰与烟雾检测框架

为什么老年人的消防安全需要更聪明的助手

越来越多的老年人在家中生活且行动不便，常常在室内独处很长时间。一个小小的灶火或一缕烟雾可能会迅速演变为危及生命的火灾，尤其对行动迟缓或使用助行器的人来说更是如此。本研究探讨如何赋予移动辅助机器人更敏锐的“眼睛”，以便及时发现室内火焰和烟雾，提醒并引导脆弱的老年人脱离危险。

守护家庭的机器人

研究者关注的是为残疾老年人提供日常帮助的移动机器人。除了搬运物品或提供陪伴，这些机器人还能携带内置摄像头巡查房间，充当移动的安全守望者。火灾在此类环境中是重大风险，许多死亡与发现延迟有关。与固定式烟雾报警器不同，移动机器人可以直接观察炉灶、插座等危险点，即便是在杂乱或不断变化的房间中也能做到这一点。然而，要真正发挥作用，其视觉系统必须在有限的机载计算能力下实时识别小型早期火焰和微弱烟雾。

教机器人识别火焰与烟雾

现代的防火机器人依赖深度学习，模型从成千上万张图像中学习特征，而不是依靠手工编写的规则。团队基于一种名为YOLO11s的快速单次扫描视觉系统进行了改进，提出了专门针对室内火焰与烟雾的升级版本YOLO11-BSCS。为训练该模型，他们汇集了来自实验数据库、网络以及精心布置的室内场景（如厨房、卧室和老年公寓）的大量图像。这些图片在尺寸、角度和光照条件上包含了多样的火焰与烟雾，并通过旋转、加入噪声和灰度转换等增强手段扩展数据集，以便模型应对模糊或异常视角。

赋予机器人更清晰的聚焦与更快的推理

YOLO11-BSCS的核心进展体现在三项改进上，这些改进共同使机器人更精确且更高效。首先，一个注意力模块帮助系统专注于重要的视觉区域，例如细长的火舌或在复杂背景中漂浮的薄烟，而不是将每个像素一视同仁。其次，重新设计的卷积结构在空间和颜色通道上去除重复或低价值的信息，减少内部计算量，从而在不丢失有用细节的情况下提高速度。第三，团队改进了模型学习框定危险区域边界框的方式，采用一种在位置、尺寸和形状之间有更好平衡的训练准则，使检测框更紧密地贴合真实的火焰与烟雾区域。

将新视觉系统付诸测试

为验证这些改进在实际中的效果，作者将YOLO11-BSCS与多种知名检测模型进行了比较，包括若干版本的YOLO和广泛使用的Faster R-CNN。所有系统均在相同的室内火灾图像集上训练和测试，并对每次实验进行多次不同随机初始化的重复，以确保结果稳定。改进后的模型在精确率（表示误报较少）和召回率（表示漏报较少）两方面均表现更好。其综合评分（平衡两者的指标）比原始YOLO11s提高了数个百分点，同时使用的参数也少于许多竞争模型。在来自先前未见房间的新图像上的额外测试表明，该系统仍能可靠地检测火焰与烟雾，显示出良好的泛化能力。

这对更安全的家庭护理意味着什么

简而言之，研究表明经过精心调优的视觉系统可以帮助室内护理机器人更早、更可靠地发现火焰与烟雾，而无需依赖昂贵的硬件。YOLO11-BSCS使机器人能够快速扫描房间，锁定小型或部分被遮挡的火焰与烟雾，并为可能难以自行逃生的住户提供及时的报警或指引。尽管仍需在真实设备上进一步测试并扩展到其他危险类型，但这项研究指向了一个未来：移动助手在我们家中悄然巡逻，为社会中最脆弱的人群提供额外的一层安全保障。

引用: 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

关键词: 室内火灾检测, 老年护理机器人, 烟雾识别, 深度学习视觉, 实时安全监测