تشخیص آتش‌سوزی در فضای باز با بهره‌گیری از مدل بهبودیافته یولو نسخه هشتم نانو

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشجوی کارشناسی ارشد هوش مصنوعی و رباتیکز، گروه مهندسی کامپیوتر، دانشکده فنی و مهندسی، دانشگاه شهید باهنر کرمان، ایران

2 استادیار، گروه مهندسی کامپیوتر، دانشکده فنی و مهندسی، دانشگاه شهید باهنر کرمان، ایران

3 دانشیار، گروه مهندسی کامپیوتر، دانشکده فنی و مهندسی، دانشگاه شهید باهنر کرمان، ایران

10.22034/abmir.2025.23725.1173

چکیده

مدل YOLOv8-nano به‌عنوان یک شبکه سبک برای تشخیص اشیاء در زمان واقعی طراحی‌شده است، اما در شناسایی اشیاء کوچک مانند آتش و دود محدودیت دارد. در این مطالعه، مدل پیشنهادی با گسترش هرم ویژگی‌ها به مقیاس P2، افزودن ماژول توجه CBAM در لایه‌های میانی و عمیق، و جایگزینی کانولوشن استاندارد با GhostConv در مسیر PAN، عملکرد مدل برای اشیاء کوچک بهبودیافته است. مقیاس P2 جزئیات مکانی اشیاء کوچک را حفظ کرده و مسیر FPN اطلاعات معنایی از لایه‌های عمیق‌تر را منتقل می‌کند. ماژول CBAM با ترکیب توجه کانالی و مکانی، ویژگی‌های مرتبط با اشیاء کوچک را تقویت و نویز پس‌زمینه را کاهش می‌دهد GhostConv نیز با کاهش پارامترها و پیچیدگی محاسباتی، بهره‌وری مدل را افزایش می‌دهد. نتایج آزمایش روی مجموعه داده‌ها نشان می‌دهد مدل پیشنهادی تعادل بهینه‌ای بین دقت تشخیص و هزینه محاسباتی ارائه می‌دهد، و از نظر دقت نسبت به YOLOv8-n در کاربردهای زمان واقعی عملکرد بهتری دارد. این نتایج نشان می‌دهد که معماری بهینه‌شده می‌تواند راهکاری مؤثر برای تشخیص اشیاء کوچک در محیط‌های پیچیده ارائه دهد.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Outdoor fire detection using the improved YOLO Nano version 8 model

نویسندگان [English]

  • Sareh Yazdanpanah 1
  • Abbas Bahrololoum 2
  • Hadis Mohseni Tekllu 3
1 M.Sc. Student in Artificial Intelligence and Robotics, Department of Computer Engineering, Faculty of Engineering, Shahid Bahonar University of Kerman, Iran
2 Assistant Professor, Department of Computer Engineering, Faculty of Engineering, Shahid Bahonar University of Kerman, Iran
3 Associate Professor, Department of Computer Engineering, Faculty of Engineering, Shahid Bahonar University of Kerman, Iran
چکیده [English]

The YOLOv8-nano model is designed as a lightweight network for real-time object detection, but it has limitations in detecting small objects such as fire and smoke. In this study, the proposed model improves performance for small objects by extending the feature pyramid to the P2 scale, adding the CBAM attention module in the intermediate and deep layers, and replacing standard convolution with GhostConv in the PAN pathway. The P2 scale preserves the spatial details of small objects, while the FPN pathway transfers semantic information from deeper layers. The CBAM module, by combining channel and spatial attention, enhances features related to small objects and reduces background noise. GhostConv also increases model efficiency by reducing parameters and computational complexity. Experimental results on the dataset show that the proposed model provides an optimal balance between detection accuracy and computational cost, and achieves better accuracy than YOLOv8-n in real-time applications. These results indicate that the optimized architecture can offer an effective solution for detecting small objects in complex environments.

کلیدواژه‌ها [English]

  • Deep learning
  • YOLO version 8
  • early fire detection
  • attention mechanism

مراجع

[1]     S. Jamal, E. Benny, G. Joseph, H. Jackson, and J. D. Koshy, “A novel framework for real-time fire detection in CCTV videos using a hybrid approach of motion-flicker detection, colour detection and YOLOv7,” in Proc. Int. Conf. Electr., Comput., Commun. and Mechatronics Eng. (ICECCME), Tenerife, Spain, 2023.
[2]     X. Cao, Y. Su, X. Geng, and Y. Wang, “YOLO SF: YOLO for fire segmentation detection,” in IEEE Access, 2023.
[3]     M. Bistrović, D. Kezić, and D. Komorčec, “Historical development of fire detection system technology on ships,” in Naše more, 2013.
[4]     R. Zhou, Y. Zhang, and Z. Liu, “Application of common-use temperature sensors to early fire detection,” in Lecture Notes in Electrical Engineering, Singapore, 2018.
[5]     L. Du, R. Zhang, and X. Wang, “Overview of two-stage object detection algorithms,” in International School, Beijing University of Post and Telecommunication, Beijing, China, 2023.
[6]     R. Girshick, J. Donahue, T. Darrell, and J. Malik, “Rich feature hierarchies for accurate object detection and semantic segmentation,” in 2014 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Columbus, OH, USA, 2014.
[7]     R. Girshick, “Fast R-CNN,” in 2015 IEEE International Conference on Computer Vision (ICCV), Santiago, Chile, 2015.
[8]     X. Wu, W. Li, D. Hong, R. Tao, and Q. Du, “Deep learning for unmanned aerial vehicle-based object detection and tracking: a survey,” in IEEE Geoscience and Remote Sensing Magazine, 2021.
[9]     J. Redmon, S. Divvala, R. Girshick, and A. Farhadi, “You Only Look Once: Unified, Real-Time Object Detection,” in Proc. IEEE Conf. on Computer Vision and Pattern Recognition (CVPR), 2016.
[10] G. Jocher, A. Chaurasia, J. Qiu, and Ultralytics Team,“YOLOv8: Ultralytics official documentation,” in Ultralytics, 2023.
[11] C. Li, D. Wu, X. Zhang, and P. Wu, “GSF-YOLOv8: A novel approach for fire detection using gather-distribute mechanism and SimAM attention,” in IEEE Access, 2024.
[12] D. Mamadaliev, P. L. M. Touko, J.-H. Kim, and S.-C. Kim, “ESFD-YOLOv8n: Early Smoke and Fire Detection Method Based on an Improved YOLOv8n Model,” in Fire, 2024.
[13] C. Li, Y. Du, X. Zhang, and P. Wu, “YOLOGX: an improved forest fire detection algorithm based on YOLOv8,” in Frontiers in Environmental Science, 2025.
[14] S. Woo, J. Park, J.-Y. Lee, and I. S. Kweon, “CBAM: Convolutional block attention module,” in Proc. Eur. Conf. Comput. Vis. (ECCV), 2018.
[15] K. Han, Y. Wang, Q. Tian, J. Guo, C. Xu, and C. Xu, “GhostNet: More Features from Cheap Operations,” in arXiv preprint, 2020.
[16] Sayedgamal99, “Smoke Fire Detection YOLO,” in Kaggle, 2023.
[17] “FASD dataset,” in Google Drive, 2025.
پژوهش های نظری و کاربردی هوش ماشینی
دوره 4، شماره 1
بهار و تابستان 1405
اردیبهشت 1405
صفحه 29-40

فایل ها

هم رسانی

ارجاع به این مقاله

آمار