基于深度学习的 CCTV 烟雾检测系统用于消防通道区域
摘要
提出一种基于深度学习的实时烟雾检测系统，用于 CCTV 监控消防通道区域， due to critical safety requirements。数据集包含 8,124 张来自 20 种不同场景的图像，以及 2,708 个原始样本，演示低光照区域。我们评估了三个先进的目标检测模型：YOLOv8、YOLOv11 和 YOLOv12，随后开发了一个源自 YOLOv8 且添加了针对挑战性监控环境的结构的自定义模型。该提出的模型在其他模型中表现最佳，召回率达 78.90%，mAP@50 为 83.70%，在各异环境中实现最佳目标检测。在多个边缘设备上使用多线程操作进行性能评估后，显示 Jetson Xavier NX 每次推理处理数据耗时 52 到 97 毫秒，确立其在关键时序操作中的适用性。该系统为监控公共安全并实现自动合规性监督提供了一个稳健且可适应的平台。
引用
@article{arxiv.2508.11696,
title = {A Deep Learning-Based CCTV System for Automatic Smoking Detection in Fire Exit Zones},
author = {Sami Sadat and Mohammad Irtiza Hossain and Junaid Ahmed Sifat and Suhail Haque Rafi and Md. Waseq Alauddin Alvi and Md. Khalilur Rhaman},
journal= {arXiv preprint arXiv:2508.11696},
year = {2026}
}
备注
We request withdrawal due to critical inconsistencies in the Result Analysis, where reported metrics for the proposed model conflict between text and Table 1 (precision/recall/mAP@50), and a methodological issue in Dataset Description where augmentation likely introduced data leakage across train/validation/test splits, making results unreliable and non-reproducible