工程现场火险智能空间估计：基于增强 YOLOv8 的 Proximity Analysis 框架
计算机视觉与模式识别
2026-03-11 v1
摘要
本研究提出一种增强双模型 YOLOv8 框架，用于智能火灾检测和基于距离的风险评估，将传统基于视觉的监控扩展到可操作的风险优先级。该系统基于 9,860 张标注图像进行训练，以在复杂环境中分割火灾和烟雾。该框架将用于火灾和烟雾检测的主模型 YOLOv8 实例分割模型与预训练在 COCO 数据集上的次级目标检测模型集成，以识别周围实体（如人员、车辆和基础设施）。通过整合两个模型的输出，系统计算检测到的火灾区域与附近对象的像素距离，并使用像素到米比例方法将其转换为近似实际测量值。将这些距离信息整合到风险评估机制中，该机制综合火灾证据、对象脆弱性和距离暴露，以产生定量风险评分和警报等级。该框架实现了卓越的性能，精确率、召回率和 F1 分数均超过 90%，[email protected] 超过 91%。该系统生成带注释的视觉输出，显示火灾位置、检测到的对象、估计距离和情境风险信息，以支持情境意识。该框架在 Google Colab 环境中使用开源工具实现，轻量级且适用于工业和资源受限的部署场景。
引用
@article{arxiv.2603.09069,
title = {Intelligent Spatial Estimation for Fire Hazards in Engineering Sites: An Enhanced YOLOv8-Powered Proximity Analysis Framework},
author = {Ammar K. AlMhdawi and Nonso Nnamoko and Alaa Mashan Ubaid},
journal= {arXiv preprint arXiv:2603.09069},
year = {2026}
}