基于YOLOv8算法的廣西高速公路隧道火災檢測技術與應用研究

中圖分類號：U458.1 文獻標識碼：A DOl：10.13282/j.cnki.wccst.2025.04.047文章編號：1673-4874（2025）04-0168-04

0 引言

廣西地區山巒起伏，高速公路建設中隧道數量眾多。這些隧道作為交通的關鍵節點，在促進區域經濟交流與發展中發揮著重要作用。然而，隧道環境特殊，空間封閉、通風條件復雜，一旦發生火災，火勢蔓延迅速，煙霧擴散快，救援難度極大，極易造成嚴重的人員傷亡和巨大的財產損失。

傳統的隧道火災檢測方法，如感溫電纜、煙霧探測器等，存在檢測范圍有限、易受環境干擾、響應速度慢等問題，難以滿足隧道火災早期快速準確檢測的需求。隨著深度學習技術的蓬勃發展，目標檢測算法在眾多領域取得了顯著成果。YOLOv8算法作為目標檢測領域的先進算法，具有檢測速度快、精度高、適應性強等優勢，為廣西高速公路隧道火災檢測帶來了新的解決方案和研究方向。本研究旨在探索YOLOv8算法在廣西高速公路隧道火災檢測中的應用，提高火災檢測的準確性和實時性，為隧道安全運營保駕護航。

1YOLOv8算法原理與特點

YOLOv8算法是一種基于深度學習的目標檢測算法，具有良好的檢測精度和實時性，能夠快速準確地識別圖像中的目標物體。YOLOv8算法的核心思想是通過一次前向傳播即可完成自標檢測任務。YOLOv8算法通過特征提取和分類來實現目標檢測，其主要步驟包括：特征提取、網格劃分、邊界框預測、非極大值抑制。

特征提取：使用卷積神經網絡提取圖像的特征。

網格劃分：將圖像劃分為若干個網格，每個網格負責檢測一定區域內的目標。

邊界框預測：對于每個網絡，預測目標的邊界框和類別概率。

非極大值抑制：通過非極大值抑制（NMS）去除重疊的目標檢測結果。

YOLOv8算法通過一次前向傳播即可完成目標檢測任務，大大提高了檢測速度，使其在實時目標檢測任務中表現出色。

2試驗環境的搭建

2.1試驗環境

本文的模型訓練在高性能計算平臺上進行，以確保訓練效率和效果。硬件配置方面，選用配備NVIDIARTX3090GPU、IntelCorei9-12900KCPU、64GB內存的服務器，操作系統采用Windows11，深度學習框架選擇PyTorch，編程語言選擇python3.11。在搭建訓練環境時，安裝PyTorch及相關依賴庫，確保其版本與硬件和其他軟件兼容，下載YOLOv8的源碼并進行pip安裝，配置好相關參數，完成訓練環境的搭建。

2.2試驗數據集

在當前環境下，針對廣西高速公路隧道火災場景，尚無常用的公開數據集。本試驗的數據集來源主要為廣西各高速公路運營管理中心提供的數據，經匯總后僅得到725張有效的隧道火災場景圖片。此外，為豐富數據多樣性，試驗還收集了全國各種隧道火災場景圖片，使用pythonopencv庫對圖片進行平移、模糊、加噪聲等再次處理，最終形成了總數為7642張圖片的數據集。本試驗在最后還會將未能識別的圖片、新增加的圖片，加入數據集當中進行增量訓練，以確保準確度。本試驗將對該數據集開展標注工作，數據標注軟件使用labellmg，每標注一張圖片，會生成對應txt格式的坐標文件，步驟如下：

（1）使用本地已部署好的python3.11，進入python環境，輸入pip install labellmg安裝標注軟件，命令行輸入labellmg并回車啟動。

（2）根據自己的需求選擇合適的格式。本文使用YOLOv8算法，選擇YOLO格式。打開圖片目錄，點擊菜單欄中的OpenDir，選擇包含需要標注圖片的文件夾。此時，Labellmg會自動加載該文件夾下的所有圖片。設置保存目錄，點擊ChangeSaveDir，選擇一個用于保存標注文件的文件夾。標注文件會與對應的圖片文件名關聯并保存到該目錄中。

（3）定義類別。在對話框中輸入目標對象的類別名稱，本文定義了兩種類別，英文名稱即“fire”和“smoke”。

（4）保存標注信息。選擇AutoSaveMode，開啟自動保存功能。這樣在切換到下一張圖片時，當前圖片的標注信息會自動保存。按照上述步驟，依次對文件夾中的所有圖片進行標注，直到完成整個數據集的標注工作。

2.3訓練隧道火災檢測模型

將已經標注好的數據集進行分類，按照 80% 7 10% 、10% 的比例劃分為訓練集、驗證集和測試集。數據集目錄應包：（1）images文件夾存放圖片；（2）labels文件夾存放對應的標注文件；（3）train、val和test分別表示訓練集；（4）驗證集和測試集。即數據集為6112張，驗證集和測試集均為764張。

預訓練模型本次使用yolov8s（小型）；epochs（訓練輪數）決定了模型對整個數據集的遍歷次數，設置為300；batch（批次大小）越大，模型的訓練越穩定，梯度計算越準確，但會占用更多的顯存，設置為 64^[1] ;lrO（學習率）過大，模型可能會跳過最優解，設置為O.9;weight_decay（權重衰減系數）防止過度擬合，設置為0.00052。

在訓練過程中，YOLOv8會根據驗證集的表現不斷保存當前最佳的模型權重。訓練結束后，會得到一個名為best.pt的文件，其代表在整個訓練過程中，在驗證集上表現最優的模型參數3。這個文件可以用于后續的推理任務，例如對新的隧道火災圖像或視頻進行火焰和煙霧的檢測。最后一輪權重文件：除了最佳權重文件，還會生成一個last.pt文件，其保存的是訓練最后一輪結束時模型的權重。一般情況下，best.pt會比last.pt的性能更好，但last.pt也可用于一些特定的分析或進一步的微調。

2.4試驗評價標準

為準確評估模型在隧道環境下的火焰與煙霧檢測效果，Yolov8算法采用了一系列明確的檢測指標，包括精確率、召回率、平均精度均值（mAP）以及模型向前推理時間。這些指標共同衡量了模型算法的性能[4]。

精確率（Precision）是評估模型檢測準確性的關鍵指標，其計算公式為式（1）：

式中： TP 一真正例，即正確檢測到的目標；

FP 一假正例，即錯誤地將非目標檢測為目標。

召回率是衡量模型對正例目標“完整檢測能力\"的核心，公式見式（2）：

式中： FN? 一假負例，即漏檢的目標。

平均精度均值 （mAP） 是目標檢測領域中非常重要的性能評估指標，其綜合評估了模型在多個類別上的檢測準確性和全面性[5]。 mAP 的計算過程如下：

對于每個類別，根據檢測結果的置信度排序，計算每個檢測結果的精度和召回率。繪制精度一召回率曲線（PR曲線），計算PR曲線下的面積，即平均精度 （AP） 。

對所有類別求 AP 的平均值，得到 mAP ，見式（3）：

3試驗結果與分析

3.1評價結果分析

基于YOLOv8模型的訓練過程可視化分析結果見圖1。由圖1可知，目標檢測任務中的關鍵性能指標呈現顯著優化趨勢。在迭代訓練過程中，邊界框回歸損失（boxloss）、分類器置信度損失（cls_loss）及動態焦點損失（dflloSS）三個核心評價指標均呈現指數衰減規律。當訓練輪次（epoch）達到150次時，損失函數收斂速率顯著降低，其曲線斜率趨近于零值狀態，符合模型收斂的典型數學特征。此時模型參數空間已穩定于局部最優解區域，繼續迭代將導致計算資源利用率邊際效益遞減。

試驗數據顯示，模型在驗證集上的綜合損失函數最終穩定于 0.5±0.03 ，該數值水平表明網絡已具備較強的特征提取與空間定位能力。值得注意的是，分類器性能指標在訓練初期（epoch 1lt;50 呈現顯著波動特征，其精確率（Precision）與召回率（Recall）的標準差分別達到0.15和0.12。隨著批量歸一化層參數的穩定更新，在epochgt;50 后兩類指標逐漸收斂至0.9以上的高位平臺區，最終驗證集PR曲線下面積 （AUC） 達到0.93，證明該算法在隧道的火災識別任務中具有優越的泛化性能。

根據自適應早停機制（AdaptiveEarlyStopping）的監測結果，當連續30個訓練周期驗證損失變化幅度低于預設閾值（ Δlt;0.001 時，系統自動終止訓練進程。該優化策略有效規避了過擬合風險，同時將計算成本降低 50% （預設300epochsvs實際150epochs）。模型收斂后的混淆矩陣分析顯示，在23類車型的細粒度分類任務中，平均識別準確率達到89. 7% ，特別在火災與煙霧的區分任務中，交并比 （IoU） 指標突破0.85，顯著優于傳統計算機視覺方法的性能基準。

3.2 實際效果圖

為了更加直觀地看到識別效果，選取了測試集內部分結果圖片進行展示，如圖2所示，在使用Yolov8進行目標檢測時，模型會輸出一系列預測的邊界框，這些邊界框包含了對圖像中目標的定位和分類信息。每個邊界框通常由以下部分組成：

（1）類別標簽。表示檢測到的目標屬于哪個類別。在本文的試驗中，類別包括火焰和煙霧。

（2）置信度分數。表示模型對檢測結果的信心程度，通常是一個介于0和1之間的數值。較高的置信度分數表明模型更加確信該檢測是正確的。

（3）邊界框坐標。表示目標在圖像中的位置和大小，通常使用中心點坐標和寬高來表示。

在評估模型性能時，置信度分數是一個重要的指標。較高的置信度分數通常意味著模型對檢測結果更有信心，這在一定程度上反映了模型的訓練效果。然而，需要注意的是，置信度分數并不能完全代表檢測的準確性，因為可能存在高置信度的誤檢情況。所以，綜合使用精確率、召回率和mAP等指標來評估模型性能是非常必要的。

在實際應用中，可以根據需求設定置信度閾值，過濾掉低置信度的檢測結果，以提高檢測的準確性。同時，通過調整閾值，可以在檢測準確性和召回率之間找到平衡點，滿足不同的應用場景需求。

總之，Yolov8模型輸出的預測邊界框包含了關鍵的檢測信息，其中的類別標簽和置信度分數對于理解和評估模型性能具有重要意義。

圖1模型訓練評價結果曲線圖

圖2模型檢測實際效果示例圖

4技術成果評估

4.1檢測效能提升

在測試集上，模型達到 mAP@0.5=96.2^° ，其中煙霧檢測召回率為98. 1% ，火焰檢測精確率為 97.8% 。實際部署中，系統對直徑 gt;0.5m 的火焰檢測距離可達200m ，煙霧濃度檢測靈敏度達到0.05dB/m。相較于傳統線性感溫探測器15m的檢測間距，檢測范圍擴大13倍。

4.2 運營成本優化

在某特長隧道中部署了基于YOLOv8的火災檢測系統。系統通過隧道頂部安裝的4K高清攝像頭實時采集視頻流，服務器端每200mS對視頻幀進行推理分析。當檢測到火焰或煙霧時（置信度閾值設定為0.85），系統自動觸發三級響應機制：

（1）一級響應。通過 TCP/|P 協議向隧道內廣播系統

發送語音警報，同步啟動應急照明。（2）二級響應。聯動PLC控制系統關閉隧道入口交通信號燈，啟動排煙風機。（3）三級響應。將報警信息及定位坐標精確至 50m

在實際應用中，系統成功檢測到模擬火災測試中的柴油燃燒試驗，從火焰出現到完成三級響應僅耗時1.2s，較傳統探測器響應時間縮短 83% 。設備成本：單隧道改造費用降低 42% ，主要源于用視覺系統替代傳統探測器陣列。檢測能耗成本：系統待機功耗僅65W，較傳統方案節能 58% 。

4.3安全效益分析

通過使用該算法構成的系統，廣西某高速公路隧道群2024年火災事故平均處置時間縮短至192s，較2023年同期提升 67% ；二次事故發生率下降 81% ，保險理賠成本減少320萬元/年。

5 結語

本研究驗證了YOLOv8算法在高速公路隧道火災檢測中的卓越性能，構建的火災檢測模型實現了98. 4% 的晝夜檢測穩定性。未來工作將聚焦于：（1）開發多光譜融合檢測模型，提升濃煙環境下的檢測魯棒性；（2）優化邊緣計算部署方案，將推理延遲降低至 lt; 150ms;（3）建立跨區域火災數據共享平臺，完善應急預案知識庫。該技術的推廣應用為廣西高速公路隧道安全運營提供了新的技術范式，對推動交通基礎設施數字化轉型具有重要意義。

參考文獻

[1]崔克彬，耿佳昌.基于E-YOLOv8s的多場景火災跡象檢測算法[J].圖學學報，2025，46（1）：15-29.

[2]楊涅，熊才溢，程家圻.一種基于外部煙氣和深度學習算法的隧道火災預測方案[J].清華大學學報（自然科學版），2025，53（4）：93-99.

[3]王偉峰，張寶寶，王志強，等.基于YOLOv5的礦井火災視頻圖像智能識別方法[J].工礦自動化，2021，49（9）：53-57.

[4]羅偉，解威威，侯凱，等.基于YOLOv8s的道路坑洼檢測技術研究[J.西部交通科技，2024，19（11）：28-30.

[5]王振龍，陳彥，劉飛，等.基于YOLOv7和GMM算法的火焰實時檢測方法[J].科技創新與應用，2024，14（5）：1-5.

6張智，馮雙文.一種改進的YOLOv5視頻火焰實時檢測算法[J]計算機應用與軟件，2025，42（1）：261-266.

[7]孫杰.基于改進YOLOv8的工廠火災煙霧檢測方法研究[J].信息技術與信息化，2024，49（12）：105-108.

收稿日期：2025-01-03