图像复杂度驱动的火灾探测算法评估方法

消防科学与技术 ›› 2026, Vol. 45 ›› Issue (5): 87-93.

图像复杂度驱动的火灾探测算法评估方法

李璞¹, 张苗²

（1.郑州航空港经济综合实验区消防救援支队，河南郑州 450000；2.天津市和平区消防救援支队，天津 300000）

收稿日期:2025-02-20 修回日期:2025-10-09 出版日期:2026-05-15 发布日期:2026-05-15
作者简介:李璞，郑州航空港经济综合实验区消防救援支队，主要从事消防安全方面的研究，河南省郑州市郑东新区正光路11号河南省教育厅安全管理处，450000，540537194@qq.com。

Image fire detection algorithms evaluation methods based on image complexity

Li Pu¹, Zhang Miao²

(1. Zhengzhou Airport Economy Zone Fire and Rescue Division, Zhengzhou Henan 450000, China; 2. Heping Fire and Rescue Division of Tianjin, Tianjin 300000, China)

Received:2025-02-20 Revised:2025-10-09 Online:2026-05-15 Published:2026-05-15

摘要/Abstract

摘要： 本文引入“图像复杂度”，度量图像型火灾探测算法从图像中识别火灾的难易程度。通过程序测试法获取“人类响应时间”，界定数据集中图像复杂度真实值。在此基础上，利用卷积神经网络开发能够自动预测全图综合复杂度的评估器。一致性分析后发现，Inception ResNet-v2评估器生成的全图综合复杂度度量指标表现出最高的有效性，进而提出基于图像复杂度的图像型火灾探测算法性能评估方法。该方法能够更准确地评估探测算法在不同“图像复杂度”条件下所能达到的探测水平，为火灾探测算法的开发与优化提供了重要参考。

关键词: 图像复杂度, 火灾探测, 卷积神经网络

Abstract: The "image complexity" is proposed to measure the difficulty for the algorithm to detect fire in an image. The "human response time" is obtained through the program test method, which could define the true value of the complexity of the image in the data set. Then, convolutional neural network is used to develop an evaluator that can automatically predict the comprehensive complexity of the whole image. Through the consistency analysis, the comprehensive complexity measure of the whole image generated by the Inception ResNet-v2 evaluator is the most effective measure. Furthermore, a performance evaluation method based on image complexity is proposed. This method can evaluate the detection level that the algorithm can achieve under different "image complexity" situations more accurately, providing more valuable reference for the development and optimization of fire detection algorithms.

Key words: image complexity, fire detection, convolutional neural network

李璞, 张苗. 图像复杂度驱动的火灾探测算法评估方法[J]. 消防科学与技术, 2026, 45(5): 87-93.

Li Pu, Zhang Miao. Image fire detection algorithms evaluation methods based on image complexity[J]. Fire Science and Technology, 2026, 45(5): 87-93.

导出引用管理器 EndNote|Ris|BibTeX

链接本文: https://www.xfkj.com.cn/CN/

https://www.xfkj.com.cn/CN/Y2026/V45/I5/87

[1]	刘冰汐, 马畅, 张晋, 卓萍, 李伏民, 毕晓阳. 声发射技术在锂离子电池热失控监测预警中的应用研究[J]. 消防科学与技术, 2026, 45(6): 1-7.
[2]	章忠华, 刘江, 刘磊, 吴珂, 张天航. 基于深度学习的隧道火灾温度场实时反演模型：构建与部署[J]. 消防科学与技术, 2026, 45(6): 79-89.
[3]	汪璐瑶, 卜宗豪, 刘全义, 王海斌. 低气压对气溶胶多波长光学特性的影响研究[J]. 消防科学与技术, 2026, 45(4): 175-181.
[4]	付腾，王俊胜, 成艳英, 王玉忠. 火灾探测技术研究进展：从传统探测报警到潜伏期监测预警[J]. 消防科学与技术, 2025, 44(9): 1176-1183.
[5]	于春雨, 李晓旭, 李泊宁, 张曦. 基于改进YOLOv8的小目标火焰图像检测算法研究[J]. 消防科学与技术, 2025, 44(9): 1274-1280.
[6]	高鹏, 彭波, 吕忠. 一种面向森林火灾调查的蔓延方向分析及起火点溯源方法[J]. 消防科学与技术, 2025, 44(9): 1334-1339.
[7]	王蔚. 公共建筑火灾探测技术应用现状及发展趋势浅析[J]. 消防科学与技术, 2025, 44(8): 1146-1151.
[8]	韩海云, 杨浩, 谢永强, 陈韵怡. 融合火灾多特征参量的寺院古建筑自适应火灾探测方法[J]. 消防科学与技术, 2025, 44(7): 970-976.
[9]	何肇瑜, 王力, 王卓甫. 独立式火灾探测报警器窄带蜂窝物联网通信能耗特性试验分析[J]. 消防科学与技术, 2025, 44(3): 375-381.
[10]	曹康壮, 焦双健. 融合注意力机制的轻量级火灾检测模型[J]. 消防科学与技术, 2024, 43(3): 378-383.
[11]	曾彦夫, 李逸舟, 黄鑫炎. 应用深度学习模型预测复杂平面房间内的火灾温度场[J]. 消防科学与技术, 2024, 43(1): 51-55.
[12]	邓力, 谢爽爽, 贺元骅, 刘全义. 基于毫米波的民机货舱火灾多参数探测技术研究[J]. 消防科学与技术, 2023, 42(3): 370-373.
[13]	汤伟, 张文迪, 袁航, 解聪. 基于红外图像及环境信息关联的阴燃火探测[J]. 消防科学与技术, 2023, 42(12): 1636-1641.
[14]	邓力, 谢爽爽, 贺元骅, 刘全义, . 飞机货舱火焰可见和红外多特征融合图像探测算法研究[J]. 消防科学与技术, 2023, 42(12): 1709-1713.
[15]	葛婧雯, 余增. 地铁项目中高大空间区域双鉴式成像烟雾探测技术研究[J]. 消防科学与技术, 2023, 42(12): 1714-1718.