內(nèi)容簡(jiǎn)介：針對(duì)無人機(jī)高速公路邊坡火災(zāi)檢測(cè)中存在的初期火苗漏檢率高、復(fù)雜背景干擾顯著以及邊緣設(shè)備部署精度-實(shí)時(shí)性難以平衡等關(guān)鍵問題，基于改進(jìn)YOLOv12框架提出一種輕量化可見光火災(zāi)檢測(cè)算法。該算法通過實(shí)例分割技術(shù)精準(zhǔn)提取邊坡與道路區(qū)域以消除背景干擾，設(shè)計(jì)包含高分辨率P2層與多路徑下采樣機(jī)制的小目標(biāo)增強(qiáng)特征金字塔（SOPAN）提升微小目標(biāo)檢測(cè)能力，并構(gòu)建基于共享卷積的輕量檢測(cè)頭（LSCD）實(shí)現(xiàn)模型復(fù)雜度壓縮。實(shí)驗(yàn)結(jié)果表明，在融合無人機(jī)巡檢數(shù)據(jù)集上，所提模型以僅1.8M參數(shù)量達(dá)到92.5% mAP檢測(cè)精度，較基準(zhǔn)模型YOLOv12n參數(shù)量降低28.3%，為無人機(jī)端實(shí)時(shí)高精度火災(zāi)預(yù)警提供了高效解決方案。