火花虽小，隐患巨大：工业安全的“隐形杀手”
在机械制造、建筑施工、石油化工等工业领域，热工作业（Hot Work）是不可或缺的环节。然而，焊接、切割、打磨过程中飞溅的火花，却是引发重大火灾事故的“头号元凶”。这些火花温度高达800–1500 °C，飞溅距离可达5–10 米，且具有体积小、亮度突变剧烈、运动轨迹随机等特点。更危险的是，它们极易潜入设备缝隙或堆积物中，形成“阴燃”，导致延迟点火。据统计，近年来热工作业引发的火灾占比呈上升趋势，从2020年的28%攀升至2024年的37.4%，且伤亡率显著高于其他工业火灾。
传统方法的困境与AI的破局
传统的火焰检测多依赖红外、紫外传感器或基于RGB颜色空间的图像分析。但在复杂的工业现场，这些方法面临严峻挑战：传感器易受遮挡和安装位置限制，且成本高昂；RGB模型对光照变化敏感，难以区分火花与金属反光、电弧光等干扰。尽管深度学习（如CNN、Transformer）在火焰识别上取得了进展，但对于“短时、高亮、密集”的火花特征，传统模型仍显得力不从心，缺乏专门针对火花运动轨迹与颜色特征融合的判别机制。
技术路线概览
本研究构建了一套双分支融合检测框架。样本来源为8组真实热工作业视频。关键技术包括：
- 1.
HSV颜色分析：利用HSV空间分离亮度与色度，通过YOLO自适应优化阈值（H, S, V），生成高亮区域掩膜。
- 2.
光流运动分析：采用角点检测结合金字塔Lucas–Kanade (LK) 稀疏光流法跟踪轨迹，并引入RANSAC算法补偿相机抖动。
- 3.
多模态融合：基于交并比（IoU）策略，对颜色分割区域与运动轨迹区域进行空间一致性判决，输出最终火花目标。
研究结果深度解析
1. 自适应HSV阈值优化：让算法“学会”适应环境
固定阈值是传统HSV方法的致命伤。本研究创新性地引入了YOLO模型作为“阈值推荐器”，动态调整HSV的上下限区间。实验表明，该方法显著提升了在金属反光、烟雾干扰等复杂场景下的分割稳定性，避免了因环境光变化导致的大面积误检。
2. 时空运动轨迹重建：捕捉火花的“飞行路径”
单纯的颜色检测无法区分静止的高亮噪声。研究团队构建了“角点检测 + LK光流跟踪 + RANSAC全局运动补偿”的时序分析模块。该模块不仅能捕捉火花在连续帧中的位移矢量，还能有效滤除因相机轻微晃动造成的背景整体偏移，从而精准提取出火花独特的“无规则飞溅”运动模式。
3. 多特征融合判决：1+1>2的识别效能
最终的检测结果并非简单的颜色或运动二选一，而是基于IoU的空间融合。只有当颜色分割出的高亮区域与光流追踪到的运动区域在空间上高度重叠时，才被判定为真实火花。这种“双重保险”机制，极大地降低了将太阳光斑、灯光闪烁等静态或规则动态干扰误判为火花的概率。
性能表现与工程价值
在8组涵盖不同场景的热工作业视频测试中，本方法交出了令人满意的成绩单：
- •
精确率（Precision）：86.69%（意味着100个报警中，约87个是真实火花）。
- •
召回率（Recall）：75.90%（意味着100个真实火花，能抓住约76个）。
- •
F1分数：0.8156，综合性能显著优于单一的HSV固定阈值模型、HSV自动阈值模型及纯光流模型。
结论与展望：迈向智能防火的下一步
本研究证实了“HSV颜色特征 + 光流运动特征”的多模态融合策略在火花检测上的巨大潜力。它不仅是一种算法创新，更是一种工程实践的优化。通过计算机视觉替代或辅助人工监控，能够实现7×24小时不间断的火患预警，特别适用于高层建筑外墙施工、石化罐区等高风险且人力监控困难的场景。
未来，该技术可与无人机（UAV）巡检、5G实时传输结合，构建空地一体的立体化防火网。同时，如何进一步降低在极端强光（如正午焊接）下的漏检率，以及将检测响应时间压缩至毫秒级，仍是下一步攻关的重点。这项研究为工业安全生产的数字化转型，提供了坚实的技术底座。
