在室内/室外建筑设施、化工园区和森林等复杂的高风险环境中，及时准确地检测火焰和烟雾对于阻止事故蔓延、保障运营安全以及避免环境损害至关重要。然而，现有的智能视觉预警系统经常面临漏检和误报的问题，尤其是在背景干扰严重、初始火源较小或烟雾/火焰形态不典型的情况下，这限制了它们满足工业应用所需的严格可靠性标准。为了解决这些问题，本研究提出了YOLOv5s-RBS，这是一种专为复杂工业安全场景设计的高效实时检测模型。为了解决火灾和烟雾演变过程中的动态变形问题，我们引入了感受野注意力卷积（RFAConv）机制，通过自适应建模和重新校准局部关键特征来增强模型对不规则和边界模糊的危险源的识别能力。为了处理火灾中从微小火焰到弥漫烟雾的各种物理尺度，我们开发了双向特征金字塔网络（BiFPN）以实现多尺度特征的有效融合。此外，我们还结合了SIoU损失函数和角度惩罚机制，以提高复杂场景下的边界定位精度。实验结果表明，YOLOv5s-RBS的平均精度（mAP@0.5）达到了93.2%，并且具有轻量级的架构（仅750万个参数），同时满足了实时监控的要求（推理速度为103帧每秒）。与基线模型相比，该方法将mAP@0.5和mAP@0.5-0.95分别提高了4.9%和5.8%，有效解决了复杂环境中的漏检和误报问题。这项研究为资源有限的工业环境中的智能火灾预警系统提供了一种经济高效的视觉解决方案，在安全工程领域具有重要的实际价值。
