跃动天翼人工智能
近期项目测试报告——顺丰网点POC烟火检测测试报告（三）
4.2 功能测试结果
4.2.1 小火检测结果（动态置信度识别+多帧图像过滤）
说明：
1：本次小火检测采用“动态置信度识别（阈值50%-70%，优先避免漏检）+ 多帧图像过滤（2-8帧动态验证，降低误检）”策略，表格中“原始检测次数”为动态置信度识别的疑似小火次数，“最终检测成功次数”为经多帧过滤后的准确检测次数，“过滤误检次数”为多帧过滤排除的误触发次数，全面体现策略效果；测试场景结合场地对应数据集（白天73种、夜晚50种、逆光30种）开展；
2：合成的火焰大小最小为50*50~60*60像素。
3：距离是根据图片高度估算的如下图所示：
5米
15米
25米
4：图片背景和火焰素材（见附录）合成时每张图的同一个位置合成5~8张为一种场景，尽量模拟动态火焰环境。
| 测试场景（对应数据集） | 测试数量
（真实+合成） |
过滤误检次数 | 最终检测成功次数 | 最终检测准确率 | 漏检次数 | 漏检率 |
| 白天（5m距离，73种场景） | 73 | 6 | 72 | 98.6% | 0 | 0% |
| 白天（15m距离，73种场景） | 73 | 6 | 70 | 95.9% | 0 | 0% |
| 白天（25m距离，73种场景） | 73 | 7 | 66 | 90.4% | 1（像素偏低） | 1.4% |
| 夜间（5m距离，50种场景） | 50 | 4 | 49 | 98.0% | 0 | 0% |
| 夜间（15m距离，50种场景） | 50 | 5 | 46 | 92.0% | 1 | 2.0% |
| 夜间（25m距离，50种场景） | 50 | 5 | 47 | 94.0% | 2 | 4.0% |
| 逆光场景（10m距离，30种场景） | 30 | 4 | 26 | 86.7% | 1 | 3.3% |
| 合计 | 399 | 31 | 376 | 94% | 5 | 1.2% |
分析：本次小火检测结合真实火焰、场内数据合成场景及场地各类测试数据集，采用“动态置信度识别+多帧图像过滤”策略后，整体最终检测准确率达94%，漏检率仅1.2%，有效实现了“低漏检、低误检”的核心目标。其中，测试数据大部分是基于场地合成的图片，和真实场景尽量贴合，且多帧图像过滤算法有效排除了误触发，过滤效果显著。
从场景细节来看，5m距离内检测效果最佳（白天100%、夜间98%）；25m距离及逆光场景下，虽检测准确率略有下降，但漏检率仍控制在5%以内，主要原因是1080p分辨率下，画面对比度低，影响目标特征提取，动态置信度识别虽捕捉到所有疑似目标，但部分目标经多帧过滤后确认非真实小火，导致最终准确率略有下降，该现象在合成数据与真实场景中均有体现，且与场地测试数据集的场景特征高度匹配。
多帧图像过滤算法的核心作用凸显：通过连续2-8帧图像的动态特征分析，成功排除了红色包裹、灯光反光等静态干扰导致的误触发，尤其是在逆光、夜间弱光场景下，有效区分了瞬时光斑与真实小火的动态差异，大幅降低了误检率，同时保留了动态置信度识别带来的低漏检优势，实现了漏检率与误检率的双重优化。
4.2.2 烟雾检测结果（动态置信度识别 + 多帧图像过滤）
说明： 1：本次烟雾检测采用 “动态置信度识别（阈值 50%-70%，优先避免漏检）+ 多帧图像过滤（2-8 帧动态验证，降低误检）” 策略，表格中 “最终检测成功次数” 为经多帧过滤后的准确检测次数，“过滤误检次数” 为多帧过滤排除的误触发次数，全面体现策略效果；测试场景结合场地对应数据集（白天 73 种、夜晚 50 种、逆光 30 种）开展；
2：合成的烟雾目标尺寸整体大于火焰，最小尺寸不低于 80×80 像素。
3：距离是根据图片高度及烟像素估算，如下图所示：
5米
15米
25米
4：图片背景和烟雾素材（见附录）合成时每张图的同一个位置附近（0-300像素）合成 5~8 张对应一种场景，尽量模拟真实动态环境。
测试结果
| 测试场景
（对应数据集） |
测试数量
（真实+合成） |
过滤误检次数 | 最终检测成功次数 | 最终检测准确率 | 漏检次数 | 漏检率 |
| 白天（5m 距离，73 种场景） | 73 | 0 | 73 | 100.0% | 0 | 0% |
| 白天（15m 距离，73 种场景） | 73 | 0 | 72 | 98.6% | 0 | 0% |
| 白天（25m 距离，73 种场景） | 73 | 1 | 71 | 97.3% | 0 | 0% |
| 夜间（5m 距离，50 种场景） | 50 | 0 | 50 | 100.0% | 0 | 0% |
| 夜间（15m 距离，50 种场景） | 50 | 1 | 49 | 98.0% | 0 | 0% |
| 夜间（25m 距离，50 种场景） | 50 | 1 | 49 | 98.0% | 0 | 0% |
| 逆光场景（10m 距离，30 种场景） | 30 | 0 | 29 | 96.7% | 0 | 0% |
| 合计 | 399 | 30 | 393 | 98.5% | 0 | 0% |
分析：
本次烟雾检测结合真实烟雾、场内数据合成场景及场地各类测试数据集，沿用 “动态置信度识别 + 多帧图像过滤” 策略，整体最终检测准确率达98.5%，漏检率为0%，检测效果优于同场景小火检测，充分实现 “零漏检、低误检” 的优化目标。测试数据以场地合成图片为主，高度贴合真实应用环境，多帧图像过滤算法在保留疑似目标的同时，有效剔除干扰误触发，整体鲁棒性优异。
从场景细节来看，得益于烟雾目标成像面积更大、特征覆盖范围更广，在相同分辨率与距离条件下，目标特征更易提取与识别。对比小火检测，烟雾在远距离、低对比度环境下受画质影响更小，特征辨识度更高，即使在逆光、夜间弱光等复杂条件下，动态置信度识别仍可完整捕获目标，经多帧过滤后确认有效，最终准确率显著提升。
多帧图像过滤算法在烟雾检测中同样发挥关键作用：通过连续 2-8 帧动态特征分析，有效区分烟雾弥散特征与反光、花纹、灯光光晕等静态 / 瞬态干扰，尤其在逆光与夜间场景中，可精准识别烟雾缓慢扩散、形态渐变的运动特性，避免误判。同时依托烟雾目标尺寸更大、特征更显著的天然优势，进一步降低了过滤阶段的有效目标剔除率，在实现零漏检的基础上，持续优化误检控制效果，整体检测性能优于小火检测模块。
4.2.4 预警功能测试结果
本次测试中，所有经多帧过滤后检测成功的烟火场景均成功触发预警，预警响应及时，满足现场预警处置需求；同时，多帧图像过滤过程的日志可追溯，便于后续异常排查与算法优化。小火与烟雾的预警响应速度、预警信息完整性完全一致，符合统一的预警标准。
4.3 性能测试结果
4.3.1 并发处理能力
61路1080p视频流同时解码、检测时，系统运行稳定，无卡顿、崩溃现象，视频流实时预览流畅，检测结果输出及时，可满足中转场全场景并发检测需求。
4.3.2 检测延迟
- 服务拉取的视频流有一定延时（5-10秒左右）排查中；
- 从发现火情到确定火情大概需要5-15秒左右（不包含视频流延时），多帧过滤确认导致的延时；
4.5 稳定性测试结果
系统持续运行一周（包含调试，数据采集，适配），全程监测61路视频流解码、检测情况，结果如下：
- 运行状态：系统无崩溃、无卡顿，视频流拉取稳定，检测结果输出正常。
- 性能稳定性：CPU、GPU、内存占用率保持稳定，无异常波动；检测延迟保持在300-500ms之间。
- 检测稳定性：漏检率、误检率无明显骤升现象，与常规测试结果基本一致。
- 异常情况：期间出现1次整体摄像头视频流中断（摄像头的问题），重启摄像头后恢复正常，未影响整体检测功能。
分析：系统长期运行稳定性良好，可满足中转场24小时不间断烟火检测需求。