多场景烟雾火焰目标检测数据集(S-Firedata) 在国家地球系统科学数据中心-长江三角洲分中心发布

近期，国家地球系统科学数据中心-长江三角洲分中心（以下简称“本中心”）发布 2025年多场景烟雾火焰目标检测数据集(S-Firedata) 。该套数据集由 南京师范大学盛业华教授、张卡教授团队 研究生产，由本中心和可持续发展大数据国际研究中心南京师范大学节点(培育)整合提供，目前该套数据产品已对外发布共享，用户可点击数据链接申请下载使用。

火灾作为突发性灾害事件，具有场景复杂、蔓延迅速的特点，其早期精准检测对减少人员伤亡和财产损失至关重要。然而，现有烟雾火焰检测算法常因数据多样性不足、标注精度有限，难以应对复杂环境下的误报与漏报问题。例如，森林火灾中烟雾与植被交叠、工业场景下异色烟雾与高温火焰交互等场景，对算法泛化能力提出更高挑战。为此，南京师范大学盛业华教授、张卡教授团队构建了覆盖多维度场景的高质量烟雾火焰检测数据集。该数据集不仅填补了复杂环境下火灾检测数据的空白，更为智慧安防、无人机巡检及卫星遥感监测提供了可靠的数据支撑。

多场景烟雾火焰目标检测数据集整合了BoWFireDataset、D-Fire等公开数据集与自制视频抽帧影像，共包含10,641幅高分辨率影像（分辨率≥640×480像素），涵盖森林火灾、建筑火灾、电厂爆炸等多种室内外场景。数据集中不仅包含常见的烟雾与火焰目标，还特别关注了复杂条件下的目标检测，如夜间低光、强逆光、动态遮挡（如人群移动、机械干扰）以及异色烟雾（如电厂爆炸产生的黑色烟雾）等。在数据标注方面确保标注的高精度与一致性且标注边界框与目标区域的交并比（IoU）≥0.85，类别标签错误率控制在1%以内。此外，数据集还特别加入了2,667幅背景类影像，涵盖自然景观与城市街景，用于降低算法对相似纹理（如云层、灯光）的误判风险。数据划分为训练集（7,447幅）、验证集（1,597幅）与测试集（1,597幅），并通过对训练集影像进行、缩放、亮度调整等数据增强操作，显著提升了模型的鲁棒性与泛化能力。这一设计使得S-Firedata不仅适用于算法开发，还能为智慧安防、无人机巡检及卫星遥感监测等领域的火灾预警技术提供高可靠性基准。数据集还通过多源数据融合与精细化标注，解决了现有数据集场景单一、标注精度不足的问题。例如，自制数据通过发电厂监控抽帧，捕捉了电气设备爆炸引发的黑色烟雾与高温火焰的交互特征；而森林火灾影像则同时包含远距离烟雾扩散与近景火焰跳变的复合目标。这些特性使得该数据集能够有效支持复杂环境下的火灾检测算法开发，推动多场景火灾预警技术的实用化进程。

相关成果已发表于《Fire》期刊，论文中的实验结果表明，该文提出的 SF-YOLO 算法模型更轻量，表现出更高的检测精度和鲁棒性。mAP50 和 mAP50-95 指标在本数据集 S-Firedata 中分别提高了 2.5% 和 2.4%，为自然场景中烟雾和火焰的自动检测提供了实用方法，可以进一步提高火灾监测系统的有效性。