《Scientific Reports》于2026年10月27日发表一项研究，提出用于无人机野火监测的多模态框架，将轻量级目标检测、视觉语言模型描述和大语言模型告警摘要串联起来。论文摘要
该框架以YOLOv12n检测航拍图像中的火灾与烟雾，再用Moondream2生成场景描述，最后通过GPT-4o mini将结果整理为面向告警的简短摘要。论文摘要称，在所用航拍野火与烟雾数据集上，YOLOv12n的精确率为0.649、召回率为0.628、mAP@0.5为0.628，推理时间为1.8毫秒，模型规模为252万参数；这些结果体现的是作者评估设置下的性能，不能直接等同于无人机实际飞行环境中的表现。
在语义理解环节，Moondream2在评估的视觉语言模型中取得最高的BLEU-4、ROUGE-L和METEOR平均成绩。告警摘要环节中，GPT-4o mini在作者比较的摘要基线上取得更高的参考对齐指标，BLEU-4、ROUGE-L和METEOR分别为0.1501、0.5595和0.5461。研究还对五种野火视频场景进行了定性分析，摘要认为该流程能够生成与场景相关的描述和较为简洁的告警草稿。
需要注意的是，论文明确指出，部分计算指标来自后端工作站上的本地模型，GPT-4o mini则通过外部API调用；因此，模型在机载设备上的运行效果，以及包含网络传输在内的端到端时延，仍未得到验证。该研究目前更适合被理解为一个支持人工复核的态势感知原型，而不是已经完成现场部署验证的自动化消防系统。
参考来源：
由 AI 整理，仅供参考；请以原始来源为准。
