2026年消防人工智能应用考试模拟试卷及答案

2026年消防人工智能应用考试模拟试卷及答案一、单项选择题（本大题共20小题，每小题2分，共40分。在每小题列出的四个备选项中只有一个是符合题目要求的，请将其代码填在题后的括号内。）1.在基于计算机视觉的火灾图像检测算法中，为了在视频流中快速定位火焰区域，通常采用目标检测算法。下列哪种算法属于单阶段目标检测算法，且在边缘计算设备上具有较好的实时性？（）A.R-CNNB.FastR-CNNC.YOLOv8D.MaskR-CNN2.消防物联网传感器采集的数据往往包含噪声。在进行时间序列数据分析（如温度趋势预测）之前，通常需要进行数据预处理。对于非线性、非平稳的温度传感器信号，下列哪种数学变换方法最适合用于去除高频噪声并提取趋势特征？（）A.傅里叶变换B.小波变换C.主成分分析（PCA）D.线性回归分析3.在构建基于深度学习的烟雾分类模型时，由于火灾样本在自然界中远少于非火灾样本，导致数据集类别不平衡。为了解决这一问题，下列哪种策略是通过对少数类样本进行过采样来合成新样本的有效方法？（）A.随机欠采样B.SMOTE(SyntheticMinorityOver-samplingTechnique)C.交叉验证D.梯度下降裁剪4.在智能消防应急疏散系统中，利用强化学习算法动态规划逃生路径。在Q-Learning算法中，Agent通过不断探索环境来更新Q值表，其核心更新公式基于贝尔曼方程。下列公式中，哪一个是标准的Q值更新公式？（）A.QB.QC.QD.Q5.无人机（UAV）在森林火灾巡检中，利用机载激光雷达获取点云数据。为了从三维点云中提取树木冠层的几何特征以判断火势蔓延方向，通常需要将点云投影到二维平面或进行体素化。在此过程中，描述点云密度的统计量是：（）A.曲率B.法向量C.点频数D.协方差矩阵的特征值6.在建筑消防水系统的智能监控中，利用压力传感器监测管网压力。为了判断是否存在漏水或喷头启动，算法通常设定阈值。若压力值P服从正态分布N(μ,A.[B.[C.[D.(7.基于深度神经网络的火灾图像分割任务中，常使用U-Net网络架构。该架构的核心特点是：（）A.仅包含全连接层B.采用编码器-解码器结构，并包含跳跃连接C.使用生成对抗网络（GAN）进行训练D.不支持反向传播算法8.在评估火灾探测算法的性能时，精确率和召回率是关键指标。假设测试集中共有100个样本，其中正样本（火灾）20个，负样本（非火灾）80个。模型预测结果为：真正例（TP）15，假正例（FP）10，假负例（FN）5，真负例（TN）70。则该模型的精确率是多少？（）A.75%B.60%C.15%D.87.5%9.消防救援人员在进入火场时，佩戴的智能头盔集成了惯性测量单元（IMU）。为了通过IMU数据（加速度计、陀螺仪）解算消防员的运动轨迹，通常需要使用扩展卡尔曼滤波（EKF）或粒子滤波。这主要是因为IMU数据存在：（）A.系统性白噪声B.非线性误差和累积漂移C.周期性信号干扰D.数据传输延迟10.在利用自然语言处理（NLP）技术分析119报警电话文本时，需要提取关键词如“爆炸”、“气体”、“被困”。在BERT（BidirectionalEncoderRepresentationsfromTransformers）模型中，"Attention"机制的主要作用是：（）A.将文本转换为固定长度的向量B.捕捉文本中长距离的依赖关系和上下文语义C.对词向量进行降维处理D.计算句子的语法树结构11.某智慧消防系统采用图像识别技术判断室内消火栓是否被遮挡。训练模型时，为了防止模型过拟合，除了增加数据量外，最常用的正则化技术是：（）A.DropoutB.Sigmoid激活函数C.数据标准化D.权重初始化12.在森林火灾蔓延预测模型中，常用元胞自动机（CellularAutomata）模拟火场动态。若定义元胞状态为t时刻位置(i,A.仅当前元胞的状态B.邻域元胞的状态、地形坡度、风速风向C.全局平均温度D.初始火点位置13.针对电气火灾的早期预警，通过分析电流波形的畸变情况来识别故障电弧。在深度学习中，处理一维时间序列电流信号，最合适的网络架构是：（）A.卷积神经网络（CNN）-1DB.循环神经网络（RNN）C.两者结合（如CRNN或TCN）D.传统的全连接神经网络（MLP）14.在大型商业综合体的智能疏散指示系统中，动态路径规划算法需要考虑火源位置作为障碍物。若使用A*算法进行路径搜索，其估价函数f(n)A.从起点到节点n的实际代价B.从节点n到终点的估计代价（启发式函数）C.节点n的深度D.路径的总长度15.消防大数据平台存储了海量的历史火灾记录。为了挖掘火灾发生的时间规律（如节假日、夜间高发），最适用的数据挖掘方法是：（）A.聚类分析B.关联规则挖掘（如Apriori算法）C.时间序列分解D.孤立森林16.在使用红外热成像进行火点检测时，由于环境温度变化和物体发射率不同，直接使用固定阈值效果不佳。采用自适应阈值算法（如Otsu大津法）的主要目的是：（）A.最大化类间方差，自动寻找最佳分割阈值B.最小化类内方差C.将图像转换为二值图D.增强图像对比度17.某AI模型通过分析社交媒体数据来辅助研判突发公共安全事件。为了过滤掉与消防无关的文本信息，首先需要进行文本分类。在此任务中，TF-IDF（TermFrequency-InverseDocumentFrequency）算法用于：（）A.计算词语在文档中的重要性权重B.识别文档中的命名实体C.消除文档中的停用词D.将文档进行情感打分18.在消防机器人的视觉伺服控制中，需要将图像坐标系下的目标位置转换为机器人坐标系下的位置。这涉及到相机标定。针孔相机模型中，世界坐标点到图像像素点的映射关系通常表示为线性方程组，其中包含的参数不包括：（）A.焦距B.主点坐标C.旋转矩阵和平移向量D.光照强度19.深度学习模型在部署到边缘侧消防终端（如智能烟感）时，通常需要进行模型压缩。下列哪种技术通过将权重参数从32位浮点数量化为8位整数来显著减少模型大小和计算量？（）A.知识蒸馏B.剪枝C.量化D.轻量级网络设计20.在评估火灾风险预测模型的分类性能时，ROC曲线和AUC值是重要指标。若AUC值为0.5，说明该模型的分类能力：（）A.完美B.良好C.随机猜测D.比随机猜测还差二、多项选择题（本大题共10小题，每小题3分，共30分。在每小题列出的五个备选项中至少有两个是符合题目要求的，请将其代码填在题后的括号内。多选、少选、错选均不得分。）1.消防领域的人工智能应用主要涉及以下哪些关键技术？（）A.计算机视觉B.物联网传感技术C.自然语言处理D.路径规划算法E.量子计算2.关于卷积神经网络（CNN）在火焰图像识别中的应用，下列说法正确的有：（）A.卷积层可以提取图像的边缘、纹理等底层特征B.池化层可以降低特征图维度，减少计算量并防止过拟合C.激活函数如ReLU用于引入非线性因素D.全连接层在CNN中通常用于输出最终的分类概率E.CNN只能处理灰度图像，无法直接处理RGB彩色图像3.在智慧消防物联网架构中，边缘计算网关的主要功能包括：（）A.汇聚并转发前端传感器数据至云端B.在本地进行实时数据清洗和异常检测C.执行轻量级AI模型，实现毫秒级报警D.存储海量的历史视频录像E.负责复杂的大数据挖掘任务4.针对高层建筑火灾的无人机灭火辅助系统，AI算法需要解决的关键问题有：（）A.基于SLAM技术的实时定位与建图B.强风环境下的飞行姿态控制C.透过烟雾的火源热成像识别D.自动寻找最佳悬停灭火点E.电池续航时间的无限延长5.下列哪些指标常用于评价火灾检测算法的性能？（）A.准确率B.召回率C.漏报率D.误报率E.均方误差（MSE）6.在利用机器学习进行城市区域火灾风险评估时，常用的特征工程包括：（）A.建筑年代与结构类型B.区域人口密度与流动人口分布C.周边消防水源的可达性D.历史火灾发生频率E.当日天气状况（温度、湿度、风速）7.关于消防应急救援中的智能决策支持系统，下列描述正确的有：（）A.可以基于GIS地图展示实时路况与火场态势B.能够利用知识图谱推理推荐最佳灭火战术C.可以完全替代指挥员进行现场决策D.能够预测火灾蔓延趋势E.支持多源异构数据（视频、传感器、文本）的融合展示8.为了提高火灾视频检测算法在夜间或低照度环境下的鲁棒性，可以采用的数据增强方法有：（）A.随机调整亮度和对比度B.添加高斯噪声C.随机旋转和裁剪D.生成对抗网络（GAN）生成模拟低照度样本E.归一化处理9.在处理消防报警电话的语音识别（ASR）任务中，深度学习模型通常包括哪些组件？（）A.声学模型B.语言模型C.发音词典D.图像编码器E.强化学习Agent10.下列关于数据清洗在消防大数据分析中重要性的描述，正确的有：（）A.消除传感器故障导致的异常极值B.处理缺失值，避免模型训练崩溃C.统一不同厂家设备的数据格式D.纠正时间戳不一致的问题E.数据清洗会降低模型的准确性，因此应尽量避免三、判断题（本大题共15小题，每小题1分，共15分。请判断下列说法的正误，正确的打“√”，错误的打“×”。）1.所有的机器学习算法都需要大量的标注数据进行监督学习，无监督学习在消防领域没有应用价值。（）2.YOLO算法将目标检测任务视为回归问题，直接在图像像素上预测边界框和类别概率，因此速度较快。（）3.在火灾探测中，召回率比精确率更重要，因为漏报火灾的后果比误报更严重。（）4.神经网络的深度越深，层数越多，模型的性能一定越好。（）5.支持向量机（SVM）通过寻找一个超平面来最大化样本间的间隔，适合小样本的火灾分类任务。（）6.数字孪生技术是构建物理消防设施的虚拟镜像，结合AI模拟可以用于推演火灾疏散方案。（）7.K-均值聚类算法可以自动发现数据中的类别数量，无需预先设定K值。（）8.在消防无人机图像传输中，5G技术的高带宽和低延迟特性有助于实现AI的实时远程控制。（）9.梯度消失问题通常发生在深层网络的循环层（RNN）中，LSTM（长短期记忆网络）引入门控机制有效缓解了这一问题。（）10.决策树算法易于理解，可以通过可视化展示火灾风险判断的逻辑路径，但容易过拟合。（）11.卷积神经网络中的感受野是指网络中某一层输出特征图上的一个像素点对应输入图像上映射的区域大小。（）12.贝叶斯网络可以用于表示火灾成因与后果之间的概率依赖关系，进行不确定性推理。（）13.迁移学习可以将在大规模通用数据集（如ImageNet）上预训练的模型，迁移到小样本的火灾图像数据集上进行微调，提高训练效果。（）14.模糊逻辑系统主要用于处理精确的数值计算，不适合处理消防中的模糊概念（如“火势很大”、“烟雾很浓”）。（）15.在使用KNN（K-近邻）算法进行火灾类型分类时，K值的选择对结果没有影响。（）四、填空题（本大题共10小题，每小题2分，共20分。请将答案写在题中的横线上。）1.在深度学习中，为了衡量模型预测结果与真实标签之间的差异，需要定义损失函数。对于多分类的火灾类型识别任务，常用的损失函数是________。2.在图像语义分割中，用于评估模型分割区域与真实区域重叠度的指标是________，其计算公式为交并比。3.强化学习中的________策略是指在探索新动作和利用已知最佳动作之间保持平衡，通常用ϵ-greedy算法实现。4.在处理时间序列数据（如消防用水量预测）时，________是一种特殊的RNN架构，能够解决长序列训练中的梯度消失和梯度爆炸问题。5.为了将非结构化的火灾现场视频转化为结构化数据，需要进行目标检测和________，即给视频中的每一帧图像的每个像素点都标注类别。6.在主成分分析（PCA）中，我们通过________变换将数据投影到新的坐标系，使得第一主成分具有最大的方差。7.在火灾风险评估中，________算法通过随机选择特征和样本来构建多棵决策树，并通过投票或平均来提高模型的泛化能力，防止过拟合。8.卷积神经网络中，________层的作用是对特征图进行下采样，从而减少参数数量和计算量。9.在自然语言处理中，________技术将文本中的单词或词语转换为计算机可处理的实数向量。10.对于线性可分的二分类问题（如判断是否着火），感知机算法通过调整________来找到正确的分类超平面。五、简答题（本大题共5小题，每小题6分，共30分。）1.简述计算机视觉技术在早期火灾烟雾识别中面临的主要挑战，并列举至少两种常用的深度学习网络架构及其特点。2.请解释什么是过拟合，以及在消防图像数据集较小的情况下，可以采取哪些具体措施来防止过拟合？3.在智慧消防物联网中，为什么要引入边缘计算？请结合消防应用场景（如火灾报警）分析边缘计算相比云计算的优势。4.简述强化学习在消防机器人路径规划中的基本原理，包括Agent、Environment、State、Action、Reward的定义。5.什么是支持向量机（SVM）中的“核技巧”？请举例说明在处理非线性可分的火灾数据时，核技巧是如何发挥作用的？六、综合分析与应用题（本大题共3小题，共45分。）1.（本题15分）某市消防支队引入了一套基于视频分析的火灾隐患排查系统。该系统使用深度学习模型对监控视频进行实时分析，以识别“消火栓被遮挡”和“疏散通道堆物”两类异常行为。（1）假设模型训练完成后，在测试集上的混淆矩阵如下表所示。请计算模型对于“消火栓被遮挡”类别的精确率、召回率和F1分数。（保留两位小数）（注：实际Positive=消火栓被遮挡，实际Negative=正常）预测\实际Positive(P)Negative(N)Positive(P)85(TP)20(FP)Negative(N)15(FN)980(TN)（2）在实际部署中，发现系统在夜间或光照不足的环境下误报率较高。请分析可能的原因，并提出至少三种改进方案。（3）该系统目前只能识别静态物体遮挡，无法检测动态人员长时间停留（如人员违规在易燃易爆区滞留）。若要增加此功能，需要引入哪些技术？请简述技术路线。2.（本题15分）某大型仓储物流园区计划建设一套智能火灾预警系统。系统包含多种传感器（感烟、感温、火焰视频、电流传感器）。（1）在设计多模态数据融合算法时，常用的融合策略有数据级融合、特征级融合和决策级融合。请分别简述这三种融合策略的含义，并比较它们在计算复杂度和信息保留度上的差异。（2）假设采用特征级融合，将视频提取的CNN特征向量V和传感器数值特征向量S进行拼接。设V维度为256，S维度为10。拼接后的特征向量输入到一个全连接神经网络进行火灾概率预测。请写出融合后的特征向量维度，并解释为何在全连接层后通常接Sigmoid激活函数而不是Softmax函数。（3）针对仓储环境，货物堆叠复杂，传统感烟探测器可能因烟雾滞留无法及时报警。请设计一种基于注意力机制的深度学习模型思路，用于提升模型对关键区域（如热源、初起烟雾）的关注度。3.（本题15分）森林火灾蔓延受地形、植被、气象等多种因素影响。现利用人工智能技术构建森林火灾蔓延预测模型。（1）元胞自动机是模拟火灾蔓延的经典方法。请写出元胞自动机的四个基本组成要素。（2）若引入深度学习替代传统的经验公式进行预测，请设计一个基于卷积神经网络（CNN）的输入输出结构。输入：当前时刻t的森林状态图（包含植被类型、湿度、当前火点位置，通道数为3）、风速风向图（通道数为2）。输出：下一时刻t+请说明如何构建输入数据，以及该CNN模型本质上类似于图像处理中的什么任务？（3）在模型训练阶段，由于真实的森林火灾历史数据稀缺，难以通过监督学习训练高精度模型。请简述如何利用“物理信息神经网络”或“生成对抗网络”来缓解数据稀缺的问题。参考答案及解析一、单项选择题1.C[解析]YOLO(YouOnlyLookOnce)系列算法是典型的单阶段目标检测算法，将目标检测视为回归问题，速度极快，适合实时性要求高的边缘设备。R-CNN系列属于两阶段算法，速度较慢。2.B[解析]小波变换具有良好的时频局部化特性，适合处理非平稳信号，能有效去除噪声并保留信号的瞬态特征。傅里叶变换主要用于平稳信号。3.B[解析]SMOTE是一种过采样算法，通过插值方式合成新的少数类样本，解决类别不平衡。随机欠采样会丢失多数类信息。4.A[解析]这是Q-Learning的核心迭代公式，包含学习率α、折扣因子γ以及估计的Q值与实际Q值之差。5.D[解析]协方差矩阵的特征值反映了点云在主方向上的分布离散程度，即密度和形状信息。曲率反映表面弯曲程度，法向量反映表面朝向。6.D[解析]根据3σ原则，正态分布数据落在[7.B[解析]U-Net的核心结构是对称的Encoder-Decoder（编码器-解码器），并通过SkipConnections（跳跃连接）融合深层语义特征和浅层空间特征，常用于图像分割。8.B[解析]精确率Pr9.B[解析]IMU积分计算位移和角度时，误差会随时间累积（漂移），且系统本身是非线性的，因此需要EKF或粒子滤波进行状态估计和误差校正。10.B[解析]Attention机制允许模型在处理每个词时，动态地赋予输入序列中其他词不同的权重，从而捕捉长距离依赖和上下文信息。11.A[解析]Dropout在训练过程中随机将部分神经元的输出置为0，防止神经元之间产生过度适应，有效抑制过拟合。12.B[解析]元胞自动机的下一状态由当前元胞状态、邻居元胞状态以及外部环境规则（如地形、风速）共同决定。13.C[解析]一维卷积神经网络（1D-CNN）善于提取波形的局部特征，循环神经网络（RNN/GRU/LSTM）善于处理时间序列依赖。两者结合（CRNN）或使用时域卷积网络（TCN）效果更佳。14.B[解析]h(n)15.B[解析]关联规则挖掘用于发现数据项之间的频繁组合和关联，如“节假日”AND“夜间”→“火灾高发”。16.A[解析]Otsu算法（大津法）是一种自动确定二值化阈值的方法，它通过最大化背景和前景之间的类间方差来寻找最佳阈值。17.A[解析]TF-IDF用于评估一个词语对于一个文件集或一个语料库中的其中一份文件的重要程度。18.D[解析]针孔相机模型涉及内参（焦距、主点）和外参（旋转、平移），光照强度不属于几何标定参数。19.C[解析]量化是指将模型参数从高精度浮点数转换为低精度定点数（如int8），大幅减少模型体积和内存消耗，加快推理速度。20.C[解析]AUC值为0.5表示模型完全没有区分能力，等同于随机猜测。二、多项选择题1.ABCD[解析]消防AI主要涉及视觉（图像/视频）、IoT（传感器数据）、NLP（语音/文本处理）及运筹优化（路径规划）。量子计算目前尚未实际应用。2.ABCD[解析]CNN具备特征提取、降维、非线性映射和分类输出功能。CNN通过通道数处理RGB图像，E错误。3.ABC[解析]边缘网关负责数据汇聚、本地实时计算和轻量级推理。海量存储和复杂大数据挖掘通常在云端进行。4.ABCD[解析]无人机需解决定位、控制、识别和决策问题。电池续航受限于物理化学技术，无法通过AI无限延长。5.ABCD[解析]准确率、召回率、漏报率、误报率均是分类评价指标。MSE主要用于回归任务。6.ABCDE[解析]建筑属性、人口、水源、历史数据、天气均为火灾风险评估的重要特征。7.ABDE[解析]智能决策支持系统提供辅助信息，不能也不应完全替代人类指挥员。8.ABCD[解析]常见的数据增强方法包括亮度调整、噪声添加、几何变换和GAN生成。9.ABC[解析]ASR系统包含声学模型、语言模型和发音词典。图像编码器属于视觉领域，强化学习Agent属于决策领域。10.ABCD[解析]数据清洗是保证模型质量的前提，包括去噪、补缺、格式统一、时间对齐等。三、判断题1.×[解析]无监督学习（如聚类、异常检测）在消防领域有重要应用，例如发现未知的火灾模式或传感器异常。2.√[解析]YOLO算法将检测视为回归问题，直接预测边界框和类别，无需候选区域生成，速度快。3.√[解析]漏报火灾可能导致严重的人员伤亡和财产损失，因此在消防场景中通常优先保证高召回率。4.×[解析]网络深度增加可能导致梯度消失/爆炸或过拟合，且计算成本增加，性能不一定提升。5.√[解析]SVM通过最大化间隔寻找最优超平面，具有较好的泛化能力，适合小样本场景。6.√[解析]数字孪生结合AI模拟，可以虚实交互，用于推演火灾发展和疏散方案。7.×[解析]K-均值聚类算法需要预先设定聚类数量K值。8.√[解析]5G的高带宽低延迟特性支持高清视频实时回传和AI的远程实时控制。9.√[解析]LSTM引入了遗忘门、输入门和输出门，有效解决了长序列依赖和梯度消失问题。10.√[解析]决策树直观易懂，但容易对训练数据过拟合，通常需要剪枝。11.√[解析]感受野定义了CNN中某一层神经元所能“看到”的输入图像区域的大小。12.√[解析]贝叶斯网络是基于概率推理的图形模型，适合处理不确定性和因果关系。13.√[解析]迁移学习利用预训练模型的知识，在小样本目标任务上进行微调，是解决小样本问题的有效手段。14.×[解析]模糊逻辑正是为了处理模糊、不确定概念而设计的，非常适合处理消防中的定性描述。15.×[解析]K值的选择对KNN算法的结果影响很大，小的K值易受噪声影响，大的K值会使分类边界模糊。四、填空题1.交叉熵损失函数2.IoU(IntersectionoverUnion)3.探索与利用4.LSTM(LongShort-TermMemory)或GRU(GatedRecurrentUnit)5.语义分割6.正交7.随机森林8.池化9.词嵌入10.权重五、简答题1.答：主要挑战：（1）烟雾形态多样，受气流影响大，且透明度、纹理变化复杂。（2）易受干扰，与云、雾、水蒸气、灰尘等视觉特征相似，导致误报。（3）远距离探测时，烟雾目标像素少，特征微弱。常用网络架构及特点：（1）CNN（卷积神经网络）：通过卷积层自动提取图像特征，具有平移不变性和特征抽象能力。（2）U-Net：采用编码器-解码器结构，结合跳跃连接，适合像素级的烟雾分割任务。（3）3D-CNN：能够处理视频的时间维度信息，捕捉烟雾的运动特征。2.答：过拟合是指模型在训练数据上表现很好，但在测试数据或新数据上表现较差的现象。即模型学到了训练数据中的噪声和局部特征，而非通用规律。防止措施：（1）数据增强：通过旋转、翻转、调整亮度等方式人为扩充数据集。（2）正则化：如L1/L2正则化约束权重大小，或使用Dropout随机丢弃神经元。（3）早停法：在验证集误差不再下降时停止训练。（4）迁移学习：使用在大型数据集（如ImageNet）上预训练的模型进行微调。（5）简化模型：减少网络层数或神经元数量。3.答：引入原因及优势：在消防场景中，火灾报警具有极高的实时性要求（毫秒级）。（1）低延迟：边缘计算在本地处理数据，无需上传云端，大幅减少网络传输延迟，实现即时报警。（2）带宽节省：仅将报警结果或关键片段上传云端，减少高清视频流对带宽的占用。（3）可靠性：在网络中断的情况下，本地系统仍可独立运行和报警，保障系统鲁棒性。（4）隐私保护：敏感视频数据可在本地处理，无需上传云端，保护隐私。4.答：基本原理：Agent通过与环境交互，学习最优策略以最大化累积奖励。定义：（1）Agent（智能体）：消防机器人，负责感知环境并执行动作。（2）Environment（环境）：火场模型，包含地图、火源、障碍物等。（3）State（状态）：机器人当前位置、姿态、周围环境信息（温度、障碍物分布）。（4）Action（动作）：机器人可执行的操作，如前进、后退、左转、右转、喷水。（5）Reward（奖励）：环境反馈给Agent的信号。例如，接近火点给正奖励，撞到障碍物或进入高温区给大负奖励，每走一步给微小负奖励以鼓励最短路径。5.答：核技巧：通过一个非线性映射函数将原始低维空间的数据映射到高维特征空间，使得在高维空间中数据变得线性可分。而在计算过程中，利用核函数直接计算原始空间中两个数据的内积，避免了显式计算高维映射，降低了计算复杂度。作用举例：在火灾分类中，正负样本在原始二维特征空间（如温度、CO浓度）中可能交织在一起，无法用直线分开。使用高斯核函数（RBF）将数据映射到无限维空间，可以在高维空间找到一个超平面将不同类别的火灾样本有效分离。六、综合分析与应用题1.解：（1）计算指标：TP=85,FP=20,FN=15,TN=980精确率P=召回率R=F1分数F1（2）原因及改进方案：原因：夜间光照不足导致图像信噪比低，特征模糊；红外补光可能产生强反射或阴影干扰；模型训练集中夜间样本不足。改进方案：1.数据增强：专门收集夜间样本，并在训练时进行降低亮度、添加噪声等操作。2.硬件改进：搭载红外热成像相机，利用温度特征而非可见光特征进行识别。3.图像增强：在预处理阶段使用直方图均衡化或Retinex算法增强低照度图像。4.多模态融合：结合可见光与红外图像进行融合检测。（3）技术路线：需要引