送审稿

专家1

这篇文章研究了一种基于改进YOLOv11n的无人机视角输电通道初期山火检测算法，用于初期山火的无人机检测。通过实验验证了YOLOv11n-MCC算法的优势，具有一定的创新价值。实验结果表明，与基准模型相比，精准度增长了4.5%、召回率增长了7.1%、平均精度增长了6.3%，参数量减小了0.146MB，十亿次浮点运算每秒0.2。尽管评价指标有所改善，但提升幅度有限，尚不足以显著提升实际检测效果。本文在算法方面的改进不显著。本文的重要工作是在数据集方面，作者需就数据集进行更加详细的说明，若可能可将数据集公开。否则，难以体现本文的学术贡献。

建议修改的地方：
1. 本文中的重要工作是收集构建了数据集来进行训练。而作者在文中未对数据集进行详细的说明。建议补充数据集的构建、质量控制、数据增强等处理操作的表述。且数据集的样本数量为2071个，可能不足以保证模型在实际复杂场景中的鲁棒性。若可能建议作者扩展数据集规模，增加多样化的火灾场景以增强模型的泛化能力。
2. 南方山区经常有局部的团雾，在雾天能否识别山火？从图1中来看，作者使用的是可见光图像来训练。如果是夜间，怎么办？数据集中是否包含夜间的图像？
3. 山火识别通常可考虑结合红外。本文方法与常规红外识别山火的方法相比，有何改进？是否比红外识别山火更具有实用价值？
4. 1.2山火图像类型划分章节第二段中“由图1（b）可以发现，明火作为燃烧的直接显性表征，不仅会释放独特的物理化学信号，还会形成非稳态脉动的形态特征”，表述有误，明火的“非稳态脉动”特征不能由图1（b）能直接看出。
5. 图3、4、5、6中关于各模块（如CONV等）缺乏具体的解释说明，建议补充更多细节。
6. 建议将第2.2节关于多尺度特征处理模块的表述顺序调整为：首先阐明顶部分支结构，随后再说明其余三个并行分支处理模块。
7. 基于上一意见，增加表2和表3消融实验中对“YOLOv11n + MFConv + CA”模型的实验结果，是否能更加反应各模块对评价指标的影响。
8. SCSA（Spatial–Channel Synergistic Attention）在多项公开基准上已系统性地超过CA注意力，更换为SCSA是否更好。
9. 图8中部分算法的检测结果可视化对比，未能清晰呈现出算法性能差异，建议改进。
10. 建议进一步的强化结论，可增加对未来成果的展望。

专家2

本文提出了一种基于改进 YOLOv11n 的无人机视角输电通道初期山火检测算法，构建了输电线路初期山火数据集，并在模型中引入多尺度特征模块（MFConv）、坐标注意力机制（CA）以及 CATM 改进模块，形成 YOLOv11n-MCC 模型。实验结果表明，该方法在精确度、召回率和 mAP 指标上均优于基线模型 YOLOv11n，同时模型复杂度有所下降。全文结构完整，逻辑较为清晰，研究工作具有较强的工程应用价值。但在部分细节方面仍有改进空间。
具体建议如下：
1.摘要和引言中对“改进点”的描述较为分散，建议在引言结尾明确总结本文的主要创新点，以凸显贡献。
2.虽然文中介绍了数据采集与标注，但仍建议补充更多细节，例如样本采集地区/环境多样性、烟雾与明火比例的差异对模型训练的影响等。
3.实验已与 YOLOv3、YOLOv5、YOLOv8、YOLOv10、YOLOv11n等进行了比较，但建议在表格或文字中更突出 YOLOv11n-MCC 相对改进的“统计显著性”，增加说服力。
4. 表2与表3的数据分析较为充分，但部分指标（如精确度下降的原因）解释略显简略，可补充更多讨论。

专家3

该论文针对输电线路早期山火检测问题，提出了基于深度学习检测模型YOLOv11n-MCC。文章构建了适用于无人机视角的初期山火图像数据集，并融合多尺度特征模块、坐标注意力机制以及CATM模块，提升了小目标检测的精度与鲁棒性。研究问题具有明确的工程背景和实际意义，结果分析详实，具有较强的创新性和应用价值。
1、消融实验中，单独加入MFConv后精确度下降3.7%，文中仅简单归因于“感受野扩大捕捉了更多潜在目标”，建议补充更具体的分析。
2、图7对比实验中，缺少定量分析。建议在文字描述中补充关键模型的数据以增加说服力。
3、结论部分未指出研究的局限性或未来工作方向。
4、参考文献格式不统一：部分参考文献缺少页码、卷号或DOI，格式不统一（如文献16）