מחקר על אלגוריתם לזיהוי מטרות בתמונות של שריפות יער המבוסס על חילוץ תכונות רב-קנה מידה

מדוע גילוי מוקדם של אש חשוב

שריפות יער מתחילות לעיתים כאש זעירה או ענני עשן דקיקים, כמעט בלתי נראים אל מול עצים, עננים או שמי הלילה. יחד עם זאת, זיהוי אותות קטנים אלה מוקדם יכול להכריע בין שריפה שנשלטת במהירות לבין אסון ההורס מערכות אקולוגיות ומסכן יישובים. מחקר זה מציג שיטת ראייה ממוחשבת חדשה המסייעת למצלמות ברחפנים ומכשירים אחרים לזהות בזמן אמת סימנים קטנים וקשים לגילוי של אש, גם בסביבות יער מבולגנות ומשתנות.

משיטור יערות לפיקוח חכם

ניטור שריפות יער מסורתי התבסס על מגדלי שמירה, סיורים או חיישנים פשוטים שמגיבים לאט ועלולים לפספס שריפות מרוחקות. בשנים האחרונות, למידה עמוקה — סוג של אינטיליגנציה מלאכותית שלומדת דפוסים מתוך כמויות גדולות של נתונים — שינתה את הדרך שבה אנו מנתחים תמונות. עבור יערות, זה אומר ללמד אלגוריתמים לזהות צורות וצבעים אופייניים של להבות ועשן. עם זאת, יערות אמיתיים הם מקומות מבולגנים: עשן עלול להתמזג עם עננים או ערפל, להבות יכולות להיראות ככתמים זעירים בנוף רחב, והעצמים בסצנה משתנים מאוד בגודלם. מערכות קיימות מתקשות לעתים קרובות במיוחד עם אותן שריפות מוקדמות וקטנות שהכי חשוב לתפוס.

לראות גדול וקטן בו‑זמנית

החוקרים בונים על מסגרת זיהוי בזמן אמת פופולרית בשם YOLO, הסורקת תמונות ומציירת תיבות סביב עצמים רלוונטיים. הגרסה המשודרגת שלהם, המבוססת על YOLOv9c, תוכננה במיוחד לטפל בטווח הרחב של גדלי אש הנפוצים בתמונות אוויריות וקרקעיות של יער. ראשית, הם מעצבים מחדש את ה"שלד" של המודל — החלק שמחלץ תכונות ויזואליות — באמצעות מודול חדש בשם EGI. מודול זה מחלק את התמונה הנכנסת למספר מסלולי עיבוד שבוחנים בפרלל פרטים עדינים וצורות רחבות יותר, ואז מאחד אותם תוך הדגשה אוטומטית של התבניות המידעיות ביותר והחלשת אלמנטים רקע מבלבלים כמו עצים או עננים. המטרה היא לשמור על המודל קל מספיק למכשירים ברחפנים או תחנות מרוחקות, תוך שיפור יכולתו לשים לב לרמזים עדינים לאש.

התמקדות בלהבות זעירות ועשן דהוי

כדי לשפר עוד יותר את הגילוי המוקדם, הצוות מוסיף שכבת פלט נוספת מיוחדת, המכונה ראש P2, המתמקדת במטרות קטנות מאוד. שכבה זו פועלת יחד עם רכיב "הגדלה חכמה" בשם CARAFE, המשחזרת מפת תכונות ברזולוציה גבוהה יותר כך שהמודל שומר על קצוות וטקסטורות עדינים שבאופן אחר היו מתחלפים. יחד, תוספות אלה עוזרות למערכת להבליט להבות זעירות וקווי עשן דקים המופיעים מרחוק בשדה הראייה של המצלמה. החוקרים גם מחדדים את אופן הלמידה של המודל לציור תיבות סביב הלהבות על‑ידי אימוץ שיטת השוואה ניואנסית יותר בין תיבות חזויות לאמיתיות, אשר מכוונת את תהליך האימון לקבל קווי מתאר מדויקים יותר ופחות שגיאות מיקום.

בחינת המערכת בשטח

הגישה החדשה הוערכה על מאגר ציבורי גדול של תמונות שריפות יער המתבסס על תנאי מזג אוויר שונים, זמנים שונים ביום, סוגי יער שונים, תצורת שטח וזויות מצלמה מגוונות, כולל חומר רחפנים. המודל המשופר לא רק מזהה אש ועשן בדיוק גבוה יותר ממערכת הייחוס YOLOv9c, אלא גם מנצח מספר מודלים ידועים אחרים לזיהוי עצמים. הוא מעלה את דיוק הזיהוי במספר נקודות אחוז תוך שהוא מקטין את מספר הפרמטרים הפנימיים בכמעט שליש, כל זאת תוך שמירה על מהירויות עיבוד בזמן אמת מעל 25 פריימים לשנייה על חומרת גרפיקה ברמת קצה. חשוב לציין כי המודל מציג ביצועים חזקים במצבים קשים כגון סצינות ליליות, כיסוי צמחיה צפוף ורקעים שבהם העשן דומה לעננים.

מה זה אומר עבור יערות בטוחים יותר

עבור קהל שאינו מומחה, המסקנה ברורה: עבודה זו מספקת זוג "עיניים" חכמות יותר להגנה על היערות. באמצעות שילוב ראייה רב‑קנה מימדית, תשומת לב לפרטים חשובים וכיול מדוקדק של אופן הלמידה מהדגמות, המערכת יכולה לזהות שריפות קטנות ועשן עדין מוקדם ובמהימנות גבוהה יותר, עם פחות אזעקות שווא. מאחר שהיא פועלת ביעילות בחומרה קלת משקל, ניתן לשלב אותה ברחפנים ובתחנות מרוחקות הצופות באופן רציף על אזורי יער נרחבים. במשמעות מעשית, זה מתרגם לאזהרות מהירות יותר, זמן תגובה ארוך יותר לכוחות הכיבוי וסיכוי גבוה יותר למנוע ניצוצות קטנים מלהפוך לשריפות מסוכנות והרסניות.

ציטוט: Wu, W., Zhou, X., Qin, J. et al. Research on target detection algorithm for forest fire images based on multi-scale feature extraction. Sci Rep 16, 12759 (2026). https://doi.org/10.1038/s41598-026-41994-2

מילות מפתח: גילוי שריפות יער, למידה עמוקה, זיהוי עצמים, ניטור ברחפנים, אזהרה מוקדמת