BGC-LiteNet: ארכיטקטורה נוירונלית קלה עם קידוד רשת BeiDou לזיהוי ומיקום שריפות רחפניים בזמן אמת

צופים ביער ממעל

שריפות יער יכולות להפוך מהבהוב קטן לאסון בתוך דקות. רחפנים המצוידים במצלמות חישה תרמית מבטיחים לזהות את השריפות מוקדם, אך המערכות הקיימות נאלצות להתפשר: תוכנה קלה ומהירה מפספסת בדרך כלל להבות קטנטנות בשלבים מוקדמים, בעוד תוכנות כבדות ומדויקות יותר מגיבות לאט מדי מכדי להיות שימושיות במקרי חירום. עבודה זו מציעה גישה חדשה הנקראת BGC‑LiteNet שמנסות להשיג את שניהם בו‑זמנית — לזהות שריפות קטנות במהירות ולמקד את מיקומן על מפה כמעט בזמן אמת, אפילו על מחשבים צפים צנועים על הרחפן.

מדוע גילוי מוקדם של שריפות כל כך קשה

שריפות בשלבים המוקדמים מופיעות בתמונות רחפן כקצת פיקסלים זוהרים, לעתים מוסווים בעשן, תאורה עמומה או שטח מבולגן. שיטות מסורתיות התלויות בספים פשוטים או בתכונות תמונה מעשה ידי אדם מהירות אך ניחנות בקלות מטעמים חיצוניים ושינויים בתנאים. מערכות למידה עמוקה חדשות טובות יותר בזיהוי שריפות, אך בדרך כלל מספקות רק מיקום בתמונה, לא קורדינטות מפורשות על המפה. המרה של מיקומים אלה למיקומים במציאות דורשת צעדים נוספים הכוללים גאומטריית מצלמה, מיקום בן‑לוויין ושירותי מיפוי מקוונים. כל שלב נוסף עולה בזמן — מאות מילישניות או יותר — ותלוי בתקשורת אמינה שאינה תמיד זמינה באזורים הרריים ומשוללים רשת.

להטמיע את המפה בתוך הרשת הנוירונלית

במקום להתייחס למיפוי כעניין משני, BGC‑LiteNet משלבת גאוגרפיה ישירות בתוך תהליך הזיהוי. היא משתמשת בקוד רשת BeiDou (BGC), תקן לאומי שמחלק את כדור הארץ לרשת תאים סדירה ברוחב של כ‑100 מטרים. עבור כל פיקסל בתמונת אינפרא‑אדום של הרחפן, המערכת מחשבת לאיזה תא רשת על הקרקע הוא מתאים ובונה מפה רשת תואמת. מפה זו מומרת לערכת קודים מספריים ניתנת ללמידה שנכנסת לרשת הנוירונלית לצד התמונה עצמה. למעשה, כל פיקסל מגיע עם רמז חזותי ורמז גיאוגרפי, מה שמאפשר למודל ללמוד היכן סביר שמופיעות שריפות ולהפיק מזה את מזהי הרשת הסטנדרטיים ישירות, ללא קריאה לשירותי מיפוי חיצוניים.

לעצב מוח שחושב מהר

הטמעת הגאוגרפיה היא רק חצי מהסיפור; החצי השני הוא לגרום לזה לרוץ מהר על מחשב צף קטן. המחברים משתמשים בטכניקה הנקראת חיפוש ארכיטקטורת נוירון (neural architecture search), שבאופן אוטומטי בוחנת עיצובים רבים של רשת כדי למצוא את אלה שמאזנים בין דיוק למהירות. הם מודדים כמה לוקחים חסרים בסיסיים — כמו קונבולוציות קומפקטיות ומודולי תשומת לב — לרוץ על מכשיר משובץ, ואז מכוונים את החיפוש כך ששילובים איטיים יהיו מעוכבים. העיצוב הסופי של BGC‑LiteNet משתמש בפחות ממיליון פרמטרים, נשען רבות על קונבולוציות יעילות וגוזם מסלולים מיותרים, וכתוצאה מכך זמן עיבוד ממוצע של כ‑38 מילישניות לתמונה ברזולוציה סטנדרטית על מודול NVIDIA Jetson Xavier NX המותקן על רחפן.

להעמיס את המערכת במבחן

כדי לבדוק האם הגישה עובדת בעולם האמיתי, הצוות בנה מאגר נתונים של כמעט 13,000 תמונות רחפן שנאספו מעל הרים, מישורים, קצות יערות ושטחים מעורבים בכמה חבלי ארץ בסין. כל תמונה זוגתה עם נתוני מיקום רחפן מדויקים והערות שריפה המקושרות לתאי BeiDou. לאורך האוסף המגוון של סצנות יום, לילה, מעושנות ובהירות, BGC‑LiteNet מזהה שריפות עם כ־89 אחוז דיוק ממוצע (mean average precision) ומשיגה יותר מ‑92 אחוז דיוק במיקום הגיאוגרפי שלהן בתוך 50 מטרים. היא גוברת על שיטות מסורתיות ועל מודלים נפוצים קומפקטיים של למידה עמוקה, במיוחד כאשר השריפות קטנות, התאורה נמוכה או העשן צפוף. המערכת גם מתרחבת היטב לגדלים שונים של תמונה ונשארת רספונסיבית גם ברזולוציות גבוהות יותר.

מיחידים לרשתות כיבוי אש

מיקומים מדויקים וסטנדרטיים הם קריטיים כאשר מספר רחפנים וצוותי קרקע צריכים לפעול יחד. כיוון ש‑BGC‑LiteNet מפיקה מיקומים ישירות במערכת רשת לאומית, רחפנים שונים אוטומטית "מדברים את אותה שפה", ובכך מצמצמת סתירות בדיווחי מיקום. ניסויים עם סיורים מדומים של מספר רחפנים מראים כי האומדנים למיקום של אותה שריפה מקובצים בצפיפות, הרבה יותר מאשר בשיטות התלויות בשלבי מיפוי נפרדים לכל פלטפורמה. החוקרים גם מראים שהמערכת ממשיכה לפעול בתנאי תאורה מאתגרים, עשן, גשם וערפל, וניתנת להמרה במהירות לקורדינטות בסגנון GPS לכלי מיפוי קיימים.

מה המשמעות עבור כיבוי אש

BGC‑LiteNet ממחישה שניתן לבנות מערכת זיהוי שריפות מבוססת רחפן שהיא גם מהירה וגם מדויקת בכך שמתייחסים למיפוי כחלק מהאינטליגנציה ולא כתוספת. על‑ידי הטמעת ייחוס רשת לאומי ישירות ברשת הנוירונלית ועיצוב אוטומטי של המודל לחומרה צריכת‑הספק נמוכה, המחברים משיגים התראות שריפה מהירות ומדויקות שיכולות להנחות כוחות תגובה לטווח של עשרות מטרים מהלהבה החדשה. מעבר לשריפות יער, אותו רעיון — ללמד רשתות נוירונליות להבין לא רק מה אלא גם היכן — יכול לסייע במשימות אחרות כגון סקרים על חיות בר, הערכת נזקים ואגרו‑מדע מדויק.

ציטוט: Yin, H., Yu, Y., Hong, A. et al. BGC-LiteNet: BeiDou grid code embedded lightweight neural architecture for real-time UAV fire detection and localization. Sci Rep 16, 14456 (2026). https://doi.org/10.1038/s41598-026-44728-6

מילות מפתח: זיהוי שריפות בעזרת רחפנים, למידה עמוקה גיאוגרפית, בינה קצה, קוד רשת BeiDou, מיקום בזמן אמת