Badania algorytmu wykrywania obiektów na obrazach pożarów lasów opartego na ekstrakcji cech wieloskalowych

Dlaczego wczesne wykrywanie pożarów ma znaczenie

Pożary lasów często zaczynają się od maleńkich płomieni lub smug dymu, ledwie widocznych na tle drzew, chmur czy nocnego nieba. Tymczasem wychwycenie tych drobnych sygnałów wcześnie może przesądzić o tym, czy ogień zostanie szybko opanowany, czy też przekształci się w katastrofę niszczącą ekosystemy i zagrażającą osadom. W niniejszym badaniu przedstawiono nową metodę widzenia komputerowego, która pomaga kamerom na dronach i innych urządzeniach wykrywać małe, trudno zauważalne oznaki pożaru w czasie rzeczywistym, nawet w złożonym i zmiennym środowisku leśnym.

Od patroli po inteligentny nadzór

Tradycyjne monitorowanie pożarów lasów opierało się na wieżach obserwacyjnych, patrolach lub prostych czujnikach, które reagują powoli i łatwo mogą przeoczyć odległe pożary. W ostatnich latach uczenie głębokie — rodzaj sztucznej inteligencji uczącej się wzorców na dużych zbiorach danych — zrewolucjonizowało analizę obrazów. W kontekście lasów oznacza to nauczanie algorytmów rozpoznawania charakterystycznych kształtów i odcieni płomieni oraz dymu. Jednak prawdziwe lasy są nieuporządkowane: dym może stapiać się z chmurami lub mgłą, płomienie mogą być maleńkimi punktami na rozległym tle, a elementy sceny znacznie różnią się rozmiarem. Istniejące systemy mają często największe trudności z tymi wczesnymi, małymi pożarami, których wykrycie jest najważniejsze.

Widzenie dużego i małego jednocześnie

Badacze rozszerzają popularne ramy detekcji w czasie rzeczywistym oparte na YOLO, które skanują obrazy i rysują ramki wokół interesujących obiektów. Ich ulepszona wersja, oparta na YOLOv9c, została zaprojektowana specjalnie do obsługi szerokiego zakresu rozmiarów pożarów występujących na zdjęciach lotniczych i naziemnych. Najpierw przeprojektowali „kręgosłup” modelu — część odpowiedzialną za ekstrakcję cech wizualnych — wykorzystując nowy moduł o nazwie EGI. Moduł ten dzieli napływający obraz na kilka równoległych strumieni przetwarzania, które jednocześnie analizują drobne detale i szersze kształty, a następnie łączą je, automatycznie wzmacniając najbardziej informacyjne wzorce i tłumiąc mylące elementy tła, takie jak drzewa czy chmury. Celem jest utrzymanie modelu na tyle lekkiego, by działał na urządzeniach dronów lub stacjach zdalnych, przy jednoczesnym zwiększeniu jego zdolności do wychwytywania subtelnych oznak pożaru.

Zbliżenie na maleńkie płomienie i słaby dym

Aby jeszcze poprawić wczesne wykrywanie, zespół dodał specjalną dodatkową warstwę wyjściową, znaną jako głowica P2, skupioną na bardzo małych celach. Warstwa ta współpracuje z inteligentnym komponentem „upsamplingu” o nazwie CARAFE, który rekonstruuje mapy cech o wyższej rozdzielczości, dzięki czemu model zachowuje drobne krawędzie i tekstury, które w przeciwnym razie zostałyby wygładzone. Razem te elementy pomagają systemowi uwypuklić maleńkie płomienie i cienkie smugi dymu widoczne daleko w polu widzenia kamery. Badacze usprawnili także sposób, w jaki model uczy się rysować ramki wokół pożarów, przyjmując bardziej zniuansowaną miarę porównania przewidywanych ramek z rzeczywistymi, co kieruje proces treningu w stronę dokładniejszych obrysów i mniejszej liczby błędów lokalizacyjnych.

Testy systemu w naturalnych warunkach

Nowe podejście oceniono na dużym publicznym zbiorze obrazów pożarów lasów obejmującym różne warunki pogodowe, pory dnia, typy lasów, ukształtowanie terenu i kąty widzenia kamery, w tym nagrania z dronów. Ulepszony model nie tylko wykrywa pożary i dym dokładniej niż bazowy system YOLOv9c, ale również przewyższa kilka innych znanych modeli detekcji obiektów. Zwiększa dokładność detekcji o kilka punktów procentowych, jednocześnie redukując liczbę parametrów wewnętrznych niemal o jedną trzecią, przy zachowaniu prędkości przetwarzania w czasie rzeczywistym powyżej 25 klatek na sekundę na sprzęcie graficznym klasy edge. Co ważne, wykazuje silne wyniki w trudnych sytuacjach, takich jak sceny nocne, gęste zarośla oraz tła, gdzie dym przypomina chmury.

Co to oznacza dla bezpieczniejszych lasów

Dla osób niezwiązanych z tematem przekaz jest jasny: praca ta dostarcza „mądrzejszych” oczu dla ochrony lasów. Poprzez łączenie widzenia wieloskalowego, uwagi na istotne detale oraz staranne dopracowanie sposobu, w jaki model uczy się na przykładach, system potrafi wcześniej i bardziej niezawodnie wykrywać małe pożary i subtelny dym, przy mniejszej liczbie fałszywych alarmów. Ponieważ działa efektywnie na lekkim sprzęcie, można go zintegrować z dronami i stacjami zdalnymi, które stale nadzorują rozległe obszary leśne. W praktyce oznacza to szybsze ostrzeżenia, więcej czasu na reakcję strażaków i większe szanse na zapobieżenie przekształceniu iskry w niszczycielski pożar.

Cytowanie: 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

Słowa kluczowe: wykrywanie pożarów lasów, uczenie głębokie, detekcja obiektów, monitorowanie dronami, wczesne ostrzeganie