Исследование алгоритма обнаружения целей на изображениях лесных пожаров на основе извлечения многомасштабных признаков

Почему важно раннее обнаружение пожаров

Лесные пожары часто начинаются как крошечные язычки пламени или едва заметные струйки дыма, сливаясь с деревьями, облаками или ночным небом. Тем не менее раннее улавливание этих слабых сигналов может определить разницу между быстро потушенным возгоранием и катастрофой, разрушающей экосистемы и угрожающей поселениям. В этом исследовании предложен новый метод компьютерного зрения, помогающий камерам на дронах и других устройствах в реальном времени распознавать небольшие, трудноразличимые признаки пожара даже в загроможденной и изменчивой лесной среде.

От патрулей в лесах к «умному» наблюдению

Традиционный мониторинг лесных пожаров опирался на сторожевые вышки, патрули или простые датчики, которые реагируют медленно и легко пропускают отдалённые очаги. В последние годы глубокое обучение — разновидность искусственного интеллекта, которая извлекает закономерности из больших объёмов данных — изменило подходы к анализу изображений. Для лесов это означает обучение алгоритмов распознавать характерные формы и оттенки пламени и дыма. Однако реальные леса — беспорядочные места: дым может сливаться с облаками или туманом, пламя может быть крошечными точками на широком фоне, а объекты на снимках сильно различаются по размеру. Существующие системы особенно тяжело справляются с ранними, мелкими пожарами, которые важно обнаружить первыми.

Видеть крупное и мелкое одновременно

Авторы работы опираются на популярную систему детекции в реальном времени под названием YOLO, которая просматривает изображения и обводит объекты рамками. Их усовершенствованная версия на основе YOLOv9c специально разработана для обработки широкого диапазона размеров пожаров на аэрофотоснимках и наземных фото лесов. Вначале они переработали «основу» модели — часть, отвечающую за извлечение визуальных признаков — с помощью нового модуля EGI. Этот модуль разбивает входное изображение на несколько потоков обработки, которые параллельно анализируют мелкие детали и более крупные формы, затем объединяет их, автоматически усиливая наиболее информативные паттерны и подавляя отвлекающие фоновые элементы, такие как деревья или облака. Цель — сохранить модель достаточно лёгкой для устройств на дронах или удалённых станциях, одновременно улучшив способность замечать тонкие признаки пожара.

Увеличивая внимание к крошечным язычкам и бледному дыму

Чтобы ещё лучше обнаруживать ранние признаки, команда добавила специальный дополнительный выходной слой, известный как P2 head, который фокусируется на очень мелких целях. Этот слой работает вместе с интеллектуальным компонентом «повышения разрешения» CARAFE, который восстанавливает карты признаков более высокого разрешения, позволяя модели сохранить тонкие края и текстуры, которые в противном случае сгладились бы. В совокупности эти улучшения помогают системе выделять крошечные язычки пламени и тонкие полосы дыма, которые выглядят далеко на изображении камеры. Исследователи также уточнили процесс обучения модели рисованию рамок вокруг пожаров, применив более тонкий способ сравнения предсказанных рамок с истинными, направляя обучение к более точным контурам и меньшему числу ошибок позиционирования.

Полевые испытания в реальных условиях

Новый подход оценивали на большой публичной базе изображений лесных пожаров, охватывающей разные погодные условия, времена суток, типы лесов, рельеф и ракурсы камер, включая съёмку с дронов. Улучшенная модель не только точнее обнаруживает пожары и дым по сравнению с базовой системой YOLOv9c, но и превосходит несколько других известных моделей обнаружения объектов. Она повышает точность распознавания на несколько процентных пунктов при одновременном сокращении числа внутренних параметров почти на треть, сохраняя при этом скорость обработки в реальном времени выше 25 кадров в секунду на графическом оборудовании начального уровня. Важно, что модель демонстрирует высокую производительность в сложных ситуациях: ночные сцены, плотная растительность и фоны, где дым напоминает облака.

Что это значит для безопасности лесов

Для неспециалистов вывод прост: эта работа предоставляет более «умные» глаза для защиты лесов. Комбинируя многомасштабное представление, внимание к важным деталям и тщательную доводку процесса обучения на примерах, система способна раньше и надёжнее заметить небольшие пожары и слабый дым с меньшим числом ложных тревог. Поскольку она эффективно работает на лёгком оборудовании, её можно встраивать в дроны и удалённые станции для непрерывного наблюдения больших лесных массивов. На практике это означает более быстрые предупреждения, больше времени для реагирования пожарных и лучшие шансы не допустить превращения мелких искр в разрушительные пожары.

Цитирование: 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

Ключевые слова: обнаружение лесных пожаров, глубокое обучение, обнаружение объектов, мониторинг с дронов, раннее оповещение