Forskning om måldetekteringsalgoritm för skogsbruksbilder baserad på flerskalig funktionsutvinning

Varför tidig upptäckt av brand spelar roll

Skogsbränder börjar ofta som små eldar eller tunna rökstrimmor, knappt synliga mot träd, moln eller natthimlen. Att fånga dessa små tecken i ett tidigt skede kan dock vara skillnaden mellan en snabbt kontrollerad brand och en katastrof som förstör ekosystem och hotar samhällen. Denna studie presenterar en ny datorsynsmetod som hjälper kameror på drönare och andra enheter att i realtid upptäcka små, svårupptäckta brandsignaler även i röriga och föränderliga skogsmiljöer.

Från patrullering i skogen till smart övervakning

Traditionell övervakning av skogsbränder har förlitat sig på utkikstorn, patruller eller enkla sensorer som reagerar långsamt och lätt kan missa avlägsna bränder. Under de senaste åren har djupinlärning—en typ av artificiell intelligens som lär sig mönster ur stora mängder data—förändrat hur vi analyserar bilder. För skogar innebär det att algoritmer tränas att känna igen typiska former och färger hos lågor och rök. Men verkliga skogar är komplexa: rök kan smälta samman med moln eller dimma, lågor kan vara små prickar i ett vidsträckt landskap och föremål i scenen varierar kraftigt i storlek. Befintliga system har ofta störst svårigheter med just dessa tidiga, små bränder som är viktigast att upptäcka.

Se stort och smått samtidigt

Forskarna bygger vidare på ett populärt ramverk för detektion i realtid kallat YOLO, som skannar bilder och ritar rutor kring intressanta objekt. Deras uppgraderade version, baserad på YOLOv9c, är särskilt utformad för att hantera det stora spannet av brandstorlekar som återfinns i flygbilder och markbilder från skog. Först omformar de modellens "backbone"—den del som extraherar visuella egenskaper—med en ny modul kallad EGI. Denna modul delar upp den inkommande bilden i flera bearbetningsströmmar som parallellt undersöker finare detaljer och bredare former, för att sedan återkombinera dem samtidigt som den automatiskt betonar de mest informativa mönstren och dämpar förvillande bakgrundselement som träd eller moln. Målet är att hålla modellen tillräckligt lättvikts för enheter på drönare eller avlägsna stationer samtidigt som dess förmåga att upptäcka subtila brandsignaler skärps.

Zooma in på små lågor och svag rök

För att ytterligare förbättra tidig upptäckt lägger teamet till ett särskilt extra utgångslager, känt som P2-huvudet, som fokuserar på mycket små mål. Detta lager arbetar med en smart "uppsampling"-komponent kallad CARAFE, som rekonstruerar högupplösta funktionskartor så att modellen behåller fina kanter och texturer som annars skulle jämnas ut. Tillsammans hjälper dessa tillägg systemet att framhäva små lågor och tunna röklinjer som syns långt bort i kamerans synfält. Forskarna förfinar också hur modellen lär sig att rita rutor runt bränder genom att anta ett mer nyanserat sätt att jämföra predicerade rutor med de verkliga, vilket styr träningsprocessen mot mer precisa konturer och färre positionsfel.

Sätta systemet på prov i fält

Den nya metoden utvärderas på en stor offentlig datamängd med skogsbränder som täcker olika väderförhållanden, tidpunkter på dygnet, skogstyper, terräng och kameravinklar, inklusive drönarfilmning. Den förbättrade modellen upptäcker inte bara bränder och rök mer exakt än baslinjesystemet YOLOv9c utan överträffar även flera andra välkända objektdetekteringsmodeller. Den ökar detekteringsnoggrannheten med flera procentenheter samtidigt som antalet interna parametrar minskas med nästan en tredjedel, allt samtidigt som realtidsbearbetningshastigheter på över 25 bilder per sekund bibehålls på kantgrafikhårdvara. Viktigt är att den visar stark prestanda i svåra situationer som nattscener, tät växtlighet och bakgrunder där rök liknar moln.

Vad detta betyder för säkrare skogar

För icke-specialister är slutsatsen tydlig: detta arbete levererar ett smartare "öga" för skogsskydd. Genom att kombinera flerskalig syn, uppmärksamhet på viktiga detaljer och noggrann finjustering av hur modellen lär sig från exempel kan systemet upptäcka små bränder och subtil rök tidigare och mer pålitligt, med färre falsklarm. Eftersom det körs effektivt på lättviktig hårdvara kan det byggas in i drönare och avlägsna stationer som kontinuerligt övervakar stora skogsområden. I praktiken innebär det snabbare varningar, mer tid för räddningstjänsten att ingripa och bättre möjligheter att förhindra att små gnistor utvecklas till förödande skogsbränder.

Citering: 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

Nyckelord: skogsbranddetektion, djupinlärning, objektdetektion, drönarövervakning, tidig varning