En intelligent metod för tidig rök-/branddetektion med visuella sensorer i smarta städer

Varför det är viktigt att bevaka rök i smarta städer

I tättbefolkade moderna städer kan en liten virvel av rök snabbt utvecklas till en dödlig eld som hotar människor, byggnader och kritiska tjänster. Traditionella brandlarm reagerar ofta för sent eller utlöses av fel orsaker, som ånga från en dusch eller köksrök. Denna artikel presenterar ett nytt kamerasystem som kan upptäcka rök och brand tidigt och med hög noggrannhet, vilket ger räddningstjänster värdefulla extra minuter för att agera. Systemet kombinerar de senaste framstegen inom artificiell intelligens för att övervaka gator, skogar i stadens utkanter och offentliga platser, och bidrar till att göra smarta städer säkrare och mer motståndskraftiga.

Problemet med dagens brandlarm

Konventionella brandsystem förlitar sig på värme-, gas- eller röksensorer inomhus. Dessa enheter måste vara nära lågorna innan de reagerar, vilket kan fördröja larm precis när varje sekund räknas. De drabbas också av många falsklarm orsakade av harmlösa källor som damm, ånga eller matos, vilket slösar resurser och urholkar allmänhetens förtroende. Utomhusdetektion är ännu svårare: rök liknar ofta moln, dis eller skuggor och kan snabbt förändra form och densitet. Fasta sensorer täcker bara små områden och lämnar blinda fläckar i stora eller komplexa stadsområden som parker, industriområden och transportnav.

Kamera- och smartare vision som ett nytt säkerhetsnät

När digitala kameror och nätverksanslutna enheter blivit billigare och kraftfullare har forskare vänt sig till datorseende—att lära maskiner att "se" som människor—för att upptäcka rök och flammor. Tidigare system använde handgjorda regler, som att leta efter gråaktiga fläckar eller fladdrande färger, men dessa regler brast under varierande ljus, väder eller stökig bakgrund. Deep learning-metoder, som lär sig mönster direkt från stora bildsamlingar, har förbättrat detektionen, men många av dem fokuserar fortfarande på små lokala detaljer och missar svaga eller tidiga röksignaler. Andra är noggranna men för långsamma eller för resurskrävande för att köras i realtid i stadsinfrastruktur.

En tvåstegs AI-vakt för brand och rök

Studien introducerar ett intelligent ramverk som förenar två kraftfulla AI-idéer i en pipeline. Först delar en Vision Transformer—en bildanalysmetod anpassad från språkmodeller—varje kameraram i många små patchar och analyserar hur de relaterar till varandra över hela scenen. Denna globala vy hjälper modellen att upptäcka subtila tecken på rök, såsom mjuka färggradienter, disiga texturer och diffusa kanter som sträcker sig över stora områden. Därefter skickas dessa rika visuella ledtrådar vidare till YOLOv8, en snabb detektor som är utformad för att rita rutor runt intressanta objekt. YOLOv8 lokaliserar exakt de områden där rök eller öppna lågor förekommer och gör det tillräckligt snabbt för att följa videoströmmar i realtid.

Sätta systemet på prov

För att utvärdera hur väl denna tvåstegs-vakt presterar tränade och testade författarna den på mer än 7 700 noggrant märkta bilder från två stora publika samlingar som inkluderar stadsgator, byggnader och skogsområden under många olika ljus- och väderförhållanden. De ökade variationen ytterligare genom att rotera, vända och ljusa upp bilder för att efterlikna dag- och nattscener samt olika synvinklar. På tidigare osedda testbilder kände systemet igen rök och brand korrekt i mer än 99 % av fallen och balanserade missade händelser och falsklarm på ett anmärkningsvärt sätt. Det bearbetade också varje ram på cirka 45 millisekunder—ungefär 22 bilder per sekund—tillräckligt snabbt för övervakning i realtid i kontrollrum eller på anslutna enheter.

Vad som gör detta tillvägagångssätt unikt

Jämfört med andra avancerade metoder, inklusive tidigare versioner av samma detektorfamilj och olika deep learning-ensemblemodeller, levererar det nya ramverket högre noggrannhet och bättre lokalisering av riskområden. Genom att kombinera en modell som förstår den bredare scenen med en som är duktig på snabb och exakt markering av objekt, minskar det förväxlingar med liknande företeelser som dimma, rökfärgade kläder eller bilder av eld på skärmar. Samtidigt gör dess måttliga storlek och effektiva design det mer praktiskt att driftsätta i verkliga smarta stadssystem, där beräkningsresurser och nätverksbandbredd kan vara begränsade.

Vad detta betyder för vardaglig säkerhet

För icke-specialister är slutsatsen att kameror i smarta städer kan göra mycket mer än att spela in material för senare granskning—de kan hjälpa till att förebygga katastrofer medan de utvecklas. Det föreslagna systemet visar att genom att förena bred visuell förståelse med snabb detektion är det möjligt att upptäcka bränder i ett mycket tidigt skede, minska falsklarm och stödja snabbare, mer målinriktade insatser från räddningstjänsten. Med fortsatt arbete för att hantera extremt väder, nattscener och ytterligare sensordata skulle liknande verktyg kunna bli en kärnkomponent i urbana säkerhetsnät, tyst övervakande hem, skogar och offentliga platser för att förhindra att små gnistor utvecklas till stora katastrofer.

Citering: Abozeid, A., Alanazi, R. An intelligent approach for early smoke/fire detection using vision sensors in smart cities. Sci Rep 16, 11387 (2026). https://doi.org/10.1038/s41598-026-42762-y

Nyckelord: branddetektion, rökdetektion, smarta städer, datorseende, deep learning