Виявлення лісових пожеж на потокових зображеннях з БПЛА методами глибинного навчання
Анотація
Досліджено проблему виявлення лісових пожеж у режимі реального часу із використанням безпілотних літальних апаратів і методів глибинного навчання. Проаналізовано сучасні методи виявлення та класифікації пожеж, визначено їхні обмеження та недоліки, зокрема – низьку ефективність під час роботи в реальному часі та залежність від специфіки місцевості. Встановлено, що традиційні методи виявлення лісових пожеж, засновані на супутникових знімках або сенсорних давачах, не забезпечують достатньої точності на ранніх стадіях займання, що ускладнює своєчасне реагування. Досліджено можливості застосування штучного інтелекту, зокрема – згорткових нейронних мереж, для виявлення полум'я та диму на знімках. Розроблено архітектуру моделі на підставі моделі YOLOv5, яка використовує механізм спільного навчання детектора та класифікатора з використанням алгоритму LBTW.2. Створено набір даних, що містить 4104 зображення із 3289 розміченими рамками класу "вогонь" та 2788 рамками класу "дим", отриманих із відеоматеріалів, знятих камерами дронів. Проведено порівняння розробленої моделі з наявними підходами, що підтвердило її переваги в точності класифікації та виявлення об'єктів. Порівняно з базовою моделлю YOLOv5s, навченою без спільного навчання моделей, запропонований підхід показав кращі результати, зокрема – метрика mAP@50 зросла на 11,6 % (0,917 проти 0,822). Класифікатор моделі продемонстрував високу ефективність, досягнувши Accuracy = 0,986, Recall = 0,977, Precision = 0,985 та F1-score = 0,981. Розроблений підхід забезпечує стабільну роботу моделі під час опрацювання зображень у реальному часі та може бути інтегрований у системи моніторингу, що використовують безпілотні літальні апарати. Результати дослідження свідчать про ефективність використання глибинного навчання для раннього виявлення лісових пожеж і відкривають перспективи подальших наукових розробок щодо підвищення енергоефективності роботи моделей, вдосконалення їхньої архітектури та створення нових наборів даних. Показано, що перспективним є напрям спрощення архітектури моделей сімейства YOLO задля зниження обчислювальної складності та підвищення енергоефективності роботи без істотного зниження показників точності, що є особливо важливим для використання таких моделей на безпілотних літальних апаратах із обмеженими ресурсами.
Завантаження
Посилання
Akyol, K. (2025). An innovative hybrid method utilizing fused transformer-based deep features and deep neural networks for detecting forest fires. Advances in Space Research, 75(12), 8583–8598. https://doi.org/10.1016/j.asr.2025.04.020
Al-Smadi, Y., Alauthman, M., Al-Qerem, A., Aldweesh, A., Quaddoura, R., Aburub, F., Mansour, K., & Alhmiedat, T. (2023). Early Wildfire Smoke Detection Using Different YOLO Models. Machines, 11(2), article ID 246. https://doi.org/10.3390/machines11020246
Bahhar, C., Ksibi, A., Ayadi, M., Jamjoom, M. M., Ullah, Z., Soufiene, B. O., & Sakli, H. (2023). Wildfire and Smoke Detection Using Staged YOLO Model and Ensemble CNN. Electronics, 12(1), article ID 228. https://doi.org/10.3390/electronics12010228
Bushnaq, O. M., Chaaban, A., & Al-Naffouri, T. Y. (2021). The Role of UAV-IoT Networks in Future Wildfire Detection. IEEE Internet of Things Journal, 8(23), 16984–16999. https://doi.org/10.1109/JIOT.2021.3077593
Byrne, B., Liu, J., Bowman, K. W., Pascolini-Campbell, M., Chatterjee, A., Pandey, S., Miyazaki, K., Van Der Werf, G. R., Wunch, D., Wennberg, P. O., Roehl, C. M., & Sinha, S. (2024). Carbon emissions from the 2023 Canadian wildfires. Nature, 633(8031), 835–839. https://doi.org/10.1038/s41586-024-07878-z
Casas, E., Ramos, L., Bendek, E., & Rivas-Echeverría, F. (2023). Assessing the Effectiveness of YOLO Architectures for Smoke and Wildfire Detection. IEEE Access, 11, 96554–96583. https://doi.org/10.1109/ACCESS.2023.3312217
Casas, E., Ramos, L., Bendek, E., & Rivas-Echeverria, F. (2024). YOLOv5 vs. YOLOv8: Performance Benchmarking in Wildfire and Smoke Detection Scenarios. Journal of Image and Graphics, 12(2), 127–136. https://doi.org/10.18178/joig.12.2.127-136
Chen, L.-C., Papandreou, G., Kokkinos, I., Murphy, K., & Yuille, A. L. (2016). DeepLab: Semantic Image Segmentation with Deep Convolutional Nets, Atrous Convolution, and Fully Connected CRFs (Version 2). arXiv. https://doi.org/10.48550/ARXIV.1606.00915
De Venâncio, P. V. A. B., Lisboa, A. C., & Barbosa, A. V. (2022). An automatic fire detection system based on deep convolutional neural networks for low-power, resource-constrained devices. Neural Computing and Applications, 34(18), 15349–15368. https://doi.org/10.1007/s00521-022-07467-z
Dewi, C., Santoso, M. V. V., Chernovita, H. P., Mailoa, E., Philemon, S. A., & Chen, A. P. S. (2025). Integration of YOLOv11 and Histogram Equalization for Fire and Smoke-Based Detection of Forest and Land Fires. Computers, Materials & Continua, 84(3), 5361–5379. https://doi.org/10.32604/cmc.2025.067381
Duhayyim, M. A., Eltahir, M. M., Ali, O. A. O., Albraikan, A. A., Al-Wesabi, F. N., Hilal, A. M., Hamza, M. A., & Rizwanullah, M. (2023). Fusion-Based Deep Learning Model for Automated Forest Fire Detection. Computers, Materials & Continua, 77(1), 1355–1371. https://doi.org/10.32604/cmc.2023.024198
Edwards, R. B., Naylor, R. L., Higgins, M. M., & Falcon, W. P. (2020). Causes of Indonesias forest fires. World Development, 127, article ID 104717. https://doi.org/10.1016/j.worlddev.2019.104717
Gonçalves, A. M., Brandão, T., & Ferreira, J. C. (2024). Wildfire Detection With Deep Learning – A Case Study for the CICLOPE Project. IEEE Access, 12, 82095–82110. https://doi.org/10.1109/ACCESS.2024.3406215
Hopkins, B., ONeill, L., Marinaccio, M., Rowell, E., Parsons, R., Flanary, S., Nazim, I., Seielstad, C., & Afghah, F. (2024). FLAME 3 Dataset: Unleashing the Power of Radiometric Thermal UAV Imagery for Wildfire Management (Version 1). arXiv. https://doi.org/10.48550/ARXIV.2412.02831
Hu, J., Niu, H., Carrasco, J., Lennox, B., & Arvin, F. (2022). Fault-tolerant cooperative navigation of networked UAV swarms for forest fire monitoring. Aerospace Science and Technology, 123, article ID 107494. https://doi.org/10.1016/j.ast.2022.107494
Hwan Shin, D., Mook Kang, J., & Cheong, T. (2025). FDN: A Real-Time Ensemble Fire Detection Network. IEEE Access, 13, 96723–96739. https://doi.org/10.1109/ACCESS.2025.3575057
Islam, A. M., Masud, F. B., Ahmed, Md. R., Jafar, A. I., Ullah, J. R., Islam, S., Shatabda, S., & Islam, A. K. M. M. (2023). An Attention-Guided Deep-Learning-Based Network with Bayesian Optimization for Forest Fire Classification and Localization. Forests, 14(10), article ID 2080. https://doi.org/10.3390/f14102080
Islam, A., & Habib, Md. I. (2023). Fire Detection From Image and Video Using YOLOv5 (Ver. 1). arXiv. https://doi.org/10.48550/ARXIV.2310.06351
Keren, G., Sabato, S., & Schuller, B. (2017). Fast Single-Class Classification and the Principle of Logit Separation (Version 4). arXiv. https://doi.org/10.48550/ARXIV.1705.10246
Khanam, R., & Hussain, M. (2024). What is YOLOv5: A deep look into the internal features of the popular object detector (Version 1). arXiv. https://doi.org/10.48550/ARXIV.2407.20892
Kim, B., & Lee, J. (2019). A Video-Based Fire Detection Using Deep Learning Models. Applied Sciences, 9(14), article ID 2862. https://doi.org/10.3390/app9142862
Li, R., Hu, Y., Li, L., Guan, R., Yang, R., Zhan, J., Cai, W., Wang, Y., Xu, H., & Li, L. (2024). SMWE-GFPNNet: A high-precision and robust method for forest fire smoke detection. Knowledge-Based Systems, 289, article ID 111528. https://doi.org/10.1016/j.knosys.2024.111528
Lin, M., Chen, Q., & Yan, S. (2013). Network In Network (Version 3). arXiv. https://doi.org/10.48550/ARXIV.1312.4400
Liu, S., Liang, Y., & Gitter, A. (2019). Loss-Balanced Task Weighting to Reduce Negative Transfer in Multi-Task Learning. Proceedings of the AAAI Conference on Artificial Intelligence, 33(01), 9977–9978. https://doi.org/10.1609/aaai.v33i01.33019977
Mahaveerakannan, R., Anitha, C., Aby K Thomas, Rajan, S., Muthukumar, T., & Govinda Rajulu, G. (2023). An IoT based forest fire detection system using integration of cat swarm with LSTM model. Computer Communications, 211, 37–45. https://doi.org/10.1016/j.comcom.2023.08.020
Mannor, S., Peleg, D., & Rubinstein, R. (2005). The cross entropy method for classification. Proceedings of the 22nd International Conference on Machine Learning – ICML 05, 561–568. https://doi.org/10.1145/1102351.1102422
Pesonen, J., Raita-Hakola, A.-M., Joutsalainen, J., Hakala, T., Akhtar, W., Koivumäki, N., Markelin, L., Suomalainen, J., Alves De Oliveira, R., Pölönen, I., & Honkavaara, E. (2025). Boreal Forest Fire: UAV-collected Wildfire Detection and Smoke Segmentation Dataset. Scientific Data, 12(1), article ID 1419. https://doi.org/10.1038/s41597-025-05634-0
Sathishkumar, V. E., Cho, J., Subramanian, M., & Naren, O. S. (2023). Forest fire and smoke detection using deep learning-based learning without forgetting. Fire Ecology, 19(1), 9. https://doi.org/10.1186/s42408-022-00165-0
Shamsoshoara, A., Afghah, F., Razi, A., Zheng, L., Fulé, P. Z., & Blasch, E. (2021). Aerial imagery pile burn detection using deep learning: The FLAME dataset. Computer Networks, 193, article ID 108001. https://doi.org/10.1016/j.comnet.2021.108001
Tao, Y., Li, B., Li, P., Qian, J., & Qi, L. (2025). Improved Lightweight YOLOv11 Algorithm for Real-Time Forest Fire Detection. Electronics, 14(8), article ID 1508. https://doi.org/10.3390/electronics14081508
Wang, J., & Yan, C. (2026). CEVG-RTNet: A real-time architecture for robust forest fire smoke detection in complex environments. Neural Networks, 194, article ID 108187. https://doi.org/10.1016/j.neunet.2025.108187
Wang, L., Guo, L., Li, H., He, B., Yang, J., & Huang, Y. (2025). Enhanced forest fire detection via dynamic multiscale fusion and contextual partial cross features. Engineering Applications of Artificial Intelligence, 162, article ID 112531. https://doi.org/10.1016/j.engappai.2025.112531
Wang, M., Jiang, L., Yue, P., Yu, D., & Tuo, T. (2022). FASDD: An Open-access 100,000-level Flame and Smoke Detection Dataset for Deep Learning in Fire Detection. Earth System Science Data Discussions [preprint]. https://doi.org/10.5194/essd-2022-394
Wang, Q., Wu, B., Zhu, P., Li, P., Zuo, W., & Hu, Q. (2019). ECA-Net: Efficient Channel Attention for Deep Convolutional Neural Networks (Version 4). arXiv. https://doi.org/10.48550/ARXIV.1910.03151
Weng, S., Wang, H., Wang, J., Xu, C., & Zhang, E. (2025). YOLO-SRMX: A Lightweight Model for Real-Time Object Detection on Unmanned Aerial Vehicles. Remote Sensing, 17(13), article ID 2313. https://doi.org/10.3390/rs17132313
Wu, X., Irie, G., Hiramatsu, K., & Kashino, K. (2018). Weighted Generalized Mean Pooling for Deep Image Retrieval. 2018 25th IEEE International Conference on Image Processing (ICIP), 495–499. https://doi.org/10.1109/ICIP.2018.8451317
Yar, H., Khan, Z. A., Ullah, F. U. M., Ullah, W., & Baik, S. W. (2023). A modified YOLOv5 architecture for efficient fire detection in smart cities. Expert Systems with Applications, 231, article ID 120465. https://doi.org/10.1016/j.eswa.2023.120465
Yuan, J., Wang, H., Yang, T., Su, Y., Song, W., Li, S., & Gong, W. (2025). FF-net: A target detection method tailored for mid-to-late stages of forest fires in complex environments. Case Studies in Thermal Engineering, 65, article ID 105515. https://doi.org/10.1016/j.csite.2024.105515
Zibtsev, S. V., Soshenskyi, O. M., Gumeniuk, V. V., & Koren, V. A. (2019). Long term dynamic of forest fires in Ukraine. Ukrainian Journal of Forest and Wood Science, 10(3), 27–40. https://doi.org/10.31548/forest2019.03.027
Zibtsev, S. V., Soshenskyi, O. M., Myroniuk, V. V., & Gumeniuk, V. V. (2020). Wildfire in Ukraine: An overview of fires and fire management system. Ukrainian Journal of Forest and Wood Science, 11(2), 15–31. https://doi.org/10.31548/forest2020.02.015
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
