Intelligent on-Board Forest Fire Search System

Abstract

The paper analyzes the situation with forest fires in Ukraine. It is shown that the situation is deteriorating every year. For forest fire monitoring it is substantiated the need of the integrated use of data from satellites and unmanned aerial vehicles. It has been shown that early detection of a fire before it becomes a disaster is critical to preventing catastrophic fires and saving lives and property. A fire detection approach based on the use of computer vision methods that can work with a non-stationary camera installed on board the unmanned aerial vehicle is substantiated. An approach for detecting a "spot" of fire using convolutional neural networks is proposed. In our task of detecting a forest fire using an unmanned aerial vehicle, tracking based on detection is chosen as the model initialization method, when objects are first detected using the detection method and then linked into tracks (association). The Yolov4-tiny architecture was chosen as the architecture of the neural network detector, which provides high accuracy and speed of binary classification.

У роботі аналізується ситуація з лісовими пожежами в Україні. Показано, що з кожним роком ситуація погіршується. Для моніторингу лісових пожеж обґрунтовано необхідність комплексного використання даних із супутників та безпілотних літальних апаратів. Доведено, що раннє виявлення пожежі, перш ніж вона стане лихом, має вирішальне значення для запобігання катастрофічним пожежам і порятунку життів і майна. Обґрунтовано підхід до виявлення пожеж на основі використання методів комп’ютерного зору, які можуть працювати з нестаціонарною камерою, встановленою на борту безпілотного літального апарату. Запропоновано підхід для виявлення «плями» пожежі за допомогою згорткових нейронних мереж. У нашій задачі виявлення лісової пожежі безпілотним літальним апаратом в якості методу ініціалізації моделі обрано відстеження на основі виявлення, коли об’єкти спочатку виявляються методом виявлення, а потім зв’язуються в треки (асоціації). В якості архітектури нейромережевого детектора обрано архітектуру Yolov4-tiny, яка забезпечує високу точність і швидкість бінарної класифікації.