Анализ эффективности применения двухэтапных нейросетевых моделей для раннего обнаружения лесных пожаров

Цель исследования – анализ эффективности двухэтапных нейросетевых моделей для решения задачи обнаружения лесных пожаров на изображениях, полученных с беспилотных летательных аппаратов.
Методы. Синтезирован тренировочный набор данных, предназначенный для обучения нейросетевых моделей с целью детекции и семантической сегментации лесных пожаров на изображениях. Для обучения использовались двухэтапные нейросетевые модели (Faster R-CNN, Mask RCNN … Retina-Net). Обучение нейросетевых моделей проводилось в соответствии с едиными параметрами, установленными для всех моделей с целью обеспечения согласованности и общей основы экспериментов. Проведена оптимизация параметров моделей в процессе обучения для минимизации функции потерь классификации. Для синтеза тестовой выборки использовался видеоряд, охватывающий события лесных пожаров в Иркутской области, который был снят беспилотным летательным аппаратом. С использованием специально разработанного скрипта на языке программирования Python проведен процесс разбиения данного видеоряда на отдельные кадры, которые использовались в качестве тестового набора данных при оценке качества классификации обученных нейросетевых моделей.
Результаты. На основе анализа полученных значений показателя качества, а также визуального анализа на тестовом наборе данных, произведенного в рамках тестирования нейросетевых моделей, проведена оценка эффективности исследуемых моделей обнаружения лесных пожаров на изображениях. Для оценки качества бинарной классификации нейросетевых моделей использовался показатель качества Accuracy (точность классификации).
Заключение. Экспериментальные исследования на тестовом наборе данных показали, что модель RetinaNet демонстрирует наименьшую по сравнению с другими исследованными нейросетевыми моделями, но приемлемую результативность. Двухэтапные нейросетевые модели Faster R-CNN и Mask R-CNN демонстрируют близкие значения показателя точности классификации (0,9492 и 0,9521 соответственно), что позволяет рекомендовать их для использования в системах раннего обнаружения лесных пожаров.

1. Сибиркина А. Р., Лихачев С. Ф. О лесных пожарах в лесах Челябинской области за 2018-2021 годы и анализ требований к воспроизводству лесов в лесохозяйственном регламенте // Лесной вестник. 2023. Т. 27, № 5. С. 60–73. https://doi.org/10.18698/25421468-2023-5-60-73.

2. Yang L., Yusheng S. Estimates of G oba Forest Fire Carbon Emissions Using FY-3 Active Fires Product // Atmosphere. 2023. Vo . 14, N 10. P. 1575. https://doi.org/10.3390/atmos14101575.

3. Eco ogica Impact of Forest Fires and Subsequent Restoration in Chi e / V. Luz [et. a .] // Resources. 2018. Vo . 7, N 2. P. 26. https://doi.org/10.3390/resources7020026.

4. Конькова Ю. М. Лесные пожары как фактор утраты функций лесных экосистем // Новости науки в АПК. 2021. № 2. С. 111–13. https://doi.org/10.25930/2218-855x/029.2.2021.

5. Ковалев Р. Н., Еналеева-Бандура И. М., Никончук А. В. Оценка влияния пожаров на лесные экосистемы c учетом уровня развития лесотранспортной сети // Известия вузов. Лесной журнал. 2021. № 4. С. 131–149. https://doi.org/10.37482/0536-1036-2021-4131-149.

6. Евдокименко М. Д., Кривобоков Л. В., Петренко А. Е. Лесоэкологические последствия ландшафтных пожаров в Забайкалье // Вестник Томского государственного университета. Биология. 2022. № 58. С. 153–180. https://doi.org/10.17223/19988591/58/8.

7. РБК (РосБизнесКонсалтинг). URL: https://www.rbc.ru/rbcfreenews/64dcd6519a79 472d7611c76f?ysc id= owv68ywr7525405056 (дата обращения: 22.12.2023).

8. Метод и алгоритм автономного планирования траектории полета беспилотного летательного аппарата при мониторинге пожарной обстановки в целях раннего обнаружения источника возгорания / Р. А. Томакова, С. А. Филист, А. Н. Брежнева [и др.]. // Известия Юго-Западного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение. 2023. Т. 13, № 1. С. 93–110. https://doi.org/10.21869/2223-1536-2023-13-1-93-110.

9. Интеллектуальная система обработки изображений, получаемых с беспилотных летательных аппаратов / С. А. Филист, Р. А., Томакова Н. Г. Нефедов [и др.]. // Известия Юго-Западного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение. 2022. Т. 12, № 4. С. 64–85. https://doi.org/10.21869/2223-1536-2022-12-4-64-85.

10. Yuanbin W., Langfei D., Jieying R. Forest fire image recognition based on convo utiona neura networ // Journa of A gorithms & Computationa Techno ogy. 2019. Vo . 13. P. 1–11. https://doi.org/10.1177/1748302619887689.

11. Forest fire and smo e detection using deep earning-based earning without forgetting / V. E. Sathish umar [et. a .] // Fire Eco ogy. 2023. Vo . 19, N 9. https://doi.org/10.1186/s42408-022-00165-0.

12. Журавлева Н. А. Выбор оптимизатора для обучения сверточной нейронной сети: задача классификации лесных пожаров // StudNet. 2022. № 5. С. 4722–4737.

13. Шарапов А. А., Дамдынчап Ч. А. Применение нейронных сетей для распознавания дыма и пожара на изображениях // Интерэкспо Гео-Сибирь. 2021. № 2. С. 38–43.

14. Xiaofang S., Liping S., Ying ai H. Forest fire smo e recognition based on convo utiona neura networ // J. For. Res. 2021. N 32. P. 1921–1927. https://doi.org/10.1007/s11676020-01230-7.

15. Environmenta harm mitigation based on ear y forest fire detection using Deep CNN / R. I. Bendji a i [et. a .] // The second Internationa Conference on Energy Transition and Security. Adrar, A geria, 2023.

16. Nguyen T. L., Afanasiev D. A., Nguyen T. H. Segmentation of Forest Fire Images Based on Convo utiona Neura Networ s // Internationa Journa of Artificia Inte igence. 2021. N 19. P. 21–35.

17. Forest Fire Detection Method Based on Convo utiona Neura Networ with Data Augmentation Optimization / L. Qi in [et. a .] // Proceeding of 2022 Internationa Conference on Wire ess Communications, Networ ing and App ications (WCNA 2022). P. 769–776. https://doi.org/10.1007/978-981-99-3951-084.

18. An Efficient Mode for Forest Fire Detection using Deep Convo utiona Neura Networ s / B. Anjanadevi [et. a .] // Internationa Journa on Recent and Innovation Trends in Computing and Communication. 2023. Vo . 11, N 10. P. 177–181. https://doi.org/10.17762/ijritcc.v11i10s.7617.

19. Ziqi W., Tao P., Zhaoyou L. Comparative Research on Forest Fire Image Segmentation A gorithms Based on Fu y Convo utiona Neura Networ s // Forests. 2022. Vo . 13, N 7. P. 1133. https://doi.org/10.3390/f13071133.

20. Forest Fire Detection and Prediction System Using Deep Learning and IOT / P. Deshmu h [et. a .] // Soft Computing for Security App ications. 2023. Vo . 1449. P. 813– 828. https://doi.org/10.1007/978-981-99-3608-356.

21. Модели латентных предикторов в интеллектуальных системах прогнозирования состояния живых систем / А. В. Киселев, О. В. Шаталова, З. У. Протасова [и др.] // Известия Юго-Западного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение. 2020. Т. 10, № 1. С. 114–133.