ВДОСКОНАЛЕННЯ МОДЕЛІ YOLOV8 ДЛЯ ДИСТАНЦІЙНОГО ЗОНДУВАННЯ ШВИДКОПЛИННИХ ДЕСТРУКТИВНИХ ПРОЦЕСІВ
DOI:
https://doi.org/10.35546/kntu2078-4481.2025.1.2.18Ключові слова:
дистанційне зондування, безпілотний літальний апарат, швидкоплинні деструктивні процеси, лісова пожежа, осередок горіння, механізм уваги, ідентифікація ознак, розпізнавання об’єктів, зображенняАнотація
Своєчасне та точне виявлення осередків лісових пожеж як найпоширенішого класу швидкоплинних деструктивних процесів має вирішальне значення для припинення горіння та мінімізації наслідків. Для цього можуть бути застосовані технології дистанційного зондування з безпілотних літальних апаратів, машинного навчання та комп’ютерного зору. Однак, вплив зовнішнього середовища і низки факторів невизначеності, спотворень та динаміки руху створюють проблеми ідентифікації ознак пожежі, а обчислювальна складність перешкоджає роботі алгоритмів розпізнавання в режимі реального часу. Для вирішення цих проблем в статті запропоновано «полегшену» з погляду на обчислювальну складність модель розпізнавання осередків лісових пожеж при дистанційному зондуванню YOLOv8N, що вдосконалює базову модель YOLOv8n за рахунок застосування на магістральному рівні модуля GhostNetv2 разом з модулем уваги DFC замість традиційної операції згортки, що дозволяє суттєво зменшити кількість параметрів моделі, зберігаючи її продуктивність, та механізму звернення уваги MHSA в операціях C2f, що покращує здатність отримувати ознаки осередків горіння та підвищує точність виявлення невеликих осередків горіння, також на проміжному рівні моделі використано механізм самоуваги SegNeXt в операціях C2f, що дозволило підвищити точність виявлення ознак пожежі у складних умовах. Модель YOLOv8N збільшує показники влучності, повноти, середнього гармонійного і точності на 4,3 %, 7,5 %, 4,8 % і 5,9 % відповідно у порівнянні з базовою моделлю YOLOv8n, кількість параметрів зменшується на 33,3 %. Отже, запропонована модель забезпечує високий рівень точності виявлення ознак лісової пожежі, зберігаючи при цьому баланс між обчислювальною складністю і ефективністю моделі, що гарантує її спроможність працювати в системах дистанційного зондування з безпілотних літальних апаратів в режимі реального часу.
Посилання
Hillayová, M., Holécy, J., Korísteková, K., Bakšová, M., Ostrihoň, M., Škvarenina, J.: Ongoing Climatic Change Increases the Risk of Wildfires. Case Study: Carpathian Spruce Forests. Journal of Environmental Management, 2023, vol. 337, pp. 117620.
Stocks, B., Mason, J., Todd, J., Bosch, E. M., Wotton, B. M., Amiro, B. D., Flannigan, M. D., Hirsch, K. G., Logan, K. A., Martell, D. L.: Large Forest Fires in Canada, 1959–1997. J. of Geographical Research, 2002, vol. 107, 8149.
Howell, A. N., Belmont, E. L., McAllister, S. S., Finney, M. A.: An Investigation of Oxygen Availability in Spreading Fires. Fire Technology, 2023, vol. 59, pp. 2147–2176.
Sherstjuk, V., Zharikova, M., Dorovskaja, I., Sheketa, V.: Assessing Forest Fire Dynamics in UAV-Based Tactical Monitoring System. Advances in Intelligent Systems and Computing, 2021, vol. 1246, pp. 285–301.
Sherstjuk, V., Zharikova, M., Dorovskaja, I.: 3D Fire Front Reconstruction in UAV-Based Forest-Fire Monitoring System. Data Stream Mining & Processing: Proc. of IEEE Third Int. Conf. DSMP’2020, Lviv, 2020, pp. 243–248.
Bessho, K., Date, K., Hayashi, M., Ikeda, A., Imai, T., Inoue, H., Kumagai, Y., Miyakawa, T., Murata, H., Ohno, T.: An Introduction to Himawari-8/9 Japan’s New-Generation Geostationary Meteorological Satellites. Journal of the Meteorological Society of Japan, Ser. II 2016, vol. 94, pp. 151–183.
Justice, C. O., Giglio, L., Korontzi, S., Owens, J., Morisette, J. T., Roy, D., Descloitres, J., Alleaume, S., Petitcolin, F., Kaufman, Y.: The MODIS Fire Products. Remote sensing of Environment, 2002, vol. 83(1–2), pp. 244–262.
Sherstjuk, V., Zharikova, M., Dorovskaja, I., Chornyi, D., Gusev, V., Sokol, I.: 3D Fire Front Reconstruction Based on Multi-View Observation and Complex Uncertainty Model. Advanced Computer Information Technologies: Proc. of 11th Int. Conf., Deggendorf, Germany, 2021, pp. 761–765.
Osco, L. P., Junior, J. M., Ramos, A. P. M., de Castro Jorge, L. A., Fatholahi, S. N., de Andrade Silva, J., Matsubara, E. T., Pistori, H., Gonçalves, W. N., Li, J.: A Review on Deep Learning in UAV Remote Sensing. International Journal of Applied Earth Observation and Geoinformation, 2021, vol. 102, 102456.
Li, C., Li, G., Song, Y., He, Q., Tian, Z., Xu, H., Liu, X.: Fast Forest Fire Detection and Segmentation Application for UAV-Assisted Mobile Edge Computing System. IEEE Internet of Things Journal, 2023, vol.11(16), pp. 26690–26699.
Yang, X., Hua, Z., Zhang, L., Fan, X., Zhang, F., Ye, Q., Fu, L.: Preferred Vector Machine for Forest Fire Detection. Pattern Recognition, 2023, vol. 143, 109722.
Maeda, N., Tonooka, H.: Early Stage Forest Fire Detection from Himawari-8 AHI Images Using a Modified MOD14 Algorithm Combined with Machine Learning. Sensors, 2022, vol. 23, 210.
Sathishkumar, V. E., Cho, J., Subramanian, M., Naren, O. S.: Forest Fire and Smoke Detection Using Deep Learning-Based Learning without Forgetting. Fire Ecology, 2023, vol. 19, p. 9.
Liu, F., Chen, R., Zhang, J., Xing, K., Liu, H., Qin, J.: R2YOLOX: A Lightweight Refined Anchor-Free Rotated Detector for Object Detection in Aerial Images. IEEE Transactions on Geoscience and Remote Sensing, 2022, vol. 60, pp. 1–15.
Guan, R., Li, Z., Tu, W., Wang, J., Liu, Y., Li, X., Tang, C., Feng, R.: Contrastive Multi-View Subspace Clustering of Hyperspectral Images Based on Graph Convolutional Networks. IEEE Transactions on Geoscience and Remote Sensing, 2024, vol. 62, pp. 1–14.
Lv, Q., Quan, Y., Sha, M., Feng, W., Xing, M.: Deep Neural Network-Based Interrupted Sampling Deceptive Jamming Countermeasure Method. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2022, vol. 15, pp. 9073–9085.
Li, Y., Zhang, S., Wang, W.-Q.: A Lightweight Faster R-CNN for Ship Detection in SAR Images. IEEE Geoscience and Remote Sensing Letters, 2020, vol. 19, pp. 1–5.
Zhang, W., Liu, Z., Zhou, S., Qi, W., Wu, X., Zhang, T., Han, L.: LS-YOLO: A Novel Model for Detecting Multi- Scale Landslides with Remote Sensing Images. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2024, 1–14.
Zhang, L., Wang, M., Ding, Y., Bu, X.: MS-FRCNN: A Multi-Scale Faster RCNN Model for Small Target Forest Fire Detection. Forests, 2023, vol. 14(3), 616.
Redmon, J., Divvala, S., Girshick, R., Farhadi, A.: You Only Look Once: Unified, Real-Time Object Detection. Arxiv, 2016, 1506.02640.
Niu, Z., Zhong, G., Yu, H.: A Review on the Attention Mechanism of Deep Learning. Neurocomputing, 2021, vol. 452, pp. 48–62.
Luo, M., Xu, L., Yang, Y., Cao, M., Yang, J.: Laboratory Flame Smoke Detection Based on an Improved YOLOX Algorithm. Applied Sciences, 2022, vol. 12(24), 12876.
Xue, Q., Lin, H., Wang, F.: FCDM: An Improved Forest Fire Classification and Detection Model Based on YOLOv5. Forests, 2022, vol. 13(12), 2129.
Chen, G., Cheng, R., Lin, X., Jiao, W., Bai, D., Lin, H.: LMDFS: A Lightweight Model for Detecting Forest Fire Smoke in UAV Images Based on YOLOv7. Remote Sensing, 2023, vol. 15(15), 3790.
Wang, Z., Hua, Z., Wen, Y., Zhang, S., Xu, X., Song, H.: E-YOLO: Recognition of Estrus Cow Based on Improved YOLOv8n Model. Expert Systems with Applications, 2024, vol. 238, 122212.
Mahasin, M., Dewi, I. A.: Comparison of CSPDarkNet53, CSPResNeXt-50, and EfficientNet-B0 Backbones on YOLO V4 as Object Detector. International Journal of Engineering, Science and Information Technology, 2022, vol 2(3), pp. 64–72.
Yi, H., Liu, B., Zhao, B., Liu, E.: Small Object Detection Algorithm Based on Improved YOLOv8 for Remote Sensing. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2023, vol. 17, pp. 1734–1747.
Neubeck, A., Van Gool, L.: Efficient Non-Maximum Suppression. Pattern recognition: Proc. of the 18th Int. Conf. ICPR’06, Hong Kong, China, 2006, vol. 3, pp. 850–855.
Tang, Y., Han, K., Guo, J., Xu, C., Xu, C., Wang, Y.: GhostNetv2: Enhance Cheap Operation with Long-Range Attention. Advances in Neural Information Processing Systems, 2022, vol. 35, pp. 9969–9982.
Zhang, Z.: Drone-YOLO: An Efficient Neural Network Method for Target Detection in Drone Images. Drones, 2023, 7(8), 526.
Zhao, F., Feng, F., Ye, S., Mao, Y., Chen, X., Li, Y., Ning, M., Zhang, M.: Multi-head self-attention mechanism- based global feature learning model for ASD diagnosis. Biomedical Signal Processing and Control, 2024, vol. 91, 106090.
Zhao, Z., Du, J., Li, C., Fang, X., Xiao, Y., Tang, J.: Dense Tiny Object Detection: A Scene Context Guided Approach and a Unified Benchmark. IEEE Transactions on Geoscience and Remote Sensing, 2024, vol. 62, pp. 1–13.
Wang, Z., Meng, Q., Tang, F., Qi, Y., Li, B., Liu, X., Kong, S., Li, X.: MSG-YOLO: A Lightweight Detection Algorithm for Clubbing Finger Detection. Electronics, 2024, vol. 13(22), 4549.
Guo, M.-H., Lu, C.-Z., Hou, Q., Liu, Z.-N., Cheng, M.-M., Hu, S.-M.: SegNeXt: rethinking convolutional attention design for semantic segmentation. Neural Information Processing Systems: Proc. of the 36th Int. Conf. NIPS’22, Red Hook, NY, USA, 2022, vol. 84, pp. 1140–1156.
Guo, M., Lu, C., Hou, Q., Liu, Z., Cheng, M., Hu, S.: SegNeXt: Rethinking Convolutional Attention Design for Semantic Segmentation. ArXiv, 2022, abs/2209.08575.
Sherstjuk, V., Zharikova, M.: Fire-Front Recognition in UAV-Based Forest-Fire Monitoring System Using Fuzzy Rough Soft Sets. Electrical and Computer Engineering: Proc. of IEEE 2nd Ukraine Conference UKRCON, Lviv, Ukraine, 2019, pp. 1091–1096.
Sherstjuk, V., Zharikova, M.: Evaluation of Fire Intensity Based on Neural Networks in a Forest-Fire Monitoring System. Electronics and Nanotechnology: Proc. of IEEE 39th Int. Conf. ELNANO’2019, Kyiv, Ukraine, 2019, pp. 802–807.
Wang, G., Li, H., Li, P., Lang, X., Feng, Y., Ding, Z., Xie, S.: M4SFWD: A Multi-Faceted Synthetic Dataset for Remote Sensing Forest Wildfires Detection. Expert Systems with Applications, 2024, vol. 245, 123489.