Les méthodes de détection précoce des incendies de forêt permettent de repérer rapidement un début d’incendie et de gagner un temps précieux pour les opérations de secours. Ces dernières années, la télédétection par drone, grâce à sa haute résolution spatiale et sa capacité de réponse rapide, présente un potentiel important pour la surveillance précoce des incendies de forêt. Cependant, elle doit encore relever des défis majeurs tels que la petite taille des cibles, la complexité du fond et les ressources informatiques limitées. Pour y répondre, cet article propose un modèle de détection d’incendies de forêt précoce basé sur l’apprentissage profond, EFFNet (early forest fire net), qui fusionne des images multispectrales visibles et thermiques infrarouges. Le modèle intègre quatre conceptions clés adaptées aux caractéristiques de l’imagerie par télédétection et des images de feu : (1) utilisation d’une stratégie de fusion précoce EF (early fusion) pour une intégration efficace des informations visibles et thermiques, renforçant ainsi l’adaptabilité de la reconnaissance en environnement complexe ; (2) conception d’un réseau d’extraction de caractéristiques hétérogène et global HGRNet (heterogeneous global routing network) pour améliorer la perception à multi-échelle et réduire la perte de caractéristiques clés, diminuant ainsi le taux de non-détection ; (3) introduction d’un réseau d’agrégation de caractéristiques FAN (feature aggregation network), avec un double chemin de fusion descendant, pour améliorer la précision de localisation des petites flammes et fumées ; (4) conception d’une tête de détection semi-couplée efficiente ESCHead (efficient semi-coupled detection head) pour réduire la complexité computationnelle et le taux de fausses alertes. Les résultats expérimentaux sur le jeu de données RGBT-3M (photographie aérienne multi-scène, multi-cible et multimodale RGB-thermique) montrent que EFFNet atteint un mAP50 de 97,2 %, une précision de 94,9 % et un rappel de 94,1 %, avec seulement 1,84 M de paramètres et 5,6 GFLOPs de calcul. Comparé aux modèles de détection d’objets avancés actuels, EFFNet offre une précision de détection plus élevée tout en étant léger et capable de fonctionner en temps réel, répondant aux besoins des plates-formes de télédétection par drone pour la surveillance en temps réel des incendies de forêt précoces.

drone; images de télédétection; apprentissage profond; détection d’objets; incendies de forêt précoces; processus de détection d’objets; jeu de données; indicateurs d’évaluation des performances