Методы раннего обнаружения лесных пожаров позволяют своевременно выявлять очаги возгорания и обеспечивают ценное время для спасательных операций. В последние годы дистанционное зондирование с помощью беспилотников, благодаря высокой пространственной разрешающей способности и быстрой реакции, демонстрирует важный потенциал в раннем мониторинге лесных пожаров, однако сталкивается с ключевыми вызовами, такими как маленький масштаб целей, сложный фон и ограниченные вычислительные ресурсы. В данной работе предложена модель раннего обнаружения лесных пожаров на базе глубокого обучения EFFNet (early forest fire net), объединяющая данные видимого света и теплового инфракрасного излучения. Модель включает четыре ключевых разработки, учитывающих особенности дистанционного зондирования и характеристики пожаров: (1) использование стратегии раннего слияния EF (early fusion) для эффективного объединения видимой и тепловой информации, что повышает адаптивность модели при сложных условиях; (2) разработка гетерогенной глобальной маршрутизирующей сети HGRNet (heterogeneous global routing network) для усиления многоуровневого восприятия и подавления потери важных признаков, что снижает пропуски обнаружения; (3) введение сети агрегации признаков FAN (feature aggregation network) с двойными топ-даун путями слияния для повышения точности локализации мелких целей — пламени и дыма; (4) проектирование эффективной полусвязанной головы детекции ESCHead (efficient semi-coupled detection head) для уменьшения вычислительной сложности и количества ложных срабатываний. Эксперименты на наборе данных RGBT-3M (RGB-thermal multi-scene, multi-target, and multimodal forest fire aerial photography) показали, что mAP50 модели EFFNet достигает 97.2%, с точностью 94.9% и полнотой 94.1%, при этом количество параметров модели составляет всего 1.84 млн, а вычислительная нагрузка — 5.6 GFLOPs. По сравнению с современными передовыми моделями обнаружения целей, EFFNet обеспечивает более высокую точность при меньших затратах ресурсов и в реальном времени, что отвечает требованиям беспилотных платформ дистанционного зондирования для мониторинга ранних лесных пожаров.

беспилотник;спутниковые изображения;глубокое обучение;обнаружение объектов;раннее обнаружение лесных пожаров;процесс обнаружения;набор данных;метрики оценки производительности