UAV Aerial image-based forest fire detection using

Abstract

In the past years, 40 831 hectares of forests have been devastated by rampant wildfires, resulting in the tragic loss of numerous lives. To address this challenge, our research focuses on developing an early wildfire detection system capable of identifying potential fire outbreaks before they escalate, as controlling them once they have spread becomes arduous. Our proposed approach utilizes unmanned aerial vehicles (UAVs) to capture aerial data, which is then processed on board to automatically detect early signs of wildfires. This enables us to promptly alert relevant emergency services and facilitate a rapid response. The core technique employed in our approach is transfer learning, specifically applied to the YOLOV3 model for object detection through several Batch sizes and epochs. We validate the effectiveness of our model using FLAME dataset. The performance metrics we have achieved demonstrate the success of our approach, with Precision, Recall, F1-Score and Accuracy rates reaching impressive levels of 100%, 96.66667%, 98.305085%, and 96.66667% respectively.

Résumé Ces dernières années, de vastes étendues de forêts ont été ravagées par des incendies dévastateurs, entraînant la perte tragique de nombreuses vies. Afin de relever ce défi, notre recherche se concentre sur le développement d'un système de détection précoce des incendies capable d'identifier les débuts potentiels d'incendie avant qu'ils ne s'aggravent, car il est difficile de les maîtriser une fois qu'ils se sont propagés. Notre approche proposée repose sur l'utilisation de drones pour recueillir des données aériennes, qui sont ensuite traitées à bord pour détecter automatiquement les premiers signes d'incendie. Cela nous permet d'alerter rapidement les services d'urgence concernés et de faciliter une réponse rapide. La technique clé utilisée dans notre approche est le transfert d'apprentissage, appliqué spécifiquement au modèle YOLOV3 pour la détection d'objets à travers plusieurs tailles de lots (batch sizes) et époques (epochs). Nous validons l'efficacité de notre modèle en utilisant l'ensemble de données FLAME. Les mesures de performance que nous avons obtenues démontrent le succès de notre approche, avec des taux de Précision, rappel, de score F1 et d'exactitude très satisfaisants qui sont: 100%, 96.66667%, 98.305085%, et 96.66667% respectivement. ملخص في السنوات الأخيرة، تعرضت مساحات شاسعة من الغابات لحرائق مدمرة، مما أدى إلى فقدان العديد من الأرواح بشكل مأساوي. من أجل مواجهة هذا التحدي، يركز بحثنا على تطوير نظام مبكر لاكتشاف الحرائق قادر على تحديد بدايات الحرائق المحتملة قبل أن تتفاقم حيث أصبح من الصعب جدًا السيطرة عليها بمجرد انتشارها. يعتمد النهج المقترح على استخدام الطائرات بدون طيار لجمع البيانات الجوية، ومن ثم معالجة تلك البيانات على متن الطائرة للكشف التلقائي المبكر عن بؤر الحرائق. وبذلك، نتمكن من إبلاغ فرق الطوارئ بشكل سريع وتسهيل التدخل السريع. التقنية الأساسية المستخدمة في نهجنا هي نقل التعلم، وهي تُطبق بشكل خاص على نموذج YOLOv3 لاكتشاف مختلف الاغراض من خلال عدة أحجام للدفعات وفترات زمنية. نثبت فعالية نموذجنا باستخدام مجموعة بيانات FLAME. تظهر قياسات الأداء التي حققاها نجاح نهجنا حيث بلغت معدلات الضبط والاستدعاء ونسبة F1 والدقة مستويات مذهلة تبلغ 100% و 96.66667% و%98.305085 و 96.66667% على التوالي.