ОПТИМИЗИРОВАННАЯ ОБЛЕГЧЁННАЯ YOLOV5S ДЛЯ РАННЕГО ОБНАРУЖЕНИЯ СЕЛЬСКОХОЗЯЙСТВЕННЫХ ПОЖАРОВ

Норкобил Сайдрасулов; Дусмурод Киличев

Authors

Сайдрасулов Норкобил Университет Гачон, Суджон-гу, Соннам-си 461-701, Кёнгидо, Республика Корея
Киличев Дусмурод Университет Гачон, Суджон-гу, Соннам-си 461-701, Кёнгидо, Республика Корея

Keywords:

облегчённая модель, сельскохозяйственные пожары, раннее обнаружение, умное сельское хозяйство, мониторинг пожаров

Abstract

Сельскохозяйственные пожары представляют серьёзную угрозу для продовольственной безопасности, экосистем и сельской экономики, что требует их раннего обнаружения. В работе предлагается облегчённая версия YOLOv5s, оптимизированная для выявления признаков пожара. Основное новшество заключается в углублении блока C3 и интеграции DarknetBottleneck для извлечения тонких признаков (лёгкий дым, небольшие языки пламени). Эксперименты на наборе из 3200 аннотированных изображений показали: точность — 88,9%, полнота — 85,7%, mAP — 87,3%, что превосходит YOLOv5s и современные детекторы (YOLOv7-tiny, YOLOv8n). Модель компактна (7,5 млн параметров), работает в реальном времени (74 FPS) и подходит для устройств с ограниченными ресурсами. Результаты подтверждают, что архитектурная оптимизация повышает эффективность раннего обнаружения пожаров, позволяя снизить убытки в сельском хозяйстве.

References

Redmon J., Divvala S., Girshick R., Farhadi A. You Only Look Once: Unified, Real-Time Object Detection. In: Proc. CVPR. 2016, pp. 779–788.

Jocher G., Chaurasia A., Stoken A., et al. YOLOv5 by Ultralytics. GitHub repository. 2020. Available: https://github.com/ultralytics/yolov5

Muhammad K., Ahmad J., Mehmood I., Rho S., Baik S.W. Convolutional Neural Networks Based Fire Detection in Surveillance Videos. IEEE Access, 6, 18174–18183, 2018.

Wang C.Y., Liao H.Y.M., Wu Y.H., Chen P.Y., Hsieh J.W., Yeh I.H. CSPNet: A New Backbone that can Enhance Learning Capability of CNN. In: Proc. CVPR Workshops, 2020.

Sharma A., Liu X., Yang X. A Review of Deep Learning Methods for Fire Detection. Fire Safety Journal, 120, 103111, 2021.

Hossain M.S., Muhammad G. Cloud-assisted Industrial Internet of Things (IIoT) – Enabled Framework for Health Monitoring. Future Generation Computer Systems, 82, 422–439, 2018.

Akhloufi M.A., Couturier A., Castro N. Wildfire Detection System Using Deep Learning and UAV Images. Remote Sensing, 13(1), 15, 2021.

Xu G., Zhang Y., Li H., Wang Y. Real-Time Fire Detection Based on Improved YOLOv3 Algorithm. Fire Technology, 56, 1–17, 2020.

Qin Y., Zhang C., Li X. UAV-Based Forest Fire Detection Using Convolutional Neural Networks. Drones, 5(1), 14, 2021.

Bochkovskiy A., Wang C.Y., Liao H.Y.M. YOLOv4: Optimal Speed and Accuracy of Object Detection. arXiv preprint arXiv:2004.10934, 2020.

He K., Zhang X., Ren S., Sun J. Deep Residual Learning for Image Recognition. In: Proc. CVPR, 2016.

Zhang Q., Xu J., Lin H., et al. Forest Fire Smoke Detection Using Faster R-CNN and Deep Learning. Natural Hazards, 112, 697–715, 2022.

Yuan F., Liu L., Zhang Y. Aerial Image-Based Forest Fire Detection Using CNNs and Satellite Data Fusion. International Journal of Remote Sensing, 42(12), 4653–4676, 2021.

Liu W., Anguelov D., Erhan D., et al. SSD: Single Shot MultiBox Detector. In: Proc. ECCV, 2016, pp. 21–37.

Li X., Li Y., Wang J. YOLO-LFD: Lightweight Fire Detection Model for Edge Devices. Sensors, 21(11), 3673, 2021.

Wang C.Y., Bochkovskiy A., Liao H.Y.M. YOLOv7: Trainable Bag-of-Freebies Sets New State-of-the-Art for Real-Time Object Detectors. arXiv:2207.02696, 2022.

Jocher G., Chaurasia A., Qiu J. YOLOv8: Cutting-Edge Real-Time Object Detection. Ultralytics, 2023. Available: https://github.com/ultralytics/ultralytics

Liu W., Anguelov D., Erhan D., et al. SSD: Single Shot MultiBox Detector. In: Proc. ECCV, 2016, pp. 21–37.

Ren S., He K., Girshick R., Sun J. Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks. NeurIPS, 2015.

Chen J., Ran X. Deep Learning with Edge Computing: A Review. Proc. IEEE, 107(8), 1655–1674, 2019.

Hendrycks D., Gimpel K. Gaussian Error Linear Units (GELUs). arXiv:1606.08415, 2016.

Elfwing S., Uchibe E., Doya K. Sigmoid-Weighted Linear Units for Neural Network Function Approximation in Reinforcement Learning. Neural Networks, 107, 3–11, 2018.