Ein Echtzeit-Feuersegmentierungsverfahren auf Basis eines Deep-Learning-Ansatzes

Als eine Art „Störung“ im Wald ist Feuer äußerst zerstörerisch und schwer zu bekämpfen. Die Segmentierung von Feuern hilft Feuerwehrleuten, die Ausdehnung des Feuers besser zu verstehen und angemessene Löschenstrategien zu entwickeln. Daher wird in dieser Arbeit ein Echtzeit-Feuerrandsegmentierungsverfahren auf Basis von Deep Learning vorgeschlagen. Dieses Verfahren stellt eine verbesserte Version von DeepLabv3+ dar, einem Netzwerk mit Encoder-Decoder-Architektur. Der Encoder besteht aus einem tiefen convolutionalen neuronalen Netzwerk und einem atrous spatial pyramid pooling (ASPP)-Modul. Im Gegensatz zu DeepLabv3+ wird zur Verbesserung der Segmentierungsgeschwindigkeit in dieser Arbeit das leichte Netzwerk MobileNetV3 verwendet, um ein neues tiefes convolutionales neuronales Netzwerk aufzubauen, wobei jedoch auf atrous-Konvolutionen verzichtet wird – was sich negativ auf die Segmentierungsgenauigkeit auswirken kann. Um diesen Genauigkeitsverlust auszugleichen, werden im vorliegenden Ansatz auf Basis des ursprünglichen Decoder-Netzwerks zwei unterschiedliche flache Merkmale hinzugefügt, sodass das Netzwerk über eine reichhaltige Feuermusterinformation verfügt. Experimentelle Ergebnisse zeigen, dass die Gesamtleistung dieses Verfahrens die des ursprünglichen DeepLabv3+ übertrifft, insbesondere die Segmentierungsgeschwindigkeit des Netzwerks wird deutlich verbessert und liegt bei etwa 59 FPS.