مقاله شتاب سخت‌افزاری برای تشخیص آتش‌سوزی در زمان واقعی در شبکه‌های پهپاد

چکیده

Early wildfire detection in remote and forest areas is crucial for minimizing devastation and preserving ecosystems. Autonomous drones offer agile access to remote, challenging terrains, equipped with advanced imaging technology that delivers both high-temporal and detailed spatial resolution, making them valuable assets in the early detection and monitoring of wildfires. However, the limited computation and battery resources of Unmanned Aerial Vehicles (UAVs) pose significant challenges in implementing robust and efficient image classification models. Current works in this domain often operate offline, emphasizing the need for solutions that can perform inference in real time, given the constraints of UAVs. To address these challenges, this paper aims to develop a real-time image classification and fire segmentation model. It presents a comprehensive investigation into hardware acceleration using the Jetson Nano P3450 and the implications of TensorRT, NVIDIA’s high-performance deep-learning inference library, on fire classification accuracy and speed. The study includes implementations of Quantization Aware Training (QAT), Automatic Mixed Precision (AMP), and post-training mechanisms, comparing them against the latest baselines for fire segmentation and classification. All experiments utilize the FLAME dataset – an image dataset collected by low-altitude drones during a prescribed forest fire. This work contributes to the ongoing efforts to enable real-time, on-board wildfire detection capabilities for UAVs, addressing speed and the computational and energy constraints of these crucial monitoring systems. The results show a 13% increase in classification speed compared to similar models without hardware optimization. Comparatively, loss and accuracy are within 1.225% of the original values.

چکیده به فارسی (ترجمه ماشینی)

تشخیص اولیه آتش سوزی در مناطق دور افتاده و جنگلی برای به حداقل رساندن ویرانی و حفظ اکوسیستم ها بسیار مهم است.هواپیماهای بدون سرنشین خودمختار دسترسی چابک به زمین های از راه دور و چالش برانگیز ، مجهز به فناوری تصویربرداری پیشرفته که وضوح مکانی بسیار بالا و دقیق را ارائه می دهد ، و آنها را در تشخیص زودرس و نظارت بر آتش سوزی می کند.با این حال ، محاسبات محدود و منابع باتری وسایل نقلیه هوایی بدون سرنشین (پهپاد) چالش های مهمی در اجرای مدلهای طبقه بندی تصویر قوی و کارآمد ایجاد می کند.آثار فعلی در این دامنه اغلب با توجه به محدودیت های پهپادها ، با تأکید بر نیاز به راه حل هایی که می توانند در زمان واقعی می توانند استنباط کنند ، به صورت آفلاین عمل می کنند.برای پرداختن به این چالش ها ، این مقاله با هدف توسعه یک طبقه بندی تصویر در زمان واقعی و مدل تقسیم بندی آتش سوزی انجام شده است.این یک تحقیق جامع در مورد شتاب سخت افزاری با استفاده از Jetson Nano P3450 و پیامدهای Tensorrt ، کتابخانه استنتاج عمیق با کارایی بالا ، با دقت و سرعت طبقه بندی آتش ، ارائه می دهد.این مطالعه شامل پیاده سازی آموزش آگاه سازی کمیت (QAT) ، دقت مخلوط خودکار (AMP) و مکانیسم های پس از آموزش است که آنها را در برابر آخرین خطوط برای تقسیم بندی آتش و طبقه بندی مقایسه می کند.تمام آزمایشات از مجموعه داده شعله استفاده می کنند – یک مجموعه داده تصویر که توسط هواپیماهای بدون سرنشین با ارتفاع کم در طول آتش سوزی جنگل تجویز شده است.این کار به تلاشهای مداوم برای فعال کردن قابلیت های تشخیص آتش سوزی در زمان واقعی ، برای پهپادها ، پرداختن به سرعت و محدودیت های محاسباتی و انرژی این سیستم های نظارت مهم کمک می کند.نتایج نشان می دهد افزایش 13 درصدی در سرعت طبقه بندی در مقایسه با مدلهای مشابه بدون بهینه سازی سخت افزار.به طور مقایسه ای ، از دست دادن و دقت در 1.225 ٪ از مقادیر اصلی است.