Deep Learning Based Wildfire Detection for Peatland Fires Using Transfer Learning

Titel: Diep Leernetwerk voor Vuurdetectie in Moerasgebieden (Peatland) met Behulp van Transfer Learning

1. Het Probleem

Bestaande methoden voor de detectie van bosbranden, gebaseerd op machine learning en deep learning (zoals CNN's en Vision Transformers), zijn doorgaans getraind op datasets met open vlammen in bossen en graslanden. Deze systemen presteren echter aanzienlijk minder goed bij moerasbranden (peatland fires) vanwege fundamentele verschillen in visuele en fysische kenmerken:

• Karakteristieken: Moerasbranden verbranden vaak via smoldering (gloeiend verbranden) met een lage temperatuur, hebben minimale tot geen zichtbare vlammen, vertonen aanhoudende rookpluimen en verbranden ondergronds.
• Detectie-uitdagingen: De visuele cues die standaarddetectoren gebruiken (zoals heldere vlammen of hoge contrasten) ontbreken of zijn zeer zwak.
• Data-schaarste: Er is een groot tekort aan gelabelde data specifiek voor moerasbranden, wat het trainen van nieuwe modellen van scratch (vanaf nul) onhaalbaar maakt.
• Omgevingsfactoren: De detectie wordt bemoeilijkt door lage contrasten, gedeeltelijke obstructies en variabele verlichting.

2. Methodologie

De auteurs stellen een raamwerk voor dat Transfer Learning combineert met een aangepaste Walsh-Hadamard Transform (WHT) binnen een deep learning-architectuur.

• Transfer Learning Strategie:

  • Een diep leernetwerk wordt geïnitieerd met vooraf getrainde gewichten van een model dat is getraind op een grote, diverse dataset van algemene bosbranden (de Global Wildfire Prevention of GWFP dataset).
  • Dit model wordt vervolgens fine-tuned op een specifiek dataset van moerasbranden in Maleisië (bestaande uit afbeeldingen en video's).
  • Dit stelt het model in staat om kennis over algemene vuur- en rookkenmerken over te dragen en zich aan te passen aan de unieke, subtiele kenmerken van moerasbranden, ondanks de beperkte hoeveelheid gelabelde doeldata.

• Data Preprocessing (Beeldverwerking):

  • Om informatieverlies bij het herschalen van hoge-resolutie beelden te voorkomen (wat zou leiden tot het missen van kleine rookwolken), worden afbeeldingen niet direct herschaald.
  • In plaats daarvan wordt elk beeld opgedeeld in blokken van 224x224 pixels.
  • Een overlappend raamwerk wordt gebruikt: vier aangrenzende blokken worden samengevoegd tot één sub-afbeelding. Dit resulteert in 45 sub-afbeeldingen per origineel beeld.
  • De classificatie gebeurt per sub-afbeelding, waardoor nauwkeurige lokalisatie mogelijk is zonder handmatige bounding-box-labeling nodig te hebben.

• Architectuur: WHT-ResNet50:

  • De auteurs introduceren een hybride netwerk dat de Walsh-Hadamard Transform (WHT) integreert in de convolutielagen van een ResNet50.
  • WHT-principe: In plaats van complexe convoluties in de ruimtelijke domein (zoals bij Fourier), wordt de transformatie gebruikt om convoluties in het transformatiedomein uit te voeren. Dit vervangt vermenigvuldigingen door optellingen op basis van tekens (binary-valued basis functions).
  • Voordelen: Dit reduceert het aantal parameters dat moet worden geleerd, verlaagt de rekencomplexiteit en verbetert de energie-efficiëntie. Het netwerk blijft een hybride systeem (reële rekenkunde gecombineerd met binaire operaties) en is niet volledig binair.

3. Belangrijkste Bijdragen

1. Validatie van Transfer Learning: Het aantonen dat transfer learning een effectieve strategie is voor moerasbranddetectie onder data-schaarste.
2. Nieuwe Dataset: De presentatie van een dataset met real-world afbeeldingen en video's van Maleisische moerasgebieden.
3. Prestatieverbetering: Het bewijzen dat de voorgestelde aanpak (Transfer Learning + WHT) superieur is aan conventionele modellen die direct op moeras-scenario's worden toegepast.
4. WHT-ResNet Innovatie: Het introduceren van een WHT-gebaseerde ResNet die betere resultaten levert dan een standaard ResNet, dankzij de orthogonaliteit van de transformatie en het vermogen om beter te leren met minder parameters.

4. Resultaten

De prestaties werden geëvalueerd op basis van Accuracy (ACC), Precision, Recall en F1-score na 25 trainingstijden. De vergelijking omvatte modellen zoals EfficientNet-B5, SwinTransformer, standaard ResNet50, en de voorgestelde WHT-ResNet50, zowel met als zonder transfer learning.

• Impact van Transfer Learning:
  • Voor de standaard ResNet50 steeg de Accuracy van 71,4% (zonder transfer learning) naar 88,9% (met transfer learning).
  • De F1-score verbeterde van 70,1% naar 88,2%.
• Impact van WHT-architectuur:
  • Zelfs zonder transfer learning presteerde WHT-ResNet50 beter (77,2% ACC) dan de standaard ResNet50 (71,4% ACC).
• Beste Prestatie (Combinatie):
  • De combinatie van WHT-ResNet50 met Transfer Learning behaalde de hoogste scores:
    • Accuracy: 91,6%
    • F1-score: 91,5%
    • Precision: 92,9%
    • Recall: 90,17%
  • Dit model had ook een efficiëntere parameterverdeling (ongeveer 20,5 miljoen parameters) vergeleken met zwaardere modellen zoals EfficientNet-B5 (28,3 miljoen parameters).

De resultaten tonen aan dat de combinatie van domeinspecifieke pre-training en spectrale feature-versterking (via WHT) leidt tot een robuustere detectie met minder vals-positieven (bijv. door wolken of mist) en minder gemiste detecties.

5. Betekenis en Toepassing

• Praktische Implementatie: De methode biedt een schaalbare oplossing voor vroege detectie van moerasbranden, wat cruciaal is voor landen met uitgestrekte veengebieden zoals Maleisië en Indonesië.
• Real-time Monitoring: Door de efficiëntie van het WHT-gebaseerde model en de lage rekenvereisten, is de aanpak geschikt voor implementatie op apparaten met beperkte rekenkracht (zoals drones of sensoren in afgelegen gebieden).
• Milieubescherming: Vroege detectie kan helpen bij het voorkomen van langdurige branden die leiden tot ernstige luchtvervuiling en ecoschade.
• Algemene Toepasbaarheid: De gebruikte technieken (transfer learning en lichtgewicht spectrale features) zijn ook toepasbaar op andere uitdagende detectieproblemen, zoals het detecteren van vonken (embers) onder rook of in niet-zichtbaar spectrum.

Conclusie: Het artikel bewijst dat het combineren van transfer learning met een geavanceerde, orthogonale transformatie (WHT) binnen een deep learning-architectuur een krachtige en efficiënte oplossing biedt voor de complexe uitdaging van het detecteren van smolderende moerasbranden.