wildfire detection using computer vision techniques

Abstract

تُعد الغابات من المكونات الأساسية للنظام البيئي للأرض، حيث توفر التنوع البيولوجي، تنظم المناخ، وتزود بالموارد الطبيعية الحيوية. ومع ذلك، تُشكّل حرائق الغابات تهديدًا عاما متزايدًا. تتفاقم الحرائق بفعل التغيرات المناخية، وتشكل مخاطر كبيرة على النظم البيئية وحياة الإنسان والممتلكات. تعاني طرق الكشف التقليدية عن الحرائق من محدودية في السرعة والدقة والجدوى الاقتصادية، مما يبرز الحاجة إلى حلول آلية وفورية للكشف المبكر. تقترح هذه الأطروحة منهجية للكشف عن حرائق الغابات باستخدام التعلّم بالنقل للشبكات العصبونية الالتفافية المدرَّبة مسبقًا.تم تقييم ستة من أبرز النماذج تجريبيًا على مجموعتي بيانات معياريتينلدراسة تأثير التكوينات المختلفة، وتحديد أفضل تركيبة للكشف الأمثل، ومقارنة الأداء مع الأساليب المعتمدة حديثا.بالإضافة إلى ذلك، تم تصميم شبكة عصبونية منخفضة التعقيد، وتحسينها باستخدام تقنيات تعزيز مختارة، ونشرها على منصات ذات موارد محدودة مثل Raspberry Pi 5. تُظهر النتائج التجريبية أن نماذج التعلّم بالنقل تحقق أداءً عاليًا، في حين تُعد الشبكة منخفضة التعقيد أكثر ملاءمة للتطبيق الفوري، مما يوفر حلًا عمليًا لمراقبة حرائق الغابات على الأنظمة المدمجة. وتوفر هذه المقاربة أساسًا قويًا لتطوير أنظمة إنذار مبكر فعّالة واستراتيجيات إدارة الكوارث.

Forests are essential components of the Earth’s ecosystem, providing biodiversity, regulating the climate, and supplying critical natural resources. However, forest fires are an increasing global threat, intensified by climate change, and pose significant risks to ecosystems, human life, and property. Traditional detection methods are often limited in speed, accuracy, and cost-effectiveness, emphasizing the need for real-time and automated solutions. This thesis proposes a methodology for forest fire detection using transfer learning (TL) with pre-trained convolutional neural networks (CNNs). Six leading architectures were experimentally evaluated to examine the impact of different configurations, identify the optimal combination for accurate detection, and compare performance with state-of-the-art methods. Additionally, a low-complexity CNN architecture was designed, enhanced with selected improvement techniques, and deployed on resource-constrained devices such as the Raspberry Pi 5. Experimental results demonstrate that TL models achieve high detection performance, whereas the lightweight CNN is more suitable for real-time deployment, offering a practical solution for wildfire monitoring on embedded platforms. These approaches provide a solid foundation for developing effective early warning systems and disaster management strategies.

Les forêts jouent un rôle fondamental dans l’équilibre des écosystèmes, mais les incendies de forêt, aggravés par le changement climatique, constituent une menace croissante pour l’environnement et les populations. Face aux limites des méthodes traditionnelles de détection, cette thèse propose une approche basée sur l’apprentissage par transfert utilisant des réseaux neuronaux convolutifs (CNN) préentraînés. Six architectures ont été évaluées afin d’identifier la configuration la plus performante et de la comparer aux méthodes de l’état de l’art. Par ailleurs, un CNN à faible complexité a été conçu et déployé sur un Raspberry Pi 5 pour les applications embarquées. Les résultats montrent que les modèles de transfert offrent une excellente précision, tandis que le CNN léger est mieux adapté à la détection en temps réel sur des dispositifs à ressources limitées. Ces travaux contribuent au développement de systèmes efficaces d’alerte précoce pour la surveillance des incendies de forêt.