Comment l’IA détecte-t-elle la fumée des feux de végétation ?

Apprendre à reconnaître la fumée

L’entraînement commence par des exemples. Les chercheurs fournissent au modèle des images annotées indiquant la présence ou l’absence de fumée, parfois en marquant son contour ou sa position. Les images sans fumée comptent aussi : elles lui apprennent quels éléments du paysage ne doivent pas déclencher d’alerte.

Un exemple publié est FIgLib, une collection d’images annotées de caméras de surveillance des feux. Le modèle SmokeyNet associé analyse des images successives, en combinant l’apparence et les changements dans le temps. Un panache qui se développe apporte des indices qu’une seule image fixe peut manquer.

Le test décisif vient ensuite. Le modèle reconnaît-il la fumée de feux qu’il n’a jamais vus ? Séparer les données d’entraînement et de test par incendie, comme l’ont fait les chercheurs, évite de récompenser simplement la reconnaissance de scènes familières.

De l’image à l’alerte

Une fois entraîné, le modèle examine de nouvelles images. Certains systèmes divisent une grande image en petites zones pour éviter qu’un panache lointain disparaisse lors de sa réduction globale. Une étude de 2020 sur les caméras de surveillance des feux à distance utilisait cette approche.

Le modèle attribue un score à une détection possible. Le logiciel décide ensuite si elle satisfait aux règles d’alerte. Ces règles peuvent prendre en compte les détections répétées ou filtrer les sources de confusion récurrentes.

Un retour d’expérience du réseau de caméras HPWREN décrit l’ajustement des seuils d’alerte et l’utilisation de fausses alertes antérieures pour améliorer l’entraînement. Cela montre l’importance du logiciel qui entoure le modèle et de l’évaluation continue, au-delà du modèle lui-même.

Le score d’un modèle invite à examiner la situation ; ce n’est pas une preuve d’incendie. Abaisser le seuil peut repérer davantage de fumées possibles, mais aussi produire plus de fausses alertes. Le relever peut réduire les interruptions tout en manquant certains feux.

Pourquoi le système peut se tromper

Il existe deux erreurs principales : signaler un élément qui n’est pas de la fumée, ou manquer une fumée présente. Les chercheurs de SmokeyNet décrivent les nuages, la brume et le brouillard comme des phénomènes difficiles à distinguer de la fumée. Les panaches très petits ou ténus posent un autre défi. Notre guide sur la fumée, le brouillard et la poussière explique les fausses alertes et leur évaluation.

Une caméra doit aussi disposer d’une vue utile. Une crête peut cacher la source d’un feu. La fumée doit devenir visible dans la zone couverte avant qu’un système d’analyse d’images puisse la reconnaître. Installer un logiciel ne supprime pas ces limites physiques.

Les capacités nocturnes méritent une question distincte. Les images ordinaires de jour, la vision nocturne en proche infrarouge et l’imagerie thermique fournissent des informations différentes. ALERTCalifornia décrit à la fois des caméras en proche infrarouge et des travaux sur l’imagerie infrarouge thermique. Une performance annoncée de détection de fumée de jour ne prouve pas une performance équivalente après la tombée de la nuit.

Qu’est-ce qui rend une alerte utile ?

La détection n’est qu’un début. Dans le processus assisté par IA d’ALERTCalifornia, des agents de veille formés examinent les incidents possibles avant de les confirmer. Le jugement humain relie un signal automatique à une décision opérationnelle.

L’information doit aussi atteindre les bonnes personnes. Le US Government Accountability Office relève les communications à distance et la vérification des feux parmi les difficultés pratiques des technologies de détection. Une image prometteuse est moins utile si personne ne la reçoit rapidement ou ne sait quoi faire ensuite.

Pour un gestionnaire de site, les questions utiles portent notamment sur la fréquence des fausses alertes, le délai de signalement d’une fumée visible et la réaction du système lorsqu’une caméra se déconnecte. Demandez des résultats dans des conditions comparables à celles de votre site, y compris par météo ou éclairage difficiles. Notre guide sur l’utilisation de caméras de sécurité existantes pour détecter les incendies propose six vérifications pratiques.

Notre article sur la vitesse de propagation des feux de végétation montre pourquoi ces minutes comptent. Une information plus précoce offre une possibilité d’agir ; le plan d’intervention détermine comment cette possibilité est utilisée.