Объект исследования – источники возгорания и задымления на аэрофотоснимках. Цель работы – разработка и исследование алгоритма сегментации для обнаружения возгораний и задымлений на аэрофотоснимках. В этом исследовании анализируются методы компьютерного зрения, применяемые для обнаружения возгораний и задымлений. Рассмотрены методы глубокого обучения, которые способны решать задачи поиска и сегментации объектов на изображениях и видео. В рамках исследования была выбрана модель сегментации в реальном времени – YOLOv8-seg. В ходе проведенного исследования была применена метрика mAP50 для оценки эффективности процессов сегментации и детектирования. Полученные результаты свидетельствовали о том, что точность сегментации огня на тестовых изображениях достигла 90,3%, в то время как точность сегментации дыма составила 58,5%. Общая точность для обоих классов составила 74,4%. На графическом процессоре NVIDIA Tesla T4 модель демонстрировала частоту кадров 48 FPS. При использовании мобильной платформы NVIDIA Jetson Nano скорость составляла 15 кадров в секунду, что является вполне приемлемым для задачи сегментации. На основании полученных данных был сделан вывод о том, что YOLOv8-seg будет эффективно работать на мобильной платформе, установленной на БПЛА. Использовались открытые образовательные ресурсы и программы поиска и анализа информации. Использовались средства автоматизации (автоматизированной) разработки Python. Применено (протестировано) программное обеспечение Python.

The object of the study is the sources of ignition and smoke in aerial photographs.The purpose of the work is to develop and study a segmentation algorithm for detecting fires and smoke in aerial photographs.This study analyzes computer vision techniques used to detect fires and smoke. Deep learning methods that can solve the problems of searching and segmenting objects in images and videos are considered. As part of the study, a real–time segmentation model, YOLOv8-seg, was selected. During the study, the mAP50 metric was used to evaluate the effectiveness of segmentation and detection processes. The results showed that the accuracy of fire segmentation in the test images reached 90.3%, while the accuracy of smoke segmentation was 58.5%. The overall accuracy for both classes was 74.4%. On the NVIDIA Tesla T4 GPU, the model demonstrated a frame rate of 48 FPS. When using the NVIDIA Jetson Nano mobile platform, the speed was 15 frames per second, which is quite acceptable for the segmentation task. Based on the data obtained, it was concluded that YOLOv8-seg will work effectively on the mobile platform installed on the UAV. Open educational resources and information search and analysis programs were used. Automation (automated) development tools such as Python was used. The Python software has been applied (tested).