UAVリモートセンシングによる農地火災の早期検知手法「EF-YOLO」を開発
本研究室の福田知弘らの共同研究による論文が、学術誌 Remote Sensing に掲載されました。
本研究では、農地における火災の初期段階を対象とした検知手法「EF-YOLO（Early Fire YOLO）」を提案しています。農地火災の早期検知は環境保全の観点から重要ですが、発火直後の兆候は極めて微小であり、煙の形状の多様性や反射などの背景ノイズの影響により、高精度な検知は困難とされてきました。さらに、初期段階のデータ不足も課題となっています。
これに対し本研究では、データとモデルの両面から最適化する枠組みを構築しました。まず、潜在拡散モデルを用いたROIベースの合成パイプラインにより、高品質な火災サンプルを実環境の農地画像に組み込んだハイブリッドデータセットを構築しました。次に、小対象物検出に特化した検出器EF-YOLOを提案し、空間ダウンサンプリング時の特徴損失を抑えるSPD-Convや、高解像度P2ヘッドを導入しました。さらに、周波数領域と空間領域の両面から特徴を強調するDP-FSEモジュールにより、背景ノイズの影響を低減しています。
実験の結果、サブピクセルレベルの小対象に対してAPs 40.2%を達成し、YOLOv8sと比較して15.4ポイントの性能向上を確認しました。また、リコール88.7%、78FPSのリアルタイム性能を実現しており、エッジ環境での農地火災早期警戒システムへの応用が期待されます。
論文情報：
Tao, J., Wang, Z., Wu, J., Li, Y., Fukuda, T., Zhang, J. (2026).
EF-YOLO: Detecting Small Targets in Early-Stage Agricultural Fires via UAV-Based Remote Sensing.
Remote Sensing, 18(8), 1119.
https://doi.org/10.3390/rs18081119
https://www.mdpi.com/2072-4292/18/8/1119
EF-YOLO: Early Detection of Agricultural Fires Using UAV-Based Remote Sensing
We are pleased to announce that our collaborative research has been published in Remote Sensing.
This study proposes EF-YOLO, a novel method for detecting early-stage agricultural fires using UAV-based remote sensing. Early fire detection is critical for environmental safety; however, it remains highly challenging due to the extremely small size of ignition cues, variability in smoke patterns, and strong background interference such as reflections in farmland environments. In addition, the scarcity of early-stage fire data further limits model development.
To address these challenges, we introduce a joint data–model optimization framework. First, a hybrid dataset is constructed using an ROI-guided synthesis pipeline, where latent diffusion models generate high-fidelity fire samples embedded into real farmland scenes. Second, EF-YOLO is designed for high sensitivity to small targets, incorporating SPD-Conv to reduce feature loss and a high-resolution P2 head to improve detection of minute objects. Furthermore, a Dual-Path Frequency–Spatial Enhancement (DP-FSE) module suppresses background noise by extracting global and local features in parallel.
Experimental results demonstrate that EF-YOLO achieves an APs of 40.2% on sub-pixel targets, outperforming YOLOv8s by 15.4 points. With a recall of 88.7% and real-time performance at 78 FPS, the proposed framework offers a strong balance between accuracy and efficiency, making it suitable for edge-based early warning systems.