RICONOSCIMENTO DI ELEMENTI FORESTALI MEDIANTE DEEP LEARNING SU IMMAGINI DA SMARTPHIONE

Unmixing mixtures in images is one of the challenges for extracting information from data. Forest environments are particularly complex due to the relatively irregular structure of trees, shrubs and low vegetation. The amount and condition of vegetation, i.e. thin vs thick branches, trunk vs leaves, understorey and litter provide information to infer the amount of burnable fuel and consequently a key factor for predict fire behaviour. In this work is tested a deep learning framework for training and testing the performance of detecting broadleaves and conifer logs and litter in imagery of forest environments recorded through smartphones. Roboflow and YOLOv8 were employed, using a dataset of forest images manually segmented in four classes: “broadleaf-litter”, “broadleaf-logs”, “conifer-litter” and “conifer-logs”. The results indicate that the "Extra-large Instance Segmentation" model achieved the best performance on familiar images with 214 epochs, but the "Large Instance Segmentation" model was more effective on new images. The main challenges involve correctly classifying coniferous and broadleaf logs, influenced by factors such as image quality. Segmenting key elements and including varied images in terms of seasonality and lighting conditions could potentially improve performance. This work lays a useful foundation for refining the use of AI in forest fuel monitoring.

La separazione delle componenti nelle immagini è una delle sfide per ottenere informazioni dagli elementi contenuti in esse. Gli ambienti forestali sono particolarmente complessi a causa della struttura relativamente irregolare di alberi, arbusti e componente erbacea. La quantità e lo stato della vegetazione, ad esempio rami sottili o spessi, tronchi rispetto a foglie, sottobosco e lettiera, forniscono informazioni utili a determinare la quantità di combustibile vegetale che sono, di conseguenza, un fattore chiave per prevedere il comportamento degli incendi. Questo lavoro mira a determinare se l’impiego dell’intelligenza artificiale applicato al riconoscimento di immagini da smartphone possa offrire strumenti promettenti per la prevenzione e la gestione degli incendi. Per raggiungere l’obiettivo, sono stati impiegati strumenti di Deep Learning, come Roboflow e YOLOv8, utilizzando un dataset di immagini relative a boschi, segmentate manualmente in quattro classi: “broadleaf-litter”, “broadleaf-logs”, “conifer-litter” e “conifer-logs”. I risultati indicano che il modello "Extra-large Instance Segmentation" ha ottenuto le migliori performance su immagini già note, con 214 epoche, ma il modello "Large Instance Segmentation" è risultato più efficace su nuove immagini. Le maggiori difficoltà riguardano la corretta classificazione di tronchi di conifere e latifoglie, influenzata da fattori come la qualità delle immagini. La segmentazione di elementi chiave e l'inclusione di immagini variegate, per stagionalità e condizioni di luce, forse migliorerebbero le prestazioni. Il lavoro pone basi utili per perfezionare l'uso dell'IA nel monitoraggio del combustibile forestale.