This thesis investigates the potential of utilizing a YOLOv5model for detecting wildfire smoke plumes. The methodology involves severalessential steps. Initially, images containing smoke plumes are annotated, followed byaugmenting the dataset to improve its size and diversity. Various model parametersare then systematically explored and optimized through a manual search approach,aiming to maximize correct predictions while minimizing false predictions. The best-performing model in this thesis achieved a smoke plume detection rate of 75.6%.Furthermore, the effectiveness of using a model trained on difference images isexamined, demonstrating promising results with a detection rate of 72.6%. Futureresearch should explore alternative image processing methods, integrate additionaldata augmentation techniques, and investigate different YOLO architectures tofurther enhance detection performance in practical scenarios.

Denna kandidatuppsats undersöker möjligheten attanvända en YOLOv5-modell för att upptäcka rökmoln från skogsbränder. Metodenomfattar flera väsentliga steg. Först annoteras bilder som innehåller rökmoln, följt avatt datasetet bildbehandlas för att utöka datasetets storlek. Olika modellparametrarutforskas och optimeras sedan systematiskt genom en manuell sökmetod, medmålet att maximera korrekta förutsägelser samtidigt som falska förutsägelserminimeras. Den bäst presterande modellen i denna undersökning uppnådde enupptäckningsgrad på 75.6% för rökmoln. Dessutom undersöks effektiviteten hos enmodell tränad på differensbilder, vilket visar lovande resultat med enupptäckningsgrad på 72.6%. Framtida forskning bör undersöka alternativa metoderför bildbehandling, integrera ytterligare tekniker för dataaugmentering och undersökaandra YOLO-arkitekturer för att ytterligare förbättra detektionsprestandan i praktiskascenarier.