Att veta volymen av en flamma medför information om dess intensitet, energifrigörelse och risk för spridning. Flamsegmentering är då en användbar teknik för att övervaka och analysera brandförlopp i realtid, men kräver modeller som balanserar noggrannhet och snabbhet. Detta arbete hade i uppgift att undersöka hur artificiell intelligens kunde användas inom brandforskningssfären. Mer specifikt riktades detta arbete mot hur maskininlärningsmodeller med optisk data kunde kvantifiera bränders höjd, area och volym. För detta tränades och utvärderades treredan etablerade segmenteringsmodeller, U-Net, ENet och Fast-SCNN, tillsammans med två nya specialiserade modeller kallade DeepLab-B0 och DeepLab-B3 på egenutvecklade dataset från olika brandtester. Flera metoder för volymberäkning presenterades som Form från silhuett och olika geometriska approximationer som koner och paraboloider. Resultaten visar attDeepLab-B0 uppnådde högst segmenteringsnoggrannhet medan Fast-SCNN erbjöd bäst kombination av mycket hög inferenshastighet med bra precision. För beräkning av volym gav form från silhuett bäst resultat men med längst beräkningstid per bild. För snabbare men mindre pricksäkra resultat presterade paraboloid-approximationen bäst. DeepLab-B0 tillsammans med form från silhuett anses vara det bästa valet för så verklig avbildning som möjligt men är mycket beräkningstung och är inte lämplig för realtidsapplikationer. Om hastighet är högsta prioritet anses Fast-SCNN tillsammans med paraboloid-approximationen vara den bästa lösningen.

Knowing the volume of a flame provides information about its intensity, energy release, and potential for spread. Flame segmentation is therefore a useful technique for monitoring and analyzing fire development in real time, but it requires models that balance accuracy and speed. This study aimed to investigate how artificial intelligence could be applied within the field offire research. More specifically, the focus was on how machine learning models using optical data could quantify the height, area, and volume of fires. To achieve this, three established segmentation models; U-Net, ENet, and Fast-SCNN, were trained and evaluated alongside two newly specialized models called DeepLab-B0 and DeepLab-B3 on custom-developed datasets from various fire tests. Several methods for volume calculation were presented, such as Shapefrom Silhouette and various geometric approximations like elliptical cones and paraboloids. The results show that DeepLab-B0 achieved the highest segmentation accuracy, while Fast-SCNNoffered the best combination of very high inference speed with good precision. For volume calculation, Shape from Silhouette provided the best results but with the longest computation time per image. For faster but less precise results, the paraboloid approximation performed best. Finally DeepLab-B0 combined with Shape from Silhouette is considered the best choice for highly realistic imaging but is computationally intensive and not suitable for real-time applications. If speed is the highest priority, Fast-SCNN combined with the paraboloid approximation is considered the best solution.