Исследование возможностей создания нейросетевого программно-аппаратного комплекса для раннего видеообнаружения возгорания в режиме реального времени
PDF

Ключевые слова

нейросетевой программно-аппаратный комплекс
видеообнаружение
возгорание
пожар

Как цитировать

1.
Клемышев И.М., Лебедев С.С., Старков С.О. Исследование возможностей создания нейросетевого программно-аппаратного комплекса для раннего видеообнаружения возгорания в режиме реального времени // Успехи кибернетики. 2022. Т. 3, № 2. С. 47-59. DOI: 10.51790/2712-9942-2022-3-2-7.

Аннотация

В данной статье представлен метод, направленный на решение проблемы раннего обнаружения возгорания на видеоизображениях с камер наблюдения, основанный на временном анализе подозрительной области. Представленный метод позволяет проводить сжатие рассматриваемой области видеоизображения до временного ряда, который классифицируется рекуррентной нейросетью. Временной ряд собирается из метрик, снимаемых с самой области и окружения, которые отражают ее «мерцание». Анализ «мерцания» позволяет определить, содержит ли область огонь. Предложенный алгоритм позволяет значительно снизить количество ложных срабатываний при обнаружении огня благодаря анализу видеоизображения по времени. Способ сжатия исходных данных до временного ряда из набора характеристик области и окружения позволяет использовать небольшую рекуррентную нейросеть для классификации подозрительной области вне зависимости от ее размера. Эти особенности позволяют применить данную модель при создании автономного детектора для раннего обнаружения возгорания на основе одноплатного компьютера и видеокамеры. В статье приводится описание предложенной модели и обучения нейросети, оценки качества обучения и результаты экспериментов, а также примеры работы, выполненные на одноплатном компьютере Jetson Nano от NVIDIA.

 
https://doi.org/10.51790/2712-9942-2022-3-2-7
PDF

Литература

Saponara S., Elhanashi A., Gagliardi A. Real-Time Video Fire-Smoke Detection Based on CNN in Antifire Surveillance Systems. J Real-Time Image Proc. 2021;18:889-900.

Hongyi Pan, Diaa Badawi, Ahmet Enis Cetin. Computationally Efficient Wildfire Detection Method Using a Deep Convolutional Network Pruned via Fourier Analysis. Sensors. 2020;20:2891.

Abdusalomov A., Baratov N., Kutlimuratov A., Whangbo T. K. An Improvement of the Fire Detection and Classification Method Using YOLOv3 for Surveillance Systems. Sensors. 2021;21:6519.

Samarth G., Bhowmik N., Breckon T. P. Experimental Exploration of Compact Convolutional Neural Network Architectures for Non-Temporal Real-Time Fire Detection. Proceedings of the 18th IEEE International Conference on Machine Learning and Applications ICMLA 2019. Piscataway, NJ: IEEE. 2019:653-658.

Lin G., Zhang Y., Xu G., Zhang Q. Smoke Detection on Video Sequences Using 3D Convolutional Neural Networks. Fire Technol. 2019;55:1827-1847.

Günay O., Ta ̧sdemir K., Töreyin B. U., Çetin A. E. Fire Detection in Video Using LMS Based Active Learning. Fire Technol. 2010;46:551–577.

Kim B., Lee J. A Video-Based Fire Detection Using Deep Learning Models. Appl. Sci. 2019;9:2862.

Li Guodong, Lu Gang, Yan Yong. Fire Detection Using Stereoscopic Imaging and Image Processing Techniques. Proceedings of IEEE International Conference on Imaging Systems and Techniques 2014 (IST2014). 2014:28-32. DOI: 10.1109/IST.2014.6958440.

Скачивания

Данные скачивания пока не доступны.