Свёрточные нейронные сети для решения задач обнаружения пожаров по данным аэрофотосъемки

Свёрточные нейронные сети для решения задач обнаружения пожаров по данным аэрофотосъемки

Автор: Калиев Данияр Исатаевич, Швец Ольга Яковлевна

Журнал: Программные системы: теория и приложения @programmnye-sistemy

Рубрика: Искусственный интеллект, интеллектуальные системы, нейронные сети

Статья в выпуске: 1 (52) т.13, 2022 года.

Бесплатный доступ

В работе представлены результаты применения новой структуры свёрточных нейронных сетей (СНС) для обнаружения пожаров на основе аэрофотоснимков. Сформирован обучающий набор данных на основе видеозаписей пожаров, снятых с воздуха в различных условиях. Показано, что предлагаемая свёрточная нейронная сеть достаточно хорошо работает в области обнаружения пожара. Представлены результаты экспериментов на реальных видеопоследовательностях. Предложенный подход обеспечивает высокую точность(precision) 94,78., полноту(recall) 92,97., F1-меру 95,42. и хорошие показатели IoU (Intersection over Union), что позволяет сделать вывод об эффективности использования предлагаемой СНС для обнаружения пожаров.

Еще

Свёрточные нейронные сети, обнаружение пожара, обработка изображения

Короткий адрес: https://sciup.org/143178554

IDR: 143178554

Список литературы Свёрточные нейронные сети для решения задач обнаружения пожаров по данным аэрофотосъемки

  • В. Н. Васюков, А. Ю. Зайцева, В. В. Бондаренко Система раннего обнаружения лесных пожаров — архитектура и алгоритмы // Доклады Академии наук высшей школы Российской Федерации.– 2015.– №2(27).– с. 43–56. https://doi.org/10.17212/1727-2769-2015-2-43-56
  • И. Р. Алиев, В. А. Павлов Применение алгоритмов компьютерного зрения для обнаружения и локализации пожаров на аэрофотоснимках // Сборник докладов 75-й научно-технической конференции Санкт-Петербургского НТО РЭС им. А. С. Попова, посвященной Дню радио (20–24 апреля, 2020, Санкт-Петербург, Россия).– 2020.– ISBN 978-5-7629-2646-1.– с. 225–228. UhtRtpLs://conf-ntores.etu.ru/assets/files/2020/cp/papers/225.pdf
  • T. Zaman, M. Hasan, S. Ahmed, S. Ashfaq Fire detection using computer vision, 2018 IEEE 61st International Midwest Symposium on Circuits and Systems (MWSCAS) (5–8 Aug. 2018, Windsor, ON, Canada).– 2018.– pp. 356–359. https://doi.org/10.1109/MWSCAS.2018.8623842
  • Q. Zhang, J. Xu, L. Xu, H. Guo Deep convolutional neural networks for forest fire detection // Proceedings of the 2016 International Forum on Management, Education and Information Technology Application, IFMEITA 2016 (30–31 January, 2016, Guangzhou, China), Advances in Social Science, Education and Humanities Research.– 2016.– ISBN 978-94-6252-166-7.– pp. 568–575. https://doi.org/10.2991/ifmeita-16.2016.105 hUtRtpLs://www.atlantis-press.com/article/25850411.pdf
  • P. Gomes, P. Santana, J. Barata A vision-based approach to fire detection // International Journal of Advanced Robotic Systems.– 2014.– Vol. 11.– No. 9, 149.– 12 pp. https://doi.org/10.5772/58821
  • A. Krizhevsky, I. Sutskever, G. E. Hinton ImageNet classification with deep convolutional neural networks // Advances in Neural Information Processing Systems 25.– V. 1, NIPS 2012 (3–6 December, 2012, Lake Tahoe, Nevada, USA), eds. F. Pereira, C. J. C. Burges, L. Bottou, K. Q. Weinberger, Red Hook:Curran Associates Inc..– 2012.– pp. 1097–1105. hUtRtpLs://dl.acm.org/doi/1hU0t.Rt5p5Ls5:5//2p9ro99ce1e3d4i.n2g9s9.9n2e5u7rips.cc/paper/2012/file/c399862d3b9d6b76c8436e924a68c45b-Paper.pdf
  • R. B. Girshick, J. Donahue, T. Darrell, J. Malik Rich feature hierarchies for accurate object detection and semantic segmentation, 2014 IEEE Conference on Computer Vision and Pattern Recognition (CVPR) (23–24 June, 2014, Columbus, OH, USA).– 2014.– pp. 580–587. https://doi.org/10.1109/CVPR.2014.81
  • J. Long, E. Shelhamer, T. Darrell Fully convolutional networks for semantic segmentation, 2015 IEEE Conference on Computer Vision and Pattern Recognition (CVPR) (7–12 June, 2015, Boston, MA, USA).– 2015.– pp. 3431–3440. https://doi.org/10.1109/CVPR.2015.7298965
  • Y. Chen, Y. Zhang, J. Xin, G. Wang, L. Mu, Y. Yi, H. Liu, D. Liu UAV image-based forest fire detection approach using convolutional neural network, 2019 14th IEEE Conference on Industrial Electronics and Applications (ICIEA) (19–21 June 2019, Xi’an, China).– 2019.– pp. 2118-2123. https://doi.org/10.1109/ICIEA.2019.8833958
  • Тарик Рашид Создаем нейронную сеть: Вильямс.– 2018.– ISBN 978-5-9909445-7-2.– 272 с.
  • J. Gotthans, T. Gotthans, R. Marsalek Deep convolutional neural network for fire detection, 2020 30th International Conference Radioelektronika (RADIOELEKTRONIKA) (5–16 April 2020, Bratislava, Slovakia).– 2020.– pp. 1–6. https://doi.org/10.1109/RADIOELEKTRONIKA49387.2020.9092344
  • X. Bing, N. Wang, T. Chen, M. Li Empirical evaluation of rectified activations in convolutional network.– 2015.– 5 pp. arXivarXiv 1505.00853 [cs.LG]
  • Y. Valikhujaev, A. Abdusalomov, Y. I. Cho Automatic fire and smoke detection method for surveillance systems based on dilated CNNs // Atmosphere.– 2020.– Vol. 11.– No. 11, 1241.– 15 pp. https://doi.org/10.3390/atmos11111241
  • Nipun D. Natha, Amir H. Behzadanb, Stephanie G. Paala Deep learning for site safety: Real-time detection of personal protective equipment // Automation in Construction.– 2020.– Vol. 112, 103085.– 20 pp. https://doi.org/10.1016/j.autcon.2020.103085
  • Diederik P. Kingma, Jimmy Ba Adam: A method for stochastic optimization.– 2015.– 15 pp. arXivarXiv 1412.6980 [cs.LG]
Еще
Статья научная
SciUp 2024 © 2024 ©