«Автоматизация и информатизация ТЭК»

Распознавание возгораний на панорамном изображении с использованием сверточной нейронной сети

УДК: 004.896
DOI: 10.33285/2782-604X-2023-12(605)-5-10

Авторы:

¹ РГУ нефти и газа (НИУ) имени И.М. Губкина, Москва, Россия

Ключевые слова: сверточные нейронные сети, компьютерное зрение, обнаружение пожаров, машинное обучение, панорамное изображение

Аннотация:

В статье рассматривается новый подход к обнаружению возгораний на технологических объектах. Его суть заключается в использовании панорамной камеры видеонаблюдения и распознавания пламени и дыма с помощью сверточной нейронной сети. Панорамная камера позволяет покрывать бóльшую территорию при меньшем числе точек установки оборудования по сравнению со стандартными камерами. Приводится обзор существующих методов визуального обнаружения возгораний, таких как применение инфракрасных камер и анализ цветового спектра изображения. Рассматривается сверточная нейронная сеть архитектуры YOLOv5, которая используется в работе для распознавания возгораний. Для точной работы сверточной нейронной сети искажения в панорамном изображении необходимо выпрямить. Для этого применяется метод стереоскопической проекции, в соответствии с которым панорамное изображение разбивается на четыре спроецированных, более малых изображения с пересечением, по которым проводит распознавание сверточная нейронная сеть. Применение этого метода позволило определять возгорания, находящиеся в зоне большого искажения, а также небольшие и удаленные от камеры очаги.

Список литературы:

1. Smart City and fire detection using thermal imaging / M. Mazur-Milecka, N. Głowacka, M. Kaczmarek [et al.] // 14th Int. Conf. on Human System Interaction (HSI), Gdańsk, Poland, July 08–10. – 2021. – P. 1–7. – DOI: 10.1109/HSI52170.2021.9538699
2. Chacon-Murguia M.I., Perez-Vargas F.J. Thermal Video Analysis for Fire Detection Using Shape Regularity and Intensity Saturation Features // Lecture Notes in Computer Science. – 2011. – Vol. 6718. Pattern Recognition: Proc. of Third Mexican Conf., Cancun, Mexico, June 29 – July 2, 2011. – P. 118–126. – DOI: 10.1007/978-3-642-21587-2_13
3. Fire Detection Using Computer Vision / T. Zaman, M. Hasan, S. Ahmed, S. Ashfaq // IEEE 61st Int. Midwest Symp. on Circuits and Systems (MWSCAS), Windsor, ON, Canada, Aug. 05–08. – 2018. – P. 356–359. – DOI: 10.1109/MWSCAS.2018.8623842
4. Manjunatha K.C., Mohana H.S., Vijaya P.A. Implementation of Computer Vision Based Industrial Fire Safety Automation by Using Neuro-Fuzzy Algorithms // Int. J. of Information Technology and Computer Science. – 2015. – Vol. 7, No. 4. – P. 14–27. – DOI: 10.5815/ijitcs.2015.04.02
5. Automating Fire Detection and Suppression with Computer Vision: A Multi-Layered Filtering Approach to Enhanced Fire Safety and Rapid Response / S. Mondal, V. Prasad, R. Kumar [et al.] // Fire Technology. – 2023. – Vol. 59, Issue 4. – P. 1555–1583. – DOI: 10.1007/s10694-023-01392-w
6. Convolutional Neural Networks Based Fire Detection in Surveillance Videos / K. Muhammad, J. Ahmad, I. Mehmood [et al.] // IEEE Access. – 2018. – Vol. 6. – P. 18174–18183. – DOI: 10.1109/ACCESS.2018.2812835
7. Flame detection using deep learning / Dongqing Shen, Xin Chen, Minh Nguyen, Wei Qi Yan // 4th Int. Conf. on Control, Automation and Robotics (ICCAR), Auckland, New Zealand, Apr. 20–23. – 2018. – P. 416–420. – DOI: 10.1109/ICCAR.2018.8384711
8. Rich Feature Hierarchies for Accurate Object Detection and Semantic Segmentation / R. Girshick, J. Donahue, T. Darrell, J. Malik // 2014 IEEE Conf. on Computer Vision and Pattern Recognition, Columbus, OH, USA, June 23–28. – 2014. – P. 580–587. – DOI: 10.1109/CVPR.2014.81
9. Mask R-CNN / Kaiming He, G. Gkioxari, P. Dollár, R. Girshick // 2017 IEEE Int. Conf. on Computer Vision (ICCV), Venice, Italy, Oct. 22–29. – 2017. – P. 2980–2988. – DOI: 10.1109/ICCV.2017.322
10. You Only Look Once: Unified, Real-Time Object Detection / J. Redmon, S. Divvala, R. Girshick, A. Farhadi // 2016 IEEE Conf. on Computer Vision and Pattern Recognition (CVPR), Las Vegas, NV, USA, June 27–30. – 2016. – P. 779–788. – DOI: 10.1109/CVPR.2016.91
11. SSD: Single Shot MultiBox Detector / Wei Liu, D. Anguelov, D. Erhan [et al.] // Lecture Notes in Computer Science. – 2016. – Vol. 9905. European Conf. on Computer Vision (ECCV 2016). – Cham: Springer, 2016. – P. 21–37. – DOI: 10.1007/978-3-319-46448-0_2
12. Focal Loss for Dense Object Detection / Tsung-Yi Lin, P. Goyal, R. Girshick [et al.] // 2020 IEEE Transactions on Pattern Analysis and Machine Intelligence. – 2020. – Vol. 42, Issue 2. – P. 318–327. – DOI: 10.1109/TPAMI.2018.2858826
13. Object Detection in Equirectangular Panorama / Wenyan Yang, Yanlin Qian, J.K. Kämäräinen [et al.] // 24th Int. Conf. on Pattern Recognition (ICPR), Beijing, China, Aug. 20–24. – 2018. – P. 2190–2195. – DOI: 10.1109/ICPR.2018.8546070
14. Fucheng Deng, Xiaorui Zhu, Jiamin Ren. Object detection on panoramic images based on deep learning // 3rd Int. Conf. on Control, Automation and Robotics (ICCAR), Nagoya, Japan, Apr. 24–26. – 2017. – P. 375–380. – DOI: 10.1109/ICCAR.2017.7942721
15. Chien-Yao Wang, Bochkovskiy A., Hong-Yuan Mark Liao. Scaled-YOLOv4: Scaling Cross Stage Partial Network // 2021 IEEE/CVF Conf. on Computer Vision and Pattern Recognition (CVPR), Nashville, TN, USA, June 20–25. – 2021. – P. 13024–13033. – DOI: 10.1109/CVPR46437.2021.01283