Розроблено новий підхід до детектування полум’я на зображеннях, який ґрунтується на використанні згорткових нейронних мереж. Запропоновано структуру реалізації каскадного підходу до детектування вогню, яка забезпечує покращену ефективність розпізнавання на зображеннях з низькою роздільною здатністю, та об’єктів, які можуть візуально нагадувати полум’я. Проведено експерименти з дослідження запропонованого методу порівняно з сучасним методом детектування об’єктів Faster R-CNN. У результаті проведених експериментів було виявлено покращення показника ефективності в середньому на 20 %.
1. Che-Bin L. Vision based fire detection / L. Che-Bin, N. Ahuja,. // Pattern Recognition, 2004. ICPR 2004. Proceedings of the 17th International Conference on. – 2004. – № 4. – P. 134–137.
2. Qi X. A Computer Vision-Based Method for Fire Detection in Color Videos / X. Qi, J. Ebert. // International journal of imaging. – 2009. – №9. – P. 22–34.
3. Celik T. Fire and smoke detection without sensors: image processing based approach / T. Celik, H. Ozkaramanli, H. Demirel. // 15th European Signal processing conference. – 2007. – P. 1794–1798
4. Celik T. Fast and efficient method for fire detection using image processing / T. Celik. // ETRI journal. – 2010. – №6. – P. 881–890.
5. Gomes P. A Vision-based Approach to Fire detection / P. Gomes, P. Santana, J. Barata. // International Journal of Advanced Robotic Systems. – 2014.
6. Horn B. K. P., Schunck B. G. Determining optical flow //Artificial intelligence. –1981. – Т. 17. – №. 1–3. – P. 185-203.
7. Zhan C. et al. An improved moving object detection algorithm based on frame difference and edge detection // Image and Graphics, 2007. ICIG 2007. Fourth International Conference on. – IEEE, 2007. – P. 519–523.
8. Russakovsky O. et al. Imagenet large scale visual recognition challenge //International Journal of Computer Vision. – 2015. – Т. 115. – №. 3. –P. 211–252.
9. Deep Convolutional Neural Networks for Forest Fire Detection / Z. Qingjie, X. Jiaolong, X. Liang, G. Haifeng. // International Forum on Management, Education and Information Technology Application. – 2016. – P. 568–575.
10. Caixia C. One Fire Detection Method Using Neural Networks /C. Caixia, S. Fuchun, Z. Xinquan. // Tsinghua science and technology. – 2011. – №16. – P. 31–35.
11. Banghua Y. et al. Recognition of fire detection based on neural network //Life System Modeling and Intelligent Computing. – Springer Berlin Heidelberg, 2010. – P. 250–258.
12. K. Simonyan and A. Zisserman. Very deep convolutional networks for large-scale image recognition. In ICLR, 2015.
13. Ren S. et al. Faster r-cnn: Towards real-time object detection with region proposal networks //Advances in neural information processing systems. – 2015. – P. 91–99.
14. Yang B. et al. Craft objects from images //Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. –2016. – P. 6043–6051.
15. Maksymiv O., Rak T., Menshikova O. Deep convolutional network for detecting probable emergency situations // Data Stream Mining & Processing (DSMP), IEEE First International Conference on. – IEEE, 2016. – P. 199–202.
16. Zeng X. et al. Gated bi-directional cnn for object detection //European Conference on Computer Vision. – Springer International Publishing, 2016. –P. 354–369.