Зменшення кількості хибних викликів під час розв’язання задачі детектування полум'я у відеопотоці з використанням глибоких згорткових нейронних мереж

2017;
: ст. 268-276
Прийнято: Березень 28, 2017
1
Національний університет "Львівська політехніка", кафедра інформаційних технологій видавничої справи
2
Львівський державний університет безпеки життєдіяльності, кафедра управління інформаційною безпекою
3
Національний університет "Львівська політехніка", кафедра інформаційних технологій видавничої справи

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.