|
Title
|
یک رویکرد مبتنی بر یادگیری عمیق برای تشخیص دود در دوربینهای نظارتی
|
|
Type of Research
|
Presentation
|
|
Keywords
|
تشخیص دود، نظارت ویدیویی، پردازش ویدیو، یادگیری عمیق، شبکه های عصبی کانولوشنی
|
|
Abstract
|
تشخیص وجود آتش سوزی در مراحل ابتدایی آن اهمیت بسیار بالایی در محیط های کاربردی مختلف دارد. برای این منظور، استفاده از روش های بینایی ماشین می تواند زمان تشخیص را به میزان قابل توجهی کاهش دهد. از میان علائم بصری آتش، با توجه به اینکه دود در بسیاری از موارد زودتر از شعله های آتش نمایان می شود و به سرعت محیط را فرا می گیرد، می توان از آن برای تشخیص زودهنگام خطر حریق استفاده کرد. برای این منظور، در این مقاله یک رویکرد تشخیص دود در تصاویر برگرفته شده از دوربین های نظارتی ارائه شده است. در رویکرد پیشنهادی، یک شبکه ی عصبی کانولوشنی با معماری جدیدی معرفی شده است که در عین اینکه دارای تعداد پارامتر بسیار پائینی است، که باعث کاهش بار محاسباتی می شود، دارای قدرت تشخیص بالایی نیز می باشد. تفکیک دود سفید رنگ با دود سیاه رنگ در کلاس های جداگانه نیز بر قدرت روش پیشنهادی افزوده است. همچنین استفاده از یک روش یکنواخت سازی هیستوگرام متناسب با کاربرد مورد هدف منجر به کاهش تاثیر عوامل ناشی از نوسانات سطح روشنایی بر داده های ورودی شبکه شده است. آزمایشات انجام گرفته بر روی مجموعه تصاویر ویدویی استاندارد نشان از عملکرد مناسب رویکرد پیشنهادی دارد.
|
|
Researchers
|
Milad Heydari (First Researcher)، Mahdi Hashemzadeh (Second Researcher)
|