|
Title
|
سامانه یکپارچه تشخیص دود و شعله آتش در تصاویر ویدیویی با استفاده از یادگیری عمیق
|
|
Type of Research
|
Presentation
|
|
Keywords
|
بینایی ماشین، اعلان حریق، تشخیص شعله، تشخیص دود، یادگیری عمیق، شبکه های عصبی کانولوشنی، یادگیری انتقالی
|
|
Abstract
|
آتش سوزی معمولا منجر به خسارت های جانی، مالی و زیست محیطی زیادی در محیط های کاربردی مختلف می شود. بنابراین تشخیص آتش سوزی مبتنی بر بینایی کامپیوتر می تواند یکی از مهم ترین وظایف در سیستم های مراقبتی و نظارتی مدرن باشد که در اغلب محیط های کاربردی مانند صنعتی، تجاری و مسکونی مورد استفاده قرار می گیرند. تشخیص آتش سوزی مبتنی بر تصویر می تواند به شناسایی و کنترل هر چه سریع تر آتش سوزی کمک کند و بدیهی است که هرچه زودتر آتش سوزی تشخیص داده شود، شانس زنده ماندن انسان ها و سایر موجودات، کنترل حریق و جلوگیری از اتلاف منابع و خسارت های مالی، بیشتر خواهد بود. بنابراین وجود سیستم های اعلان حریق دقیق، سریع و قابل حمل تعبیه شده در سیستم های نظارتی یک نیاز ضروری و حیاتی می-باشد. اولین قدم برای تشخیص زودهنگام آتش سوزی، تشخیص شعله و دود است. در حال حاضر، بیشتر روش های تشخیص آتش-سوزی مبتنی بر بینایی کامپیوتر فقط به تشخیص یکی ازموارد شعله یا دود برای تشخیص وقوع آتش سوزی بسنده می کنند که این روش ها محدودیت های زیادی را در دنیای واقعی دارند. در این تحقیق، ما یک رویکرد یکپارچه و جدید برای تشخیص شعله و دود آتش مبتنی بر یادگیری عمیق پیشنهاد می کنیم که می تواند در دوربین های نظارتی به کار رود و وقوع هر نوع آتش سوزی را در مدت زمان قابل قبولی تشخیص دهد. ما یک معماری شبکه عصبی کانولوشنی جدیدی را برای نائل شدن به این هدف پیشنهاد می کنیم. روش ما تصاویر متوالی از دوربین های نظارتی را دریافت کرده و آن ها را در هشت کلاس مختلف کلاس بندی می کند. کلاس-های سیستم پیشنهادی شامل شعله آتش، دود سفید، دود سیاه، شعله آتش و دود سفید، شعله آتش و دود سیاه، دود سیاه و دود سفید، شعله آتش و دود سفید و دود سیاه و وضعیت نرمال است. آزمایشات مختلف انجام گرفته بر روی تصاویر ویدئویی استاندارد، دقت و سرعت عمل رویکرد پیشنهادی را تایید می کنند.
|
|
Researchers
|
ali hosseini (First Researcher)، Mahdi Hashemzadeh (Second Researcher)
|