تشخیص خودکار شعله و دود در تصاویر دوربین های مداربسته با استفاده از شبکه عصبی کانولوشنی عمیق و معماری یولو نسخه هشت

سیستم های اعلام حریق سنتی مبتنی بر سنسورهای دود و حرارت، در فضاهای باز، انبارهای بزرگ و محیط های دارای تهویه قوی با تاخیر یا عدم عملکرد مواجه می شوند. از سوی دیگر، دوربین های مداربسته در بسیاری از اماکن نصب هستند اما عمدتا تنها برای ضبط تصاویر استفاده می شوند و قابلیت تشخیص خودکار آتش را ندارند. هدف این مقاله طراحی و شبیه سازی یک سامانه تشخیص شعله و دود در تصاویر ویدئویی با استفاده از شبکه عصبی کانولوشنی عمیق از نوع یولو نسخه هشت است. روش پژوهش شامل گردآوری یک پایگاه داده ترکیبی شامل پنج هزار تصویر دارای شعله، دود و تصاویر عادی (بدون آتش)، برچسب زنی دستی اجسام، و آموزش شبکه بر روی سخت افزار مجازی با استفاده از چارچوب یادگیری عمیق بود. پس از آموزش، مدل بر روی یک مجموعه آزمایشی شامل هزار تصویر ارزیابی شد. یافته ها نشان داد که مدل نهایی قادر به تشخیص شعله با دقت ۹۴ درصد و دود با دقت ۸۹ درصد است. زمان پردازش هر فریم بر روی یک پردازنده معمولی حدود ۰/۰۴ ثانیه (معادل ۲۵ فریم در ثانیه) به دست آمد که برای کاربردهای بلادرنگ مناسب است. نرخ هشدار کاذب (تشخیص اشتباه اجسام قرمز یا بخار به عنوان آتش) کمتر از ۵ درصد بود. این سیستم می تواند به عنوان یک لایه نظارتی هوشمند بر روی دوربین های موجود نصب شده و هشدار آتش را در کمتر از یک ثانیه پس از ظهور شعله یا دود صادر کند.

کلیدواژه ها:

تشخیص شعله ، تشخیص دود ، شبکه عصبی کانولوشنی ، یولو نسخه هشت ، بینایی ماشین ، آتشنشانی هوشمند