Column of Computer Vision Institute

Пожары в городах могут иметь разрушительные последствия, нанося материальный ущерб и ставя под угрозу жизнь горожан. Традиционные методы обнаружения пожаров имеют ограничения по точности и скорости, что затрудняет обнаружение пожаров в режиме реального времени.

01

Сводка прогнозов

Мы предлагаем улучшенный метод обнаружения пожара в «умном городе» на основе алгоритма YOLOv8, который называется «Интеллектуальная система обнаружения пожара» (SFDS), который использует преимущества глубокого обучения для обнаружения конкретных характеристик пожара в режиме реального времени. По сравнению с традиционными методами обнаружения пожара метод SFDS повышает точность обнаружения пожара, снижает количество ложных тревог и является экономически эффективным. Его также можно расширить для обнаружения других объектов, представляющих интерес в умных городах, таких как утечки природного газа или наводнения. Предлагаемая структура «умного города» состоит из четырех основных уровней: (i) прикладного уровня, (ii) уровня тумана, (iii) облачного уровня и (iv) уровня Интернета вещей. Предлагаемый алгоритм использует туманные и облачные вычисления, а также уровень Интернета вещей для сбора и обработки данных в режиме реального времени, тем самым ускоряя время реагирования и снижая риск нанесения ущерба имуществу и человеческой жизни. SFDS обеспечивает самые современные показатели точности и полноты с высокой точностью 97,1% по всем категориям. Предлагаемый метод имеет несколько потенциальных применений, включая управление пожарной безопасностью в общественных местах, мониторинг лесных пожаров и интеллектуальные системы безопасности.

02

мотивация

Умные города меняют наше представление о урбанизации, устойчивости и безопасности. По мере того, как мир движется к умным городам, обеспечение безопасности граждан и их собственности становится все более важным. Пожар – одно из самых опасных и опасных для жизни бедствий, способных серьезно навредить имуществу и людям. Пожары представляют собой серьезную угрозу для умных городов, поскольку они могут нанести значительный ущерб инфраструктуре, привести к гибели людей и нарушить бесперебойную работу города. Поэтому крайне важно иметь эффективную и надежную систему раннего обнаружения пожара. С ростом урбанизации и повышением осведомленности о ценности безопасности раннее обнаружение пожара теперь является главным приоритетом для умных городов. Раннее обнаружение пожара и принятие мер могут уменьшить материальный ущерб, а также спасти жизни. Однако эта работа требует решения трудностей, в том числе непредсказуемости пожаров, необходимости непрерывных наблюдений и больших объемов данных, генерируемых умными городами. Для раннего обнаружения пожаров исследователи и инженеры создали пожарные извещатели на основе машинного зрения (VFD), а также звукочувствительные, чувствительные к пламени, чувствительные к температуре, чувствительные к газу или чувствительные к твердым веществам пожарные датчики. Датчик определяет химические свойства дыма и подает сигнал тревоги. Однако эта стратегия может вызвать ложные срабатывания. Эти системы мониторинга были разработаны как часть традиционных систем сигнализации и определяют дым и температуру пламени, а также другие характеристики, связанные с пламенем. Системы обнаружения на основе датчиков могут оказаться невозможными в определенных ситуациях, например, когда речь идет о широких территориях покрытия, невозделываемых (лесных районах) или высоких температурах, поскольку это может привести к большому количеству ложных тревог.

Традиционно системы обнаружения пожара полагались на датчики температуры, газа и дыма, которые доказали свою эффективность при небольших пожарах, но неэффективны при крупных пожарах, которые могут быстро распространяться, охватывать всю территорию и иметь катастрофические последствия. Появление умных городов IoT способствовало внедрению методов глубокого обучения для улучшения обнаружения пожаров в режиме реального времени.

03

новая технология

Сначала мы сравнили основные структуры. В следующей таблице перечислены часто используемые модели в системах обнаружения пожара, включая сверточную нейронную сеть (CNN), рекурсивную нейронную сеть (RNN), YOLOv2, YOLOv3, YOLOv4 и YOLOv5.

Несмотря на прогресс в методах обнаружения пожара на основе глубокого обучения, все еще существуют некоторые проблемы, которые необходимо решить. Например, для обучения и тестирования этих методов необходимы более разнообразные и большие наборы данных. Кроме того, использование камер низкого качества или плохие условия освещения могут повлиять на точность алгоритмов обнаружения пожара.

умный городОсновная цель проекта — повышение интеллекта городских систем и приложений.。Это достигается за счет сочетания различных характеристик и качества.,Например: (i) безопасная инфраструктура с открытым доступом, которая является одновременно надежной и масштабируемой; (ii) архитектурная стратегия, ориентированная на пользователя или гражданина (iii) хранение, извлечение, совместное использование, маркировка, передача и хранение больших объемов информации; возможности общедоступных и частных данных,тем самым позволяя людям получать доступ к информации, когда это необходимо; (iv) аналитические и синтетические возможности уровня приложений и (v) интеллектуальную физическую и киберинфраструктуру;,При передаче больших объемов разнородных данных,Упрощение сложных и удаленных сервисов и приложений. Рамка необходима для представления и структурирования основных компонентов, связей и потоков данных междисциплинарного проекта «умный город». Как показано ниже,Архитектура развертывания предлагаемого проекта умного города имеет иерархическую структуру, состоящую из четырех уровней.。Предлагаемый умный городрамка Состоит из четырех основных слоев：（i）Прикладной уровень、(ii) Слой тумана、(iii) облачный уровень и (iv) уровень Интернета вещей.

Метод SFDS использует модель обнаружения YOLOv8, которая обеспечивает быстрое и точное обнаружение объектов без необходимости использования сети-кандидата региона. Система оптимизирована для уменьшения количества параметров, необходимых для обнаружения, тем самым повышая эффективность. SFDS использует компьютерное зрение для автоматического обнаружения пожаров на изображениях и видеопотоках. Метод состоит из нескольких этапов, как показано на рисунке ниже.

Алгоритмы интеллектуального обнаружения пожара (SFD) используют компьютерное зрение для обнаружения пожаров в реальном времени по изображениям с камер в реальном времени или предварительно записанным видеофайлам. Как показано в алгоритме ниже, он использует предварительно обученную модель обнаружения объектов Yolov8 на большом наборе данных изображений пожаров и других объектов. Он принимает в качестве входных данных набор данных видеокадров и выводит обнаруженные объекты, включая классы, связанные с пожаром, такие как «пламя», «дым» и т. д. Алгоритм проходит через каждый кадр видео, применяя методы предварительной обработки к текущему кадру. и передает его в модель Yolov8 для обнаружения объектов. Если обнаруживается класс, связанный с пожаром, алгоритм вызывает тревогу и уведомляет соответствующие органы. Наконец, алгоритм сохраняет выходное видео алгоритма SFD с выделенными объектами. инструмент для быстрого и эффективного обнаружения пожаров и реагирования на потенциальную пожарную опасность.

04

Эффект пола

Сначала мы сравнили основные структуры. В следующей таблице перечислены часто используемые модели в системах обнаружения пожара, включая сверточную нейронную сеть (CNN), рекурсивную нейронную сеть (RNN), YOLOv2, YOLOv3, YOLOv4 и YOLOv5.

© THE END

Рекомендовано в прошлом

🔗

• Drone-YOLO: эффективное обнаружение объектов на изображениях дронов
• Проект аэропорта: решить проблемы обнаружения целей в реальном времени, вызванные размером пространства/соотношением сторон, скоростью, окклюзией и другими проблемами летающих объектов.
• 2PCNet: день и ночь неконтролируемое адаптивное обнаружение целей в домене (исходный код прилагается)
• YOLO-S: легкая и точная сеть типа YOLO для обнаружения небольших целей.
• Основные изменения в системе Yolo | Новая система обнаружения целей с чрезвычайно низким энергопотреблением (с загрузкой бумаги)
• Улучшенный алгоритм обнаружения: для обнаружения целей на изображениях оптического дистанционного зондирования высокого разрешения.
• Xiaomi Mi Pad 6 Max-Yolo: обнаружение в реальном времени на портативных терминалах больше не проблема
• Важность обнаружения цели по углу поворота! ! ! (Скачать прикрепленный документ)
• ПЕ-ЙОЛО: Решите проблему обнаружения целей в темную ночь.
• EdgeYOLO: детектор объектов, работающий в реальном времени на периферийных устройствах, и реализация Pytorch.
• Q-YOLO: эффективный вывод для обнаружения объектов в реальном времени
• Первая полностью количественная модель Vision Transformer FQ-ViT, большая модель искусственного интеллекта уже не за горами!
• YoloV8 и ChatGPT взаимодействуют, эта функция действительно мощная!
• GPT-понимаемый CV: полуконтролируемое обнаружение объектов на основе Yolov5