Применение искусственных нейронных сетей для обнаружения и локализации пожаров на фотоснимках

В настоящей работе рассмотрены и протестированы актуальные архитектуры нейронных сетей для решения задачи обнаружения источников возгорания и задымления на ранних стадиях их распространения. Актуальность данного научного направления связана со значительными масштабами природных пожаров и подчёркивается потребностью в разработке средств мониторинга пожароопасной обстановки и оперативного реагирования на чрезвычайные ситуации. Для решения задачи распознавания пожароопасных ситуаций разработаны современные подходы, использующие алгоритмы глубокого обучения. Схема решения опирается на использование свёрточных нейронных сетей и предполагает классификацию изображений на 3 класса: огонь, дым и нейтральная ситуация. В настоящей работе для распознавания на изображениях огня и дыма предлагается использовать архитектуру FireSmokeNet, отличающуюся оптимизированным числом слоёв и требуемых вычислительных ресурсов. Приведены экспериментальные исследования, на основании результатов которых были выделены модели с лучшим значением точности и полноты классификации.

Application of artificial neural networks for detection and localization of fires in images

In this paper, actual neural network architectures are considered and tested to solve the problem of detecting sources of fire and smoke in the early stages of their propagation. The relevance of this scientific direction is associated with the significant scale of natural fires and is emphasized by the need to develop tools for monitoring fire hazards and rapid response to emergencies. To solve the problem of recognition of fire-hazardous situations, modern approaches based on deep learning algorithms have been developed. The solution scheme is based on the use of convolutional neural networks and assumes the classification of images into 3 classes: fire, smoke and neutral situation. This paper proposes to use the architecture FireSmokeNet for recognition the images of fire and smoke, which is characterized by an optimized number of layers and the required computing resources. Experimental studies are presented, based on the results of which the models with the highest value of precision and recall of classification were identified.