Нейросетевые методы обнаружения возгораний в лесных массивах
- Авторы: Фраленко В.П.1
-
Учреждения:
- Институт программных систем им. А.К. Айламазяна РАН
- Выпуск: № 1 (2023)
- Страницы: 67-77
- Раздел: Машинное обучение, нейронные сети
- URL: https://bakhtiniada.ru/2071-8594/article/view/269811
- DOI: https://doi.org/10.14357/20718594230107
- ID: 269811
Цитировать
Полный текст
Аннотация
В работе выполнен аналитический обзор, рассмотрены, доработаны и протестированы актуальные нейросетевые методы, алгоритмы и подходы для решения задачи раннего выявления возгораний в лесных массивах по изображениям и видеопотокам с беспилотных летательных аппаратов. Предлагаемая схема решения задачи основана на выделении признаков и использовании машинного обучения для классификации кадров, выделения прямоугольных областей с целевыми источниками огня и точной семантической сегментации очагов огня с применением нейронных сетей сверточного типа. Описаны выполненные модификации архитектур нейронных сетей, позволившие улучшить достигаемые ими F1-меры на 20%.
Полный текст

Об авторах
Виталий Петрович Фраленко
Институт программных систем им. А.К. Айламазяна РАН
Автор, ответственный за переписку.
Email: alarmod@pereslavl.ru
Кандидат технических наук. Ведущий научный сотрудник
Россия, Ярославская область, с. ВеськовоСписок литературы
- Vision Based Fire Detection Techniques: A Survey. Fire Technology. 2021. Vol.57. Р.591-623.
- Ciprián-Sánchez J.F., Ochoa-Ruiz G., Rossi L. and etc. Assessing the Impact of the Loss Function, Architecture and Image Type for Deep Learning-Based Wildfire Segmentation. Appl. Sci. 2021, Vol. 11(15).
- Cruz H., Gualotuña T., Pinillos M. and etc. Machine Learning and Color Treatment for the Forest Fire and Smoke Detection Systems and Algorithms, a Recent Literature Review. In: Botto-Tobar. M. Cruz. H. Díaz Cadena. (eds) Artificial Intelligence, Computer and Software Engineering Advances. CIT 2020. Advances in Intelligent Systems and Computing. 2021. Vol.1326. Springer. Cham.
- Shubhangi Chaturvedi, Pritee Khanna, Aparajita Ojha. A Survey on Vision-Based Outdoor Smoke Detection Techniques for Environmental Safety”. ISPRS Journal of Photogrammetry and Remote Sensing. 2022. Vol.185. Р.158-187.
- Favorskaya M.N. Early Smoke Detection in Outdoor Space: State-of-the-Art, Challenges and Methods. In: Virvou, M., Tsihrintzis, G.A., Jain, L.C. (eds). Advances in Selected Artificial Intelligence Areas. Learning and Analytics in Intelligent Systems. 2022. Vol.24. Springer.Cham.
- Cheng Y., Chen K., Bai H. and etc. An Efficient Fire Detection Algorithm Based on Multi-Scale Convolutional Neural Network. Fire and Materials. 2021. 12 p.
- Huo Y., Zhang Q., Jia Y. and etc. A Deep Separable Convolutional Neural Network for Multiscale Image-Based Smoke Detection // Fire Technology, 2022.
- Miao J., Zhao G., Gao Y. and etc. Fire Detection Algorithm Based on Improved YOLOv5 // International Conference on Control, Automation and Information Sciences (ICCAIS). 2021. Р. 776-781.
- Li Y., Zhang W., Liu Y. and etc. A Visualized Fire Detection Method Based on Convolutional Neural Network Beyond Anchor. Applied Intelligence. 2022.
- Wang S., Zhao J., Ta N. and etc. A Real-Time Deep Learning Forest Fire Monitoring Algorithm Based on an Improved Pruned + Kd Model. J Real-TimeImage Proc 18. 2021, Р. 2319-2329.
- Wang S. and etc. Forest Fire Detection Based on Light-weight Yolo. 2021 33rd Chinese Control and Decision Conference (CCDC). 2021. Р.1560-1565.
- Yiheng Cai, Yajun Guo, Yuanyuan Li and etc. Fire Detection Method Based on Improved Deep Convolution Neural Network. In Proceedings of the 2019 8th International Conference on Computing and Pattern Recognition (ICCPR '19). 2019. Association for Computing Machinery, New York, NY. USA. Р.466-470.
- Athanasis N., Themistocleous M., Kalabokidis K. and etc. Big Data Analysis in UAV Surveillance for Wildfire Prevention and Management. Themistocleous. M., Rupinoda Cunha, P. (eds) Information Systems. EMCIS 2018. Lecture Notes in Business Information Processing. 2019, Vol.341. Springer. Cham.
- Ghali R., Akhloufi M.A., Mseddi W.S. Deep Learning and Transformer Approaches for UAV-Based Wildfire Detection and Segmentation. Sensors. 2022. Vol. 22(5). 1977.
- Wu B., Xu C., Dai X. and etc. Visual Transformers: Token-based Image Representation and Processing for Computer Vision. 2020. https://arxiv.org/abs/2006.03677 (дата обращения: 27.10.2022).
- Shamsoshoara A., Afghah F., Razi A. and etc. The Flame Dataset: Aerial Imagery Pile Burn Detection Using Drones (UAVS). 2021. URL: https://ieee-dataport.org/open-access/flame-dataset-aerial-imagery-pile-burn-detection-using-drones-uavs (дата обращения: 27.10.2022).
- GitHub – WongKinYiu/PyTorch_YOLOv4: PyTorch implementation of YOLOv4, 2021. URL: https://github.com/WongKinYiu/PyTorch_YOLOv4 (дата обращения: 27.10.2022).
- GitHub – ultralytics/yolov5: YOLOv5 in PyTorch > ONNX > CoreML > TFLite, 2022. URL: https://github.com/ultralytics/yolov5/ (дата обращения: 27.10.2022).
- GitHub – meituan/YOLOv6: YOLOv6: a single-stage object detection framework dedicated to industrial applications, 2022. URL: https://github.com/meituan/YOLOv6 (дата обращения: 27.10.2022).
- GitHub – WongKinYiu/yolov7: Implementation of paper – YOLOv7: Trainable bag-of-freebies sets new state-of-the-art for real-time object detectors, 2022. URL: https://github.com/WongKinYiu/yolov7 (дата обращения: 27.10.2022).
- Image classification from scratch, 2020. URL: https://keras.io/examples/vision/image_classification_fro m_scratch/ (дата обращения: 27.10.2022).
- Thomson W., Bhowmik N., Breckon T.P. Efficient and Compact Convolutional Neural Network Architectures for Non-temporal Real-time Fire Detection. 2020. URL: https://arxiv.org/pdf/2010.08833.pdf (дата обращения: 27.10.2022).
- Akagic A., Buza E. LW-FIRE: A Lightweight Wildfire Image Classification with a Deep Convolutional Neural Network. Appl. Sci. 2022, Vol. 12(5).2646.
- Public API for tf.keras.applications namespace, 2022. URL: https://www.tensorflow.org/api_docs/python/tf/keras/applicati ons (дата обращения: 27.10.2022).
- Фраленко В.П. Экспериментальное исследование возможностей нейронной сети типа «Darknet» на задаче обработки снимков дистанционного зондирования // Авиа-космическое приборостроение. 2017. №6. С.44-52.
- Yaowen Hu, Jialei Zhan, Guoxiong Zhou and etc. “Fast Forest Fire Smoke Detection Using MVMNet”. Knowledge-Based Systems. 2022. Vol.241. 20 p.
- Ronneberger O., Fischer P., Brox T. U-Net: Convolutional Networks for Biomedical Image Segmentation. 2015.
- Vahit Bugra Yesilkaynak, Yusuf H. Sahin, Gozde Unal. EfficientSeg: An Efficient Semantic Segmentation Network. 2020.
- Hu Cao, Yueyue Wang, Joy Chen and etc. Swin-Unet: Unet-like Pure Transformer for Medical Image Segmentation. 2021.
- Bhakti Baheti, Shubham Innani, Suhas Gajre and etc. Eff-UNet: A Novel Architecture for Semantic Segmentation in Unstructured Environment. 2020. URL: https://openaccess.thecvf.com/content_CVPRW_2020/pap ers/w22/Baheti_Eff-UNet_A_Novel_Architecture_for_Semantic_Segmentatio n_in_Unstructured_Environment_CVPRW_2020_paper.p df (дата обращения: 27.10.2022).
- Abhishek Chaurasia, Eugenio Culurciello. LinkNet: Exploiting Encoder Representations for Efficient Semantic Segmentation. 2017.
Дополнительные файлы
