آشکارسازی آتش براساس استخراج ویژگی های مکانی- زمانی از طریق شبکه های عصبی کانولوشنی و تجزیه و تحلیل فراکتال
محورهای موضوعی : انرژی های تجدیدپذیر
منیر ترابیان
1
,
حسین پورقاسم
2
,
همایون مهدوی نسب
3
,
پیام سنایی
4
1 - دانشکده مهندسی برق- واحد نجفآباد، دانشگاه آزاد اسلامی، نجفآباد، ایران
2 - مرکز تحقیقات پردازش تصویر و بینایی ماشین- واحد نجف آباد، دانشگاه آزاد اسلامی، نجف آباد، ایران
3 - مرکز تحقیقات ریز شبکه های هوشمند- واحد نجف آباد، دانشگاه آزاد اسلامی، نجف آباد، ایران
4 - دانشکده مهندسی برق- واحد نجفآباد، دانشگاه آزاد اسلامی، نجفآباد، ایران
کلید واژه: فراکتال, شبکه عصبی کانولوشنی, آشکارسازی آتش, پتویپوشان, چند مقیاسی, شبکه یولو,
چکیده مقاله :
آتشسوزی یکی از خطراتی است که میتواند سلامت انسان را در مدت زمان کوتاهی به خطر اندازد و اگر به موقع محدود نشود، خسارات زیادی به همراه خواهد داشت. تشخیص به موقع و دقیق مکان آتشسوزی میتواند از پیامدهای انتشار آن جلوگیری کند. در این تحقیق روش جدیدی برای تشخیص آتش بر مبنای استخراج ویژگیهای زمانی-مکانی آتش در قابهای ویدئویی پیشنهاد شده است. در الگوریتم پیشنهادی، از یک شبکه عصبی کانولوشنی چند مقیاسی به همراه یک شبکه یولو (YOLO) جهت استخراج ویژگیهای مکانی و شناسایی مناطق نامزد آتش استفاده شده است. سپس به منظور حذف بافتهای غیرمتحرک مشابه آتش و بررسی ویژگیهای زمانی ناحیه نامزد، روش تجزیه و تحلیل فراکتال بر اساس پتویپوشان زمانی به کار برده شده است. در نهایت ناحیه آتش از طریق تلفیق نتایج دو مرحله از سایر قسمتهای تصویر جدا میگردد. نتایج ارزیابی بر روی سه مجموعه داده نشان میدهد که صحت روش پیشنهادی تشخیص آتش حدود 1/96 درصد است و این در حالی است که عوامل دقت و بازیابی به ترتیب 92 درصد و 9/96 درصد است. بنابر نتایج تجربی، روش پیشنهادی از سایر الگوریتمهای ارائه شده عملکرد بهتری دارد و بنابراین الگوریتم طراحیشده در دنیای واقعی به صورت کارآمد قابل استفاده است.
Fire is one of the dangers that can endanger human health in a short time and if it is not controlled in time, it will cause a lot of damage. Therefore, timely and accurate identification of the location of the fire can prevent the consequences of its expansion. In this research, a new method for fire detection is proposed based on the extraction of its temporal-spatial features in video frames. In the proposed algorithm, a multiscale convolutional neural network along with a YOLO (you only look once) network is used to extract spatial features and identify fire candidate regions. Then, fractal analysis based on the temporal blanket method is then used to remove non-moving textures similar to fire and to examine the temporal features of the candidate region. Finally, the fire region is separated from the other parts of the image by fusion the results of the two steps. The evaluation results of the proposed method on three data sets show that the accuracy of fire detection is about 96.1%, while the precision and recall values are 92% and 96.9%, respectively. Experimental results show that the proposed method performs better than existing algorithms and thus confirms the ability of this method for efficient use in the real world.
