Application of colorimetry in neural network methods of fire detection in woodlands

Full Text

Введение

В настоящее время для мониторинга возгорания в лесных массивах нашли применение нейросетевые методы определения возгорания. К настоящему времени разработаны такие системы как проект «Прометей», Видеодетектор огня, метод университета искусственного интеллекта [1–4]. Данные методы позволяют определить возгорание с точностью более 90 % для чего используют комбинацию реккурентных и светрочных нейронных сетей. Согласно [2; 3] время необходимое для определения возгорания составляет от 5 до 20 с для камеры системы видеонаблюдения. Данная скорость определения возгорания является довольно большой при условии использования 1 камеры системы видеонаблюдения, так при увеличении количества камер систем видеонаблюдения пропорционально увеличивается и время необходимое для определения возгорания, так для определения возгорания с двух камер с использованием нейросетевого метода необходимо подавать на нейронную сеть два видеопотока. Подачу видеопотока можно осуществлять двумя способами:

1. Разграничивая видеопоток во времени, т. е. каждые 5–20 сек подавать на нейронную сеть видеопоток с разных камер систем видеонаблюдения поочередно чередуя их.
2. Уменьшая разрешения каждого видеопотока и обрабатывая данные видеопотоки как 1.

Из этого видно, что при сохранении одних и тех же вычислительных мощностей, увеличение числа камер видеонаблюдения негативно сказывается на эффективность поиска возгорания, так при двух камерах с использованием первого метода требуемое время для обнаружения минимально увеличивается с 5 до 10 с, а при втором способе снижается разрешение обрабатываемого видео, что может снизить вероятность обнаружения возгорания из-за низкого разрешения. Для избегания данной проблемы предлагается использовать дополнительный модуль для отслеживания изменения характеристик цветов получаемых с камер системы видеонаблюдения.

Исследование изменения цветности для стационарной камеры системы видеонаблюдения

Для исследования динамики изменения пропорционального количества цветов для стационарных камер системы видеонаблюдения тестировалось ряд видеозаписей лесных массивов и отслеживалась динамика наличия «огненных» цветов с промежутком раз в 1 с (рис. 1).

 

Рис. 1. Относительная динамика изменения «огненных» цветов в лесном массиве

Fig. 1. Relative dynamics of changes in «fiery» colors in the forest

 

Из приведенных графиков видно, что различия в количестве «огненных» цветов между кадрами составляет менее 10 %.

Из данного примера видно, что в течении суток изменения цветности для стационарных камер в течении даже 60 с являются минимальными, при этом в случае появления признаков первичного возгорания, а именно резкого увеличения «огненных» и/или «дымовых» цветов видеопоток с данной камеры системы видеонаблюдения можно отдать для обработки нейросетевым методом, который в течении 5–20 с обработает видеопоток только с той камеры, на которой было замечено резкое увеличение количества «огненных» и «дымовых» цветов.

Исследование влияния на производительность колориметрического модуля

Использование колориметрического модуля позволяет обрабатывать значительно большее количество видеопотоков и при этом за меньшее количество времени, т. к. на обработку отправляется только изображение с одной камеры. Алгоритм работы колориметрического модуля представлен на рис. 2.

 

Рис. 2. Алгоритм колориметрического модуля

Fig. 2. Algorithm of the colorimetric module

 

Для подтверждения эффективности работы модуля использовалась программа со сверточной нейронной сетью, архитектура которой представлена на рис. 3.

 

Рис. 3. Используемая для проверки эффективности работы модуля нейронная сеть

Fig. 3. Neural network used to test the efficiency of the module

 

Программа запускалась на 10 и 20 с по прошествии, которых подсчитывалось количество решений. Полученные данные представлены в таблице. Для моделирования использовалась библиотека Keras в языке Python, между каждым циклом проверок выполнялась искусственная задержка в 1 с.

 

Таблица. Результаты сравнения работы программы с использованием чистой сверточной нейронной сети и с использованием колориметрического модуля и сверточной нейронной сети

Table. The results of comparing the program operation using a pure convolutional neural network and using a colorimetric module and a convolutional neural network

Тип опыта	По прошествии 10 с	По прошествии 20 с
Без колориметрического модуля	8	15
С колориметрическим модулем (увеличение «огненных цветов 5 %)	10	18

 

Из приведенных результатов видно, что количество выполняемых проверок за 10 с увеличилось на 25 %, а при 20 с на 20 %, т. к. нейронная сеть вызывалась нечасто. Более сильный разрыв в результатах будет наблюдаться при использовании более мощных нейросетевых методов поиска возгорания, которые используют и рекуррентные нейронные сети (сети с памятью).

Заключение

В заключении можно сделать следующие выводы:

1. Для стационарных камер систем мониторинга за состоянием леса изменение цветности между кадрами составляет менее 10 %.
2. Использование колориметрического модуля позволяет значительно повысить эффективность работы нейросетевых методов при работе с несколькими камерами
3. Предлагаемый метод можно отнести к компьютерной колориметрии

About the authors

Alexandr A. Kuzmenko

Povolzhskiy State University of Telecommunications and Informatics

Author for correspondence.
Email: alexandr291294@mail.ru

Technician of the Department of Radioelectronic Systems

Russian Federation, 23, L. Tolstoy Street, Samara, 443010

References

Supplementary files