66

  • Ўқишлар сони 66
  • Нашр санаси 02-08-2024
  • Мақола тилиO'zbek
  • Саҳифалар сони98-107
Калит сўзлар
Русский

Обнаружение пожара с помощью систем видеонаблюдения имеет решающее значение для быстрого реагирования на пожары и снижения потенциальных опасностей. В этом исследовании мы представляем инновационный подход к обнаружению пламени, который использует анализ формы, направленный на повышение точности и надежности механизмов обнаружения пожара. В отличие от традиционных методов, которые для обнаружения пламени полагаются исключительно на цветовые характеристики, наш подход включает в себя контурный анализ, позволяющий эффективно отличать настоящее пламя от нюансов окружающей среды. Подход включает в себя два основных алгоритма: один ориентирован на распознавание дыма и огня по цветовым признакам, а другой специализируется на распознавании дыма и огня путем анализа формы объектов. Предложенный метод прошел экспериментальную проверку на разнообразном наборе из двенадцати видео, которые включали различные сцены, такие как внутренние и внешние условия, а также условия в течение дня и ночи. Результаты эксперимента демонстрируют многообещающую производительность: результаты обнаружения варьируются от 91,4% до 99,6%. Предлагаемый метод демонстрирует высокие показатели обнаружения при минимизации ложных тревог, о чем свидетельствует низкий уровень ошибок как для упущений, так и для ложных тревог. Таким образом, результаты подчеркивают эффективность введенного метода обнаружения пламени в точном обнаружении пламени в видеопоследовательностях. Интеграция контурного анализа расширяет возможности системы отличать настоящее пламя от факторов окружающей среды, что приводит к повышению точности и надежности обнаружения. Это исследование способствует развитию технологий обнаружения пожара в системах видеонаблюдения, которые потенциально могут применяться для повышения безопасности и защищенности в различных средах.

English

Fire detection through CCTV systems is critical to quickly responding to fires and reducing potential hazards. In this study, we present an innovative approach to flame detection that uses shape analysis to improve the accuracy and reliability of fire detection mechanisms. Unlike traditional methods that rely solely on color characteristics to detect flames, our approach incorporates contour analysis to effectively distinguish real flames from environmental nuances. The approach includes two main algorithms: one is focused on recognizing smoke and fire based on color features, and the other specializes in recognizing smoke and fire by analyzing the shape of objects. The proposed method was experimentally validated on a diverse set of twelve videos that included different scenes such as indoor, outdoor, and day and night conditions. The experimental results show promising performance, with detection results ranging from 91.4% to 99.6%. The proposed method exhibits high detection rates while minimizing false alarms, as evidenced by low error rates for both omissions and false alarms. Thus, the results highlight the effectiveness of the introduced flame detection method in accurately detecting flames in video sequences. The integration of contour analysis enhances the system's ability to distinguish real flames from environmental factors, resulting in improved detection accuracy and reliability. This research contributes to the development of fire detection technologies in video surveillance systems, which can potentially be applied to improve safety and security in various environments.

Ҳавола номи
1 Dimitropoulos, K.; Barmpoutis, P.; Grammalidis, N. Spatiotemporal flame modeling and dynamic texture analysis for automatic video-based fire detec-tion. IEEE Trans. Circuits Syst. Video Technol. 2015, 25, 339–351
2 Gagliardi, A.; Saponara, S. AdViSED: Advanced Video SmokE Detection for Real-Time Measurements in Antifire In-door and Outdoor Systems. Energies 2020, 13, 2098
3 Toulouse, T.; Rossi, L.; Celik, T.; Akhloufi, M. Automatic fire pixel detection us-ing image processing: A comparative analysis of rule-based and machine learning-based methods. SIViP 2016, 10, 647–654
4 Avgeris, M.; Spatharakis, D.; Dechouniotis, D.; Kalatzis, N.; Roussaki, I.; Papavassiliou, S. Where There Is Fire There Is SMOKE: A Scalable Edge Computing Framework for Early Fire Detection. Sensors 2019, 19, 639
5 Zhang, Z.; Zhao, J.; Zhang, D.; Qu, C.; Ke, Y.; Cai, B. Contour based forest fire detection using FFT and wavelet. Proc. Int. Conf. CSSE 2008, 1, 760–763
6 Celik, T.; Demirel, H.; Ozkaramanli, H.; Uyguroglu, M. Fire detection using sta-tistical color model in video sequences. J. Vis. Commun. Image Represent. 2007, 18, 176–185.Article
7 Prema, C.E.; Vinsley, S.S.; Suresh, S. Efficient flame detection based on static and dynamic texture analysis in forest fire detection. Fire Technol. 2018, 54, 255–288
8 Vipin, P. Image processing based forest fire detection. Int. J. Emerg. Technol. Adv. Eng. 2012, 2, 87–95
9 Dener, M.; Özkök, Y.; Bostancıoğlu, C. Fire detection systems in wireless sensor networks. Procedia-Soc. Behav. Sci. 2015, 195, 1846–1850
10 Cruz, H.; Eckert, M.; Meneses, J.; Martínez, J.F. Efficient forest fire detection index for application in unmanned aerial systems (UASs). Sensors 2016, 16, 893
11 Ba, R.; Chen, C.; Yuan, J.; Song, W.; Lo, S. SmokeNet: Satellite Smoke Scene De-tection Using Convolutional Neural Network with Spatial and Channel-Wise Attention. Remote Sens. 2019, 11, 1702
12 Valikhujaev, Y.; Abdusalomov, A.; Cho, Y.I. Automatic Fire and Smoke Detection Method for Surveillance Systems Based on Dilated CNNs. Atmosphere 2020, 11, 1241
13 Barmpoutis, P.; Stathaki, T.; Dimitropoulos, K.; Grammalidis, N. Early Fire Detection Based on Aerial 360-Degree Sensors, Deep Convolution Neural Networks and Exploitation of Fire Dynamic Textures. Remote Sens. 2020, 12, 3177
14 Li, P.; Zhao, W. Image fire detection algorithms based on convolutional neural networks. Case Stud. Therm. Eng. 2020, 19, 100625
15 Muhammad, K.; Ahmad, J.; Mehmood, I.; Rho, S.; Baik, S.W. Convolutional Neural Networks Based Fire Detection in Surveillance Videos. IEEE Access 2018, 6, 18174–18183
16 Pan, H.; Badawi, D.; Cetin, A.E. Computationally Efficient Wildfire Detection Method Using a Deep Convolutional Network Pruned via Fourier Analysis. Sensors 2020, 20, 2891
17 Li, T.; Zhao, E.; Zhang, J.; Hu, C. Detection of Wildfire Smoke Images Based on a Densely Dilated Convolutional Network. Electronics 2019, 8, 1131
18 Kim, B.; Lee, J. A Video-Based Fire Detection Using Deep Learning Models. Appl. Sci. 2019, 9, 2862
19 Mukhiddinov, M.; Abdusalomov, A.B.; Cho, J. Automatic Fire Detection and Notification System Based on Improved YOLOv4 for the Blind and Visually Impaired. Sensors 2022, 22, 3307
20 Avazov, K.; Hyun, A.E.; S Sami, A.A.; Khaitov, A.; Abdusalomov, A.B.; Cho, Y.I. Forest Fire Detection and Notification Method Based on AI and IoT Approaches. Future Internet 2023, 15, 61
21 Gomez-Rodriguez F., Pascual-Pena S., Arrue B., Ollero A., Smoke detection us-ing image processing, in: Proceedings of 4th International Conference on Forest Fire Research & Wildland Fire Safety, November 2002, pp. 1–8
22 Freeman H. Shape Description via the Use of Critical points // Pattern Recognition. – 1978. – Vol. 10, №3. – P. 159-166
23 Gonzalez, R.C. and Woods, R.E. Digital Image Processing. 4th Edition, Pearson Education, New York, 2018. 1022 p
24 Andreev A. Yu., Bobkov S. P. Segmentation of characters in an image using a modified beetle method // Modern high-tech technologies. — 2014. — No. 1(37). — P. 85–88
25 Khamdamov R. K., Sakiev T. R., Rakhmanov K. E. Development and Implementation of the Data Structure and Analytical Applications of the System “Ziyrak” //INTERNATIONAL JOURNAL OF THEORETICAL AND APPLIED ISSUES OF DIGITAL TECHNOLOGIES. – 2023. – Т. 5. – №. 3. – С. 17-24
Кутилмоқда