Использование методов искусственного интеллекта для детекции возгорания и задымления в городской среде в видеосистеме ГУ МЧС России по Иркутской области

ВВЕДЕНИЕ
1 Обзор технологий искусственного интеллекта для детекции и распознавания возгорания и задымления в городской среде
1.1 Обзор существующих подходов к детекции возгорания и задымления в городской среде
1.2 Обзор методов распознавания возгорания и задымления в городской среде с помощью методов искусственного интеллекта
1.3 Применение методов глубокого обучения для распознавания возгорания и задымления в городской среде
2 Построение модели для детекции и распознавания возгорания и задымления в городской среде
2.1 Подготовка данных
2.2 Описание архитектуры модели
2.3 Настройка модели для оптимизации гиперпараметров
3 Тестирование разработанной модели в видеосистеме ГУ МЧС России по Иркутской области
3.1 Принципы работы видеосистемы ГУ МЧС России по Иркутской области
3.2 Составление рекомендаций по внедрению разработанной модели
3.3 Рекомендации для использования разработанной модели в видеосистеме ГУ МЧС России по Иркутской области
ЗАКЛЮЧЕНИЕ
Приложение 1
Приложение 2
СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ

Весь текст будет доступен после покупки

Обнаружение пожара на ранней стадии до его перерастания в катастрофическое событие имеет решающее значение для нейтрализации пожаров, спасения жизни и имущества людей. Из-за быстрого распространения пожара, важно обнаружить его на стадии первых проявлений пламени.
Датчики, установленные в помещениях, работают хорошо, когда пламя имеется уже некоторое время, и образовалось достаточное количество дыма для срабатывания сигнализации. Датчики обнаруживают присутствие частиц, образующихся в результате дыма и огня, путем ионизации, для чего требуется непосредственная близость к огню. Эти устройства не могут быть применены в больших масштабах на открытом воздухе, например, в лесу. Более того, они не могут предоставить информацию о начальном местонахождении пожара, направлении распространения дыма, размере, скорости роста пожара и т.д.
Учитывая, что пожары имеют несколько стадий, начальная фаза развития пожара не всегда характеризуется возникновением дыма. Так при возникновении пожара в ночных условиях, дым практически не виден для алгоритмов компьютерного зрения. Поэтому одновременное обнаружение дыма и пламени позволит увеличить достоверность обнаружения пожара по видеоданным.
Задача своевременного обнаружения источника возгорания является важным вопросом защиты людей, животных и обширных территорий от пожаров.
При обнаружении городского пожара с помощью алгоритмов компьютерного зрения необходимо учитывать, что камера будет расположена на большом расстоянии над объектом съемки. Следовательно, алгоритм должен удовлетворять требованиям, необходимым для работы в режиме реального времени [5]. Современными алгоритмами обнаружения пожаров с помощью цифровой обработки изображений. В случае обработки черно-белых изображений применяется преобразование в трехканальное изображение с помощью анализа гистограммы [9]. Это позволяет различать дым, фон и пламя, делая цвет пламени близким к фактическому, при этом увеличивается точность обнаружения пожара. Если съемка производится на небольшой высоте, для сегментации пламени может быть использован алгоритм увеличения области [7]. Он использует информацию о цветовом распределении пламени, объединяя области с одинаковым цветовым тоном пикселей [3].

Весь текст будет доступен после покупки

1.1 Обзор существующих подходов к детекции пожаров в городской среде
Пожары считаются одним из крупнейших по охвату территорий, и, следовательно, по уровню наносимого ущерба, видов стихийных бедствий. В настоящее время используется большое количество средств мониторинга, предсказания и предотвращения пожаров. В соответствии со статьей 53.2 ЛК РФ [26] организована система наблюдения за лесными пожарами, использующая наземные, авиационные или космические средства. Каждый вид средств имеет свои особенности. Среди глобальных по охвату площади контролируемых территорий следует выделить спутниковый мониторинг пожарной обстановки [27], благодаря которому можно детектировать пожар, его координаты, площадь и скорость распространения.
Эффективность мер по ликвидации пожара зависит от трех факторов:
? оперативность обнаружения пожара;
? скорость реакции и доставки пожарной техники к месту пожара;
? согласованность и эффективность действий пожарных служб.
Городские пожары, как правило, обнаруживают либо по задымлению (спутниковые снимки, наземные наблюдения), либо при помощи ИК-датчиков, установленных на воздушных судах, которые совершают регулярные облеты потенциально опасных территорий. Практика показывает, что, несмотря на попытки внедрения систем обнаружения городских пожаров, при затратах значительных средств на решение этой задачи до настоящего времени проблема по большому счету остается нерешенной. В 2012 г., еще до прихода лета, на территории России зафиксированы десятки городских пожаров.
Применение алгоритма технологии компьютерного зрения в системе дистанционного мониторинга городских пожаров позволит в реальном времени в автоматическом режиме обнаруживать возгорания и предупреждать о них оператора.
Инструменты на основе искусственного интеллекта (ИИ) все чаще используются для прогнозирования поведения городских пожаров. Это позволяет пожарным службам лучше контролировать ситуацию и минимизировать потенциальный ущерб для окружающей среды и людей. Однако важно, чтобы подобные технологии не заменяли людей, а помогали им, настаивают специалисты.
Некоторые эксперты предполагают, что на фоне изменения климата и повышения средней мировой температуры частота и интенсивность городских пожаров будет расти. «Важно то, что увеличивается число неблагоприятных природных явлений, которые могут приводить к пожарам, — это и засухи, периоды с высокой температурой, сила ветра.
Раз выше риски, то растет и число пожаров», — цитирует РБК главного координатора проектов по лесам высокой природоохранной ценности WWF России Константина Кобякова.
В частности, они разработали инструмент под названием Suppression Difficulty Index (от англ. — «Индекс сложности тушения»). Он представляет собой интерактивную карту, на которой отображаются участки с повышенным и пониженным риском возгораний. Первые отмечены красным и оранжевым цветом, а вторые — синим. Для оценки сложности и объема работ, которые предстоит проделать в случае возгорания, используются такие данные, как типы растительного покрова, характеристики объектов на земной поверхности, ожидаемое поведение пожара во время сложных погодных условий и другие.
Еще один инструмент, который создали специалисты, — Atlas of Potential Control Locations (от англ. — «Карта потенциальных контрольных локаций»). Он работает на основе машинного обучения. Алгоритмы анализируют такие данные, как расстояние от пожара до дороги, особенности рельефа, наличие горючих материалов на земле, характеристики других пожаров на той же территории и другие. Затем они определяют места, где усилия по тушению пожаров окажутся эффективными, а где не стоит тратить на них ресурсы. «Все чаще мы видим регионы с большим количеством пожаров, и конкуренция за ресурсы для их тушения становится действительно экстремальной — просто не хватает людей, — говорит Брэд Петрушка, менеджер по пожарной безопасности в Сан-Хуане (национальный лес на западе американского штата Колорадо). — Нам нужно знать, как действовать в условиях ограниченных ресурсов, и эти инструменты обещают помочь».
При этом эксперты подчеркивают, что лучше всего подобные технологии работают в связке с людьми, которые владеют информацией о конкретной местности. Поэтому они рекомендуют пожарным службам и местным жителям перед началом пожарного сезона подготовить специальную карту и отметить на ней места, которые необходимо защитить от пожаров «любой ценой», а также те, которые могут столкнуться со стихией без ущерба для людей и природы.
С тем, что компьютерные системы работают не безупречно и должны дополнять, а не заменять людей, согласны и разработчики решения FireNet. Технологию, которая обнаруживает городские пожары при помощи ИИ, создала американская компания-разработчик программного обеспечения CrowdAI. Она была презентована в 2019 году. Как отмечает издание Vice, при создании FireNet специалисты вдохновлялись программами для анализа медицинских изображений, которые помогают врачам отличать здоровые ткани от нездоровых.
Систему обучали на кадрах видеозаписей городских пожаров, полученных с беспилотных летательных аппаратов. Дроны летают над лесными пожарами и записывают видео с высокой частотой кадров (до 20 в секунду). Алгоритмы обрабатывают записи в режиме реального времени и определяют места возгораний по местоположению беспилотника. Точность обнаружения пожаров составляет 92%.
Подобные инструменты разрабатываются и в других странах. Например, в 2019 году сотрудник Университета Хонгика в Южной Корее (Hongik University) Джэ Сын Ли вместе со своими студентами создал алгоритм, который может прогнозировать возникновение очагов возгорания и особенности поведения пожаров с точностью до 90%. В основе технологии лежат спутниковые изображения с высоким разрешением и алгоритмы машинного обучения Azure Machine Learning от компании Microsoft.
Создатели системы утверждают, что с ее помощью пожарные могут более рационально распределять ресурсы: перегруппировывать бригады, направлять их туда, где не хватает ресурсов. Это позволяет службам быстрее реагировать на вызовы и минимизировать возможный ущерб от возгораний. Джэ Сын Ли надеется, что этот инструмент также можно будет использовать и в других целях — например, для борьбы с преступностью.

Весь текст будет доступен после покупки

-

Весь текст будет доступен после покупки