Модель распознавания дыма на открытой местности с использованием сверточной и рекуррентной нейронной сети

Своевременное обнаружение источника возгорания является важным вопросом защиты людей, животных и обширных территорий от пожаров. Актуальность исследования обусловлена тем, что существующие системы визуального обнаружения дыма имеют ряд недостатков, которые не позволяют эффективно применять их на практике. Система наблюдения должна полагаться на визуальные характеристики, и часто ошибочно определяет туман и облака как дым. Целью исследования является повышение эффективности обнаружения дыма за счет использования усовершенствованной модели детектора дыма на основе нейронной сети «You-Only-Look-Once» и классификатора с долговременной кратковременной памятью (LSTM). Основными задачами исследования являются: структурное описание предлагаемой модели обнаружения дыма, математическое описание обучаемой модели и проведение сравнительного анализа с существующими моделями нейронных сетей. Путем изменения структуры LSTM достигается уменьшение количества слоев и ячеек, сохраняется производительность исходной LSTM. Предложенный метод обеспечивает уменьшение количества параметров в несколько раз и более быстрое время обработки на используемом наборе данных. В статье приводятся результаты производительности систем искусственного интеллекта для сравнительного анализа кандидатов нейронных сетей в модель распознавания дыма.

1. Балонин Н.А., Сергеев М.Б. Беспроводные персональные сети. Санкт-Петербург: ГУАП; 2012. 60 с.

2. Заяц А.М., Логачев А.А. Информационная система мониторинга лесов и лесных пожаров с использованием беспроводных сенсорных сетей. Известия Санкт-Петербургского государственного лесотехнического университета им. С.М. Кирова. 2016;3:241–254.

3. Пятибратов А.П. Вычислительные машины, сети и телекоммуникационные системы. 2-е изд., перераб. и доп. М.: Финансы и статистика; 2004. 508 с.

4. Ходаков В.Е., Жарикова М.В. Лесные пожары: методы исследования. Херсон: ЧП Гринь Д.С.; 2011. 470 с.

5. Cao Y., Yang F., Tang Q., Lu X. An Attention Enhanced Bidirectional LSTM for Early Forest Fire Smoke Recognition. IEEE Access. 2019;7:154732–154742. DOI: 10.1109.

6. Cetin A.E., Dimitropoulos K., Gouverneur B., Grammalidis N., Günay O., Habiboglu Y.H., Töreyind B.U., Verstockt S. Video fire detection – review. Digital Signal Processing. 2013;23(6):1827–1843. DOI: 10.1016.

7. Chen Y., Zhang Y., Xin J., Wang G., Mu L., Yi Y., Liu H., Liu D. UAV Image-based Forest Fire Detection Approach Using Convolutional Neural Network. In Proceedings of the 14th IEEE Conference on Industrial Electronics and Applications. 2019:2118–2123. DOI: 10.1109/ICIEA.2019.8833958.

8. Jiao Z. A Deep Learning Based Forest Fire Detection Approach Using UAV and YOLOv3. 1st International Conference on Industrial Artificial Intelligence (IAI). 2019:1–5. DOI: 10.1109/ICIAI.2019.8850815.

9. Hinton, G., Vinyals, O., Dean, J. Distilling the Knowledge in a Neural Network. ArXiv. 2015:1503.02531.

10. Gotthans J., Gotthans T., Marsalek R. Deep convolutional neural network for fire detection. 30th International Conference Radioelektronika (RADIOELEKTRONIKA). 2020;1:1–6. DOI: 10.1109/RADIOELEKTRONIKA49387.2020.9092344.

11. Wu S., Zhang L. Using Popular Object Detection Methods for Real Time Forest Fire Detection. 11th International Symposium on Computational Intelligence and Design (ISCID). 2018;4:280–284.DOI: 10.1109/ISCID.2018.00070.