Филист Сергей Алексеевич, д-р технических наук, проф. каф. биомедицинской инженерии
ул. 50 лет Октября 94, г. Курск 305040
Sergey A. Filist, Dr. of Sci. (Engineering), Professor of the Department of Biomedical Engineering
50 Let Oktyabrya str. 94, Kursk 305040
Шевцов Максим Викторович, аспирант
ул. Бориса Галушкина 4, г. Москва 129366
Maxim V. Shevtsov, Post-Graduate Student
4 Boris Galushkin str., Moscow 129366
Белозеров Владимир Анатольевич, канд. медицинских наук, вед. специалист
ул. Сумская 45а, г. Курск 305007
Vladimir A. Belozerov, Cand. of Sci. (Medical), Leading Specialist
45a Sumskaya str., Kursk 305007
Кондрашов Дмитрий Сергеевич, аспирант
ул. 50 лет Октября 94, г. Курск 305040
Dmitry S. Kondrashov, Post-Graduate Student
50 Let Oktyabrya str. 94, Kursk 305040
Горбачев Игорь Николаевич, аспирант
ул. 50 лет Октября 94, г. Курск 305040
Igor N. Gorbachev, Post-Graduate Student
50 Let Oktyabrya str. 94, Kursk 305040
Корсунский Никита Александрович, аспирант
ул. 50 лет Октября 94, г. Курск 305040
Nikita A. Korsunsky, Post-Graduate Student
50 Let Oktyabrya str. 94, Kursk 305040
Цель исследования - разработка автоматизированной системы мониторинга пожарной обстановки на основе анализа информации полученных с RGB-камер, установленных на борту дронов, посредством автономных интеллектуальных агентов (АИА) и моделей машинного обучения.
Методы. Метод классификации аэроснимков видеоряда при мониторинге пожарной обстановки в автономной территориальной единице предполагает их сегментацию на одинаковые прямоугольные сегменты заданного размера и отнесение их к одному из трех классов: дым, пламя, индифферентный класс. Для классификации сегментов используются «сильные» и «слабые» классификаторы. Для формирования дескрипторов для «слабых» классификаторов использовалось преобразование Уолша-Адамара. Дескрипторы вычисляются для трех «слабых» классификаторов. Сначала вычисляется преобразование Уолша-Адамара для окна всего сегмента, его спектральные коэффициенты используются для первого «слабого» классификатора. Затем вычисляются дескрипторы по двум окнам, размеры которых в два и в четыре раза меньше размеров исходного окна.
Результаты. Своевременное обнаружение очага пожара в стадии его развития позволяет снизить как материальные, так и людские потери. Поэтому разработка моделей, методов и алгоритмов управления системой мониторинга пожарной и медико-экологической безопасности, обеспечивающих повышение его эффективности за счет анализа видеоданных с беспилотных летательных аппаратов, является актуальной задачей. Классификатор состоит из трех независимо обучаемых нейронных сетей - «слабых» классификаторов. Для объединения выходов нейронных сетей используется простой блок усреднения по ансамблю. Разработано программное обеспечение для классификации аэроснимков, позволяющее формировать базу данных сегментов классов «дым» и «пламя», определять двумерный спектр Уолша-Адамара сегментов аэроснимков, обучать полносвязные нейронные сети и проводить разведочный анализ по исследованию релевантности двумерных спектральных коэффициентов.
Вывод. Экспериментальные исследования по классификации видеоданных, содержащих пламя и дым, показали среднее значение точности обнаружения дыма 86 %, а пламени - 89,5 %. Ошибки второго рода при обнаружении дыма в среднем составили 13 %, а при обнаружении пламени - 4,5%. Для настройки и валидизации классификаторов использовались реальные данные с камер видеонаблюдения на открытых пространствах.
The purpose of research is timely detection of a fire center in the stage of its development can reduce both material and human losses. Therefore, the development of models, methods and algorithms for managing the monitoring system of fire and medical and environmental safety, ensuring an increase in its efficiency through the analysis of video data from unmanned aerial vehicles, is an urgent task.
Methods. The method of classifying aerial photographs of a video sequence when monitoring a fire situation in an autonomous territorial unit assumes their segmentation into identical rectangular segments of a given size and assigning them to one of three classes: smoke, flame, indifferent class. The “strong" and “weak" classifiers are used to classify the segments. The Walsh-Hadamard transform was used to form descriptors for "weak" classifiers. Descriptors are calculated for three "weak" classifiers. First, the Walsh-Hadamard transform is calculated for the window of the entire segment and its spectral coefficients are used for the first "weak" classifier. Then descriptors are calculated for two windows, the sizes of which are two and four times smaller than the sizes of the original window.
Results. Timely detection of a fire in the stage of its development can reduce both material and human losses. Therefore, the development of models, methods and algorithms for managing the fire and medical-environmental safety monitoring system, providing an increase in its efficiency through the analysis of video data from unmanned aerial vehicles, is an urgent task. The classifier consists of three independently trained neural networks - "weak" classifiers. To combine the outputs of neural networks, a simple ensemble averaging block is used. Software for classifying aerial images has been developed, which makes it possible to form a database of segments of "smoke" and "flame" classes, determine the twodimensional Walsh-Hadamard spectrum of aerial image segments, train fully connected neural networks and conduct exploratory analysis to study the relevance of two-dimensional spectral coefficients.
Conclusion. When conducting experimental studies on video sequences containing flame and smoke, the average value of smoke detection accuracy was 86%, flame - 89.5%. False positives for smoke detection averaged 13% and for flame detection 4.5%. To configure and validate the classifiers, we used real data from CCTV cameras in open spaces
The authors declare that there are no conflicts of interest present.