Россия
с 01.01.2013 по настоящее время
Россия
Обнаружение пожара на ранних стадиях является важным фактором, способным обеспечить снижение ущерба экономике и экологии, а также уменьшения количества пострадавших. Несмотря на возрастающую популярность нейронных сетей как современного метода решения задач в сфере компьютерного зрения, в работах в данной предметной области часто возникают методологические проблемы, ведущие к снижению или полному обесцениванию практических результатов. Данное исследование посвящено поиску таких проблем среди имеющихся работ по обнаружению пожара. В первом разделе проведен контрастный анализ двух работ, в ходе которого были выделены 11 метакритериев для оценки качества исследований. Во втором разделе проведен обзор нескольких работ, посвященных обнаружению пожара в различных условиях, как «классическими» методами, так и с помощью сверточных нейронных сетей. Показана важность правильного выбора метрик, необходимость выбора модели как процесса, полноценного описания исходных данных.
компьютерное зрение, машинное обучение, искусственный интеллект, обнаружение объектов, нейронные сети, сверточные нейронные сети, каскадный детектор Хаара, раннее обнаружение пожара
1. РИА новости. В МЧС назвали число погибших при пожарах в 2024 году в России // РИА новости. 2024. URL: https://ria.ru/20250212/mchs-1998813971.html (дата обращения: 30.04.2025).
2. Федеральное агентство лесного хозяйства. Рослесхоз: в 2024 количество лесных пожаров сократилось в 1,5 раза в сравнении со среднепятилетними значениями // Федеральное агентство лесного хозяйства. 2024. URL: https://rosleshoz.gov.ru/news/federal/rosleskhoz-v-2024-kolichestvo-lesnykh-pozharov-sokratilos-v-1-5-raza-v-sravnenii-so-srednepyatiletnimi-znacheniyami-n11213/ (дата обращения: 30.04.2025).
3. Терра Тех. Жаркое лето 2022: лесные пожары Центрального федерального округа // Терра Тех. 2022. URL: https://geonovosti.terratech.ru/ecology/zharkoe-leto-2022-lesnye-pozhary-tsentralnogo-federalnogo-okruga/ (дата обращения: 30.04.2025).
4. Ершов Д.В., Сочилова Е.Н. Количественные оценки прямых пирогенных эмиссий углерода в лесах России по данным дистанционного мониторинга 2021 года // Вопросы лесной науки. 2022. Т. 5. № 4. С. 68–85. DOI:https://doi.org/10.31509/2658-607x-202254-117. EDN ZMZGMU.
5. Беломестных А., Малыхин А., Пешков А. Анализ пожарной опасности в жилом секторе Российской Федерации // Вестник Восточно-Сибирского института МВД России. 2009. № 4 (51). С. 71–79. EDN UGYWYX.
6. Kakde A., Arora N., Sharma D. Fire Detection System Using Artificial Intelligence Techniques // International Journal of Research in Engineering. 2018. Vol. 8. № 11. P. 1–5.
7. Abdurazak K.A., Duisek B.E. Overview and comparison of convolutional neural networks in fire detection // Научный аспект. 2023. Vol. 20. № 5. P. 2500–2505. EDN SZOJBK.
8. Gradient-based learning applied to document recognition / Yu. Lecun [et al.] // Proceedings of the IEEE. 1998. Vol. 86. № 11. P. 2278–2324. DOI:https://doi.org/10.1109/5.726791.
9. Government of Canada. Open Government Portal // Government of Canada. 2024. URL: https://open.canada.ca/en (дата обращения: 18.03.2025).
10. United States Geological Survey. United States Geological Survey // United States Geological Survey. 2024. URL: https://www.usgs.gov/ (дата обращения: 18.03.2025).
11. Wildfire Prediction Dataset (Satellite Images). 2024. URL: https://www.kaggle.com/datasets/abdelghaniaaba/wildfire-prediction-dataset (дата обращения: 18.03.2025).
12. Active fire detection in Landsat-8 imagery: A large-scale dataset and a deep-learning study / G. H. de Almeida Pereira [et al.] // ISPRS Journal of Photogrammetry and Remote Sensing. 2021. Vol. 178. P. 171–186. DOI:https://doi.org/10.1016/j.isprsjprs.2021.06.002.
13. Murphy J.H. An overview of convolutional neural network architectures for deep learning // Microway Inc. 2016.
14. Roy P., Kumar A. Convolutional Neural Network for Text: A Stepwise Working Guidance // SSRN Electronic Journal. 2021. DOI:https://doi.org/10.2139/ssrn.3973041.
15. Active fire detection using Landsat-8/OLI data / W. Schroeder [et al.] // Remote Sensing of Environment. 2016. Vol. 185. P. 210–220. DOI:https://doi.org/10.1016/j.rse.2015.08.032.
16. HOTMAP: Global hot target detection at moderate spatial resolution / S.W. Murphy [et al.] // Remote Sensing of Environment. 2016. Vol. 177. P. 78–88. DOI:https://doi.org/10.1016/j.rse.2016.02.027.
17. Kumar S.S., Roy D.P. Global operational land imager Landsat-8 reflectance-based active fire detection algorithm // International Journal of Digital Earth. 2018. Vol. 11. № 2. P. 154–178. DOI:https://doi.org/10.1080/17538947.2017.1391341.
18. Ronneberger O., Fischer P., Brox T. U-Net: Convolutional Networks for Biomedical Image Segmentation // Medical Image Computing and Computer-Assisted Intervention – MICCAI 2015. Cham: Springer International Publishing, 2015. P. 234–241. DOI:https://doi.org/10.1007/978-3-319-24574-4_28.
19. Hastie T., Tibshirani R., Friedman J. The Elements of Statistical Learning: Data Mining, Inference, and Prediction / 2nd ed. New York, NY, USA: Springer, 2009 (Springer Series in Statistics).
20. García S., Luengo J., Herrera F. Data Preprocessing in Data Mining. Vol. 72. New York, NY, USA: Springer, 2015 (Intelligent Systems Reference Library).
21. Saldiva de André C. D., Elian S.N. A Comparison of the Estimators of the Scale Parameter of the Errors Distribution in the L1 Regression // Open Journal of Statistics. 2022. Vol. 12. № 2. P. 261–276. DOI:https://doi.org/10.4236/ojs.2022.122018.
22. Xuan Truong T., Kim J.-M. Fire flame detection in video sequences using multi-stage pattern recognition techniques // Engineering Applications of Artificial Intelligence. 2012. Vol. 25. № 7. P. 1365–1372. DOI:https://doi.org/10.1016/j.engappai.2012.05.007.
23. Çelik T., Demirel H. Fire detection in video sequences using a generic color model // Fire Safety Journal. 2009. Vol. 44. № 2. P. 147–158. DOI:https://doi.org/10.1016/j.firesaf.2008.05.005.
24. Ko B.C., Cheong K.-H., Nam J.-Y. Fire detection based on vision sensor and support vector machines // Fire Safety Journal. 2009. Vol. 44. № 3. P. 322–329. DOI:https://doi.org/10.1016/j.firesaf.2008.07.006.
25. Computer vision based method for real-time fire and flame detection / B. Töreyin [et al.] // Pattern Recognition Letters. 2006. Vol. 27. P. 49–58. DOI:https://doi.org/10.1016/j.patrec.2005.06.015.
26. Borges P.A., Izquierdo E. Probabilistic Approach for Vision-Based Fire Detection in Videos // Circuits and Systems for Video Technology, IEEE Transactions on. 2010. Vol. 20. P. 721–731. DOI:https://doi.org/10.1109/TCSVT.2010.2045813.
27. Ramasubramanian S., Muthukumaraswamy S., Sasikala A. Fire Detection using Artificial Intelligence for Fire-Fighting Robots // 2020 4th International Conference on Intelligent Computing and Control Systems (ICICCS). United States: IEEE, 2020. P. 180–185. DOI:https://doi.org/10.1109/ICICCS48265.2020.9121017.
28. FireNET dataset. 2024. URL: https://github.com/OlafenwaMoses/FireNET/releases (дата обращения: 20.03.2025).
29. Wildfire Flame and Smoke Detection Using Static Image Features and Artificial Neural Network / F.M.A. Hossain [et al.] // 1st International Conference on Industrial Artificial Intelligence (IAI). 2019. P. 1–6. DOI:https://doi.org/10.1109/ICIAI.2019.8850811.
