Запис Детальніше

Зменшення кількості хибних викликів під час розв’язання задачі детектування полум’я у відеопотоці з використанням глибоких згорткових нейронних мереж

Електронний науковий архів Науково-технічної бібліотеки Національного університету "Львівська політехніка"

Переглянути архів Інформація
 
 
Поле Співвідношення
 
Title Зменшення кількості хибних викликів під час розв’язання задачі детектування полум’я у відеопотоці з використанням глибоких згорткових нейронних мереж
 
Creator Максимів, О.
Рак, Т.
Пелешко, Д.
 
Contributor Львівський державний університет безпеки життєдіяльності
Національний університет “Львівська політехніка”
 
Subject комп’ютерний зір
нейронні мережі
детектування полум’я
computer vision
neural networks
flame detection
004.048
004.855.5
004.896
004.931
 
Description Розроблено новий підхід до детектування полум’я на зображеннях, який
ґрунтується на використанні згорткових нейронних мереж. Запропоновано структуру
реалізації каскадного підходу до детектування вогню, яка забезпечує покращену
ефективність розпізнавання на зображеннях з низькою роздільною здатністю, та
об’єктів, які можуть візуально нагадувати полум’я. Проведено експерименти з
дослідження запропонованого методу порівняно з сучасним методом детектування
об’єктів Faster R-CNN. У результаті проведених експериментів було виявлено
покращення показника ефективності в середньому на 20%.
In this paper, we develop a new approach for detecting fire in images based on
convolutional neural networks. Cascade structure, which provides improved efficiency of
recognition in images with low resolution and objects that can visually resemble flames, was
proposed. We have performed an experimental comparison with the modern method of objects
detecting Faster R-CNN. As a result of the experiments, it was found that performance of fire
recognition improved on average by 20%.
 
Date 2018-05-04T13:01:00Z
2018-05-04T13:01:00Z
2017-03-28
2017-03-28
 
Type Article
 
Identifier Максимів О. Зменшення кількості хибних викликів під час розв’язання задачі детектування полум’я у відеопотоці з використанням глибоких згорткових нейронних мереж / О. Максимів, Т. Рак, Д. Пелешко // Вісник Національного університету «Львівська політехніка». Серія: Комп’ютерні науки та інформаційні технології. — Львів : Видавництво Львівської політехніки, 2017. — № 864. — С. 268–276.
http://ena.lp.edu.ua:8080/handle/ntb/41027
Maksymiv O. Zmenshennia kilkosti khybnykh vyklykiv pid chas rozviazannia zadachi detektuvannia polumia u videopototsi z vykorystanniam hlybokykh zghortkovykh neironnykh merezh / O. Maksymiv, T. Rak, D. Peleshko // Visnyk Natsionalnoho universytetu "Lvivska politekhnika". Serie: Kompiuterni nauky ta informatsiini tekhnolohii. — Lviv : Vydavnytstvo Lvivskoi politekhniky, 2017. — No 864. — P. 268–276.
 
Language uk
 
Relation Вісник Національного університету «Львівська політехніка». Серія: Комп’ютерні науки та інформаційні технології, 864, 2017
1. Che-Bin L. Vision based fire detection / L. Che-Bin, N. Ahuja,. // Pattern Recognition, 2004. ICPR 2004. Proceedings of the 17th International Conference on. – 2004. – № 4. – P. 134–137.
2. Qi X. A Computer Vision-Based Method for Fire Detection in Color Videos / X. Qi, J. Ebert. // International journal of imaging. – 2009. – №9. – P. 22–34.
3. Celik T. Fire and smoke detection without sensors: image processing based approach / T. Celik, H. Ozkaramanli, H. Demirel. // 15th European Signal processing conference. – 2007. – P. 1794–1798
4. Celik T. Fast and efficient method for fire detection using image processing / T. Celik. // ETRI journal. – 2010. – №6. – P. 881–890.
5. Gomes P. A Vision-based Approach to Fire detection / P. Gomes, P. Santana, J. Barata. // International Journal of Advanced Robotic Systems. – 2014.
6. Horn B. K. P., Schunck B. G. Determining optical flow //Artificial intelligence. – 1981. – Т. 17. – №. 1–3. – P. 185-203.
7. Zhan C. et al. An improved moving object detection algorithm based on frame difference and edge detection // Image and Graphics, 2007. ICIG 2007. Fourth International Conference on. – IEEE, 2007. – P. 519–523.
8. Russakovsky O. et al. Imagenet large scale visual recognition challenge //International Journal of Computer Vision. – 2015. – Т. 115. – №. 3. – P. 211–252.
9. Deep Convolutional Neural Networks for Forest Fire Detection / Z. Qingjie, X. Jiaolong, X. Liang, G. Haifeng. // International Forum on Management, Education and Information Technology Application. – 2016. – P. 568–575.
10. Caixia C. One Fire Detection Method Using Neural Networks / C. Caixia, S. Fuchun, Z. Xinquan. // Tsinghua science and technology. – 2011. – №16. – P. 31–35.
11. Banghua Y. et al. Recognition of fire detection based on neural network //Life System Modeling and Intelligent Computing. – Springer Berlin Heidelberg, 2010. – P. 250–258.
12. K. Simonyan and A. Zisserman. Very deep convolutional networks for large-scale image recognition. In ICLR, 2015.
13. Ren S. et al. Faster r-cnn: Towards real-time object detection with region proposal networks // Advances in neural information processing systems. – 2015. – P. 91–99.
14. Yang B. et al. Craft objects from images //Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. – 2016. – P. 6043–6051.
15. Maksymiv O., Rak T., Menshikova O. Deep convolutional network for detecting probable emergency situations // Data Stream Mining & Processing (DSMP), IEEE First International Conference on. – IEEE, 2016. – P. 199–202.
16. Zeng X. et al. Gated bi-directional cnn for object detection //European Conference on Computer Vision. – Springer International Publishing, 2016. – P. 354–369.
1. Che-Bin L. Vision based fire detection, L. Che-Bin, N. Ahuja,., Pattern Recognition, 2004. ICPR 2004. Proceedings of the 17th International Conference on, 2004, No 4, P. 134–137.
2. Qi X. A Computer Vision-Based Method for Fire Detection in Color Videos, X. Qi, J. Ebert., International journal of imaging, 2009, No 9, P. 22–34.
3. Celik T. Fire and smoke detection without sensors: image processing based approach, T. Celik, H. Ozkaramanli, H. Demirel., 15th European Signal processing conference, 2007, P. 1794–1798
4. Celik T. Fast and efficient method for fire detection using image processing, T. Celik., ETRI journal, 2010, No 6, P. 881–890.
5. Gomes P. A Vision-based Approach to Fire detection, P. Gomes, P. Santana, J. Barata., International Journal of Advanced Robotic Systems, 2014.
6. Horn B. K. P., Schunck B. G. Determining optical flow //Artificial intelligence, 1981, V. 17, №. 1–3, P. 185-203.
7. Zhan C. et al. An improved moving object detection algorithm based on frame difference and edge detection, Image and Graphics, 2007. ICIG 2007. Fourth International Conference on, IEEE, 2007, P. 519–523.
8. Russakovsky O. et al. Imagenet large scale visual recognition challenge //International Journal of Computer Vision, 2015, V. 115, №. 3, P. 211–252.
9. Deep Convolutional Neural Networks for Forest Fire Detection, Z. Qingjie, X. Jiaolong, X. Liang, G. Haifeng., International Forum on Management, Education and Information Technology Application, 2016, P. 568–575.
10. Caixia C. One Fire Detection Method Using Neural Networks, C. Caixia, S. Fuchun, Z. Xinquan., Tsinghua science and technology, 2011, No 16, P. 31–35.
11. Banghua Y. et al. Recognition of fire detection based on neural network //Life System Modeling and Intelligent Computing, Springer Berlin Heidelberg, 2010, P. 250–258.
12. K. Simonyan and A. Zisserman. Very deep convolutional networks for large-scale image recognition. In ICLR, 2015.
13. Ren S. et al. Faster r-cnn: Towards real-time object detection with region proposal networks, Advances in neural information processing systems, 2015, P. 91–99.
14. Yang B. et al. Craft objects from images //Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 2016, P. 6043–6051.
15. Maksymiv O., Rak T., Menshikova O. Deep convolutional network for detecting probable emergency situations, Data Stream Mining & Processing (DSMP), IEEE First International Conference on, IEEE, 2016, P. 199–202.
16. Zeng X. et al. Gated bi-directional cnn for object detection //European Conference on Computer Vision, Springer International Publishing, 2016, P. 354–369.
 
Rights © Національний університет “Львівська політехніка”, 2017
© Максимів О., Рак Т., Пелешко Д., 2017
 
Format 268-276
9
application/pdf
image/png
 
Coverage Львів
 
Publisher Видавництво Львівської політехніки