Применение колориметрии в нейросетевых методах определения возгорания в лесных массивах

В настоящее время для мониторинга возгорания в лесных массивах нашли применение нейросетевые методы определения возгорания. Разработаны такие системы, как проект «Прометей», «Видеодетектор огня», метод университета искусственного интеллекта [1–4]. Данные методы позволяют определить возгорание с точностью более 90 %, для чего используют комбинацию рекуррентных и сверточных нейронных сетей. Согласно [2; 3], время, необходимое для определения возгорания, составляет от 5 до 20 с для камеры системы видеонаблюдения. Данная скорость определения возгорания является довольно большой при условии использования 1 камеры системы видеонаблюдения, так при увеличении количества камер систем видеонаблюдения пропорционально растет и время поиска возгорания, так, для определения возгорания с двух камер с использованием нейросетевого метода необходимо подавать на нейронную сеть два видеопотока. Подачу видеопотока можно осуществлять двумя способами:

• 1)    разграничивая видеопоток во времени, т. е. каждые 5–20 с подавать на нейронную сеть видеопоток с разных камер систем видеонаблюдения, поочередно чередуя их;

• 2)    уменьшая разрешения каждого видеопотока и обрабатывая данные видеопотоки как 1.

Из этого видно, что при сохранении одних и тех же вычислительных мощностей увеличение числа камер видеонаблюдения негативно сказывается на эффективности поиска возгорания: при двух камерах с использованием первого метода требуемое время для обнаружения минимально увеличивается с 5 до 10 с, а при втором способе ухудшается разрешение обрабатываемого видео, что может снизить вероятность обнаружения возгорания. Для избегания данной проблемы предлагается использовать дополнительный модуль для отслеживания изменения характеристик цветов, получаемых с камер системы видеонаблюдения.

1.    Исследование изменения цветности для стационарной камеры системы видеонаблюдения

Для исследования динамики изменения пропорционального количества цветов для стационарных камер системы видеонаблюдения тестировались ряд видеозаписей лесных массивов и отслеживалась динамика наличия «огненных» цветов с промежутком раз в 1 с (рис. 1).

Из приведенных графиков видно, что различие в количестве «огненных» цветов между кадрами составляет менее 10 %.

Из данного примера следует, что в течении суток изменения цветности для стационарных камер в течение даже 60 с являются минимальными, при этом в случае появления признаков первичного возгорания, а именно резкого увеличения «огненных» и/или «дымовых» цветов, видеопоток

Физика волновых процессов и радиотехнические системы. 2022. Т. 25, № 3. С. 82–85

Physics of Wave Processes and Radio Systems, 2022, vol. 25, no. 3, pp. 82–85

Рис. 1. Относительная динамика изменения «огненных» цветов в лесном массиве

Fig. 1. Relative dynamics of changes in «fiery» colors in the forest

Рис. 2. Алгоритм колориметрического модуля

Fig. 2. Algorithm ofthe colorimetric module

Кузьменко А.А. Применение колориметрии в нейросетевых методах ...

Рис. 3. Используемая для проверки эффективности работы модуля нейронная сеть

Fig. 3. Neural network used to test the efficiency of the module

Таблица. Результаты сравнения работы программы с использованием чистой сверточной нейронной сети и с использованием колориметрического модуля и сверточной нейронной сети

Table. The results of comparing the program operation using a pure convolutional neural network and using a colorimetric module and a convolutional neural network

Тип опыта По прошествии 10 с По прошествии 20 с Без колориметрического модуля 8 15 С колориметрическим модулем (увеличение «огненных» цветов 5 %) 10 18 с данной камеры системы видеонаблюдения можно отдать для обработки нейросетевым методом, который в течении 5–20 с обработает видеопоток только с той камеры, на которой было замечено резкое увеличение количества «огненных» и «дымовых» цветов.

2. Исследование влияния на производительность колориметрического модуля

Использование колориметрического модуля позволяет обрабатывать значительно большее количество видеопотоков и при этом за меньшее количество времени, т. к. на обработку отправляется только изображение с одной камеры. Алгоритм работы колориметрического модуля представлен на рис. 2.

Для подтверждения эффективности работы модуля использовалась программа со сверточной нейронной сетью, архитектура которой представлена на рис. 3.

Программа запускалась на 10 и 20 с, по прошествии которых подсчитывалось количество решений. Полученные данные представлены в таблице.

Для моделирования использовалась библиотека Keras в языке Python, между каждым циклом проверок выполнялась искусственная задержка в 1 с.

Из приведенных результатов видно, что количество выполняемых проверок за 10 с увеличилось на 25 %, а при 20 с – на 20 %, т. к. нейронная сеть вызывалась нечасто. Более сильный разрыв в результатах будет наблюдаться при применении более мощных нейросетевых методов поиска возгорания, которые используют и рекуррентные нейронные сети (сети с памятью).

Заключение

В заключении можно сделать следующие выводы.

• 1.    Для стационарных камер систем мониторинга за состоянием леса изменение цветности между кадрами составляет менее 10 %.

• 2.    Использование колориметрического модуля позволяет значительно повысить эффективность работы нейросетевых методов при работе с несколькими камерами.

• 3.    Предлагаемый метод можно отнести к компьютерной колориметрии.

Физика волновых процессов и радиотехнические системы. 2022. Т. 25, № 3. С. 82–85

Physics of Wave Processes and Radio Systems, 2022, vol. 25, no. 3, pp. 82–85