Экспериментальное исследование порогового метода HSV и нейронной сети U-Net в задаче распознавания пожаров
Main Article Content
Аннотация
Проведен сравнительный анализ методов сегментации изображений пожара с использованием пороговой обработки в цветовом пространстве HSV и нейронной сети U-Net. Цель исследования заключалась в оценке эффективности этих подходов по времени выполнения и точности детекции огня на основе метрик RMSE, IoU, Dice и MAPE. Эксперименты были проведены на четырех различных изображениях пожара с вручную подготовленными истинными масками пожаров. Результаты показали, что метод HSV обеспечивает высокую скорость обработки (0.0010–0.0020 с), но склонен к детекции не только огня, но и дыма, что снижает его точность (IoU 0.0863–0.3357, Dice 0.1588–0.5026). Нейронная сеть U-Net демонстрирует более высокую точность сегментации огня (IoU – до 0.6015, Dice – до 0.7512) за счет избирательного выделения пламени, однако требует значительно большего времени (1.2477–1.3733 с) и может недооценивать общую площадь пожара (MAPE – до 78.5840%). Визуальная оценка подтвердила различия в поведении методов: HSV захватывает дым как часть целевой области, тогда как U-Net фокусируется исключительно на огне. Выбор между методами зависит от приоритетов задачи: скорости или точности. Предложены направления дальнейших исследований, включая оптимизацию U-Net и разработку гибридных подходов.
Ключевые слова:
Article Details
Библиографические ссылки
Pratomo A.H., Kaswidjanti W., Nugroho A.S., Saifullah S. Parking detection system using background subtraction and hsv color segmentation // Bulletin of Electrical Engineering and Informatics. 2021. Vol. 10, No. 6. P. 3211–3219.
https://doi.org/10.11591/eei.v10i6.3251
Wang Y., Han Q., Li Y., Li Y. Video smoke detection based on multi-feature fusion and modified random forest // Engineering Letters. 2021. Vol. 29, No. 3. P. 1115–1122.
Kokovkina V.A., Antipov V.A. Adaptivnaya segmentatsiya simvolov na avtomobil'nykh nomerakh // DSPA: Voprosy primeneniya tsifrovoy obrabotki signalov. 2016. T. 6, № 3. S. 663–666.
Li Y., Ge M., Zhang S., Wang K. Adaptive Segmentation Algorithm for Subtle Defect Images on the Surface of Magnetic Ring Using 2D-Gabor Filter Bank // Sensors. 2024. Vol. 24, No. 3. https://doi.org/10.3390/s24031031
Zhuykova Ye.G. Sravnitel'nyy analiz adaptivnogo metoda k-srednikh i porogovoy klasterizatsii // Perspektivy nauki. 2024. Т. 6(177). S. 92–98.
Rezki M., Nurdiani S., Safitri R.A., Ihsan M.I.R. Iqbal M. Segmentasi Api dan Asap Pada Kebakaran Dengan Metode K-Means Clustering // Computer Science (CO-SCIENCE). 2022. Vol. 2, No. 1. P. 26–32. https://doi.org/10.31294/coscience.v2i1.849
Zimichev Ye.A., Kazanskiy N.L., Serafimovich P.G. Prostranstvennaya klassifikatsiya giperspektral'nykh izobrazheniy s ispol'zovaniyem metoda kla-sterizatsii k-means++// Komp'yuternaya optika. 2014. Т. 38, № 2. S. 281–286. https://doi.org/10.18287/0134-2452-2014-38-2-281-286
Pereyra M., McLaughlin S. Fast Unsupervised Bayesian Image Segmentation with Adaptive Spatial Regularisation // IEEE Transactions on Image Processing. 2017. Vol. 26, No. 6. P. 2577–2587. https://doi.org/10.1109/TIP.2017.2675165
Singh K.R., Neethu K.P., Madhurekaa K., Harita A., Mohan P. Parallel SVM model for forest fire prediction // Soft Computing Letters. 2021. Vol. 3. 100014.
https://doi.org/10.1016/j.socl.2021.100014
Xiong D., Yan L. Early smoke detection of forest fires based on SVM image segmentation //Journal of Forest Science. 2019. Vol. 65, No. 4. P. 150–159. https://doi.org/10.17221/82/2018-JFS
Demin N.S., Il'yasova N.Yu., Paringer R.A., Kirsh D.V. Primeneniye iskusstvennogo intellekta v oftal'mologii na primere resheniya zadachi se-manticheskoy segmentatsii izobrazheniya glaznogo dna // Komp'yuternaya optika. 2023. Т. 47, № 5. S. 824–831. https://doi.org/10.18287/2412-6179-CO-1283
Gavrilov D.A. Issledovaniye primenimosti svertochnoy neyronnoy seti U-Net k zadache segmentatsii izobrazheniy aviatsionnoy tekhniki // Komp'yuternaya optika. 2021. Т. 45, № 4. S. 575–579. https://doi.org/10.18287/2412-6179-CO-804
Mseddi W.S., Ghali R., Jmal M., Attia R. Fire Detection and Segmentation using YOLOv5 and U-NET // In European Signal Processing Conference (Vol. 2021-August, pp. 741–745). European Signal Processing Conference, EUSIPCO. 2021. https://doi.org/10.23919/EUSIPCO54536.2021.9616026
Bochkov V.S., Katayeva L.Yu., Maslennikov D.A., Kasparov I.V. Primeneniye arkhitektury glubokogo obucheniya U-Net dlya resheniya zadachi vydeleniya vysokotemperaturnykh zon pozhara na video // Trudy NGTU im. R.Ye. Alekseyeva. 2019. Т. 3 (126). S. 9–16. https://doi.org/10.46960/1816-210X_2019_3_9
Bochkov V.S., Katayeva L.Yu., Maslennikov D.A. Tochnaya mnogoklasso-vaya segmentatsiya pozharov: podkhody, neyronnyye seti, skhemy segmentatsii // Iskusstvennyy intellekt i prinyatiye resheniy. 2024. Т. 3. S. 71–86. https://doi.org/10.14357/20718594240306
Barmpoutis P., Stathaki T., Dimitropoulos K., Grammalidis N. Early fire detection based on aerial 360-degree sensors, deep convolution neural networks and exploitation of fire dynamic textures // Remote Sensing, 2020. Vol. 12 (19). P. 1–17. https://doi.org/10.3390/rs12193177
Panina V.S., Amelichev G.E. Primeneniye svertochnykh neyronnykh setey Mask R-CNN v intellektual'nykh parkovochnykh sistemakh // E-Scio. 2022. Т. 6(69). S. 425–432.
Begum S.R., S Y.D., M S.V.M. Mask R-CNN for fire detection // International Research Journal of Computer Science. 2021. Vol. 8, No. 7. P. 145–151. https://doi.org/10.26562/irjcs.2021.v0807.003
Zhou Y.C., Hu Z.Z., Yan K.X., Lin J.R. Deep Learning-Based Instance Segmentation for Indoor Fire Load Recognition // IEEE Access. 2021. Vol. 9. P. 148771–148782. https://doi.org/10.1109/ACCESS.2021.3124831
Tsalera E., Papadakis A., Voyiatzis I., Samarakou M. CNN-based, contextualized, real-time fire detection in computational resource-constrained environments // Energy Reports. 2023. Vol. 9. P. 247–257. https://doi.org/10.1016/j.egyr.2023.05.260
Nguyen T.H., Nguyen T.N., Ngo B.V. A VGG-19 Model with Transfer Learning and Image Segmentation for Classification of Tomato Leaf Disease // AgriEngineering. 2022. Vol. 4, No. 4. P. 871–887. https://doi.org/10.3390/agriengineering4040056
Almeida J.S., Huang C., Nogueira F.G., Bhatia S., De Albuquerque V.H.C. EdgeFireSmoke: A Novel Lightweight CNN Model for Real-Time Video Fire-Smoke Detection // IEEE Transactions on Industrial Informatics. 2022. Vol. 18, No. 11. P. 7889–7898. https://doi.org/10.1109/TII.2021.3138752
Jeong S.W., Yoo J. I-firenet: A lightweight CNN to increase generalization performance for real-time detection of forest fire in edge AI environments // Journal of Institute of Control, Robotics and Systems. 2020. Vol. 26, No. 9. P. 802–810. https://doi.org/10.5302/J.ICROS.2020.20.0033
Nadeem M., Dilshad N., Alghamdi N.S., Dang L.M., Song H.K., Nam J., Moon H. Visual Intelligence in Smart Cities: A Lightweight Deep Learning Model for Fire Detection in an IoT Environment // Smart Cities. 2023. Vol. 6, No. 5. P. 2245–2259. https://doi.org/10.3390/smartcities6050103
Ryu J., Kwak D. Flame detection using appearance‐based pre‐processing and convolutional neural network // Applied Sciences (Switzerland). 2021. Vol. 11, No. 11. https://doi.org/10.3390/app11115138
Roh J.-H., Min S.-H., Kong M. Flame Segmentation Characteristics of YCbCr Color Model Using Object Detection Technique // Fire Science and Engineering. 2023. Vol. 37, No. 6. P. 54–61. https://doi.org/10.7731/kifse.7c1d5c35
Wang X., Li M., Gao M., Liu Q., Li Z., Kou L. Early smoke and flame detection based on transformer // Journal of Safety Science and Resilience. 2023. Vol. 4, No. 3. P. 294–304. https://doi.org/10.1016/j.jnlssr.2023.06.002
Bobyr M., Arkhipov A., Emelyanov S., Milostnaya N. A method for creating a depth map based on a three-level fuzzy model // Engineering Applications of Artificial Intelligence. 2023. Vol. 117. https://doi.org/10.1016/j.engappai.2022.105629
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
Представляя статьи для публикации в журнале «Электронные библиотеки», авторы автоматически дают согласие предоставить ограниченную лицензию на использование материалов Казанскому (Приволжскому) федеральному университету (КФУ) (разумеется, лишь в том случае, если статья будет принята к публикации). Это означает, что КФУ имеет право опубликовать статью в ближайшем выпуске журнала (на веб-сайте или в печатной форме), а также переиздавать эту статью на архивных компакт-дисках журнала или включить в ту или иную информационную систему или базу данных, производимую КФУ.
Все авторские материалы размещены в журнале «Электронные библиотеки» с ведома авторов. В случае, если у кого-либо из авторов есть возражения против публикации его материалов на данном сайте, материал может быть снят при условии уведомления редакции журнала в письменной форме.
Документы, изданные в журнале «Электронные библиотеки», защищены законодательством об авторских правах, и все авторские права сохраняются за авторами. Авторы самостоятельно следят за соблюдением своих прав на воспроизводство или перевод их работ, опубликованных в журнале. Если материал, опубликованный в журнале «Электронные библиотеки», с разрешения автора переиздается другим издателем или переводится на другой язык, то ссылка на оригинальную публикацию обязательна.
Передавая статьи для опубликования в журнале «Электронные библиотеки», авторы должны принимать в расчет, что публикации в интернете, с одной стороны, предоставляют уникальные возможности доступа к их материалам, но, с другой, являются новой формой обмена информацией в глобальном информационном обществе, где авторы и издатели пока не всегда обеспечены защитой от неправомочного копирования или иного использования материалов, защищенных авторским правом.
При использовании материалов из журнала обязательна ссылка на URL: http://rdl-journal.ru. Любые изменения, дополнения или редактирования авторского текста недопустимы. Копирование отдельных фрагментов статей из журнала разрешается для научных исследований, персонального использования, коммерческого использования до тех пор, пока есть ссылка на оригинальную статью.
Запросы на право переиздания или использования любых материалов, опубликованных в журнале «Электронные библиотеки», следует направлять главному редактору Елизарову А.М. по адресу: amelizarov@gmail.com
Издатели журнала «Электронные библиотеки» не несут ответственности за точки зрения, излагаемые в публикуемых авторских статьях.
Предлагаем авторам статей загрузить с этой страницы, подписать и выслать в адрес издателя журнала по электронной почте скан Авторского договора о передаче неисключительных прав на использование произведения.