Analysis of the possibility of increasing the level of reliability of Fire Alarms Systems through integration with Video-Based Flame Detection System

• Autorzy: Mazur Michał , Wiśnios Michał , Paś Jacek

Identyfikatory

DOI

10.5604/01.3001.0054.6486

Warianty tytułu

PL

Analiza możliwości zwiększenia poziomu niezawodności Systemów Sygnalizacji Pożaru poprzez integracje z Systemem Wizyjnej Detekcji Płomienia

• Języki publikacji: EN PL

Abstrakty

EN

Classic Fire Alarm Systems (FAS) are characterized by a high level of false alarms in relation to the number of confirmed reports. To increase the level of reliability of operation of this type of system, it was proposed to integrate it with a Video-Based Flame Detection System (VBFDS). For this purpose, a video-based fire detection algorithm was designed. In addition, methods popular in the literature for increasing the reliability of such systems, such as color filtering, the Tracking Growth Object (TGO) factor, and the use of the Naive-Bayes (NB) classifier, were tested. The purpose of the article is to analyze these methods in comparison with the basic version of the algorithm, as well as the possibility of integrating Video-Based Flame Detection System (VBFDS) with classic FAS.

PL

Klasyczne Systemy Sygnalizacji Pożaru (SSP) charakteryzują się wysokim poziomem fałszywych alarmów w stosunku do liczby potwierdzonych zgłoszeń. Aby zwiększyć poziom niezawodności działania tego typu systemów, zaproponowano jego integrację z Systemem Wizyjnej Detekcji Płomienia (SWDP). W tym celu zaprojektowany został algorytm wizyjnej detekcji pożaru. Dodatkowo przetestowane zostały popularne w literaturze metody zwiększenia niezawodności tego typu systemów, takie jak filtracja kolorów, współczynnik TGO (ang. Tracking Growth Object) oraz zastosowanie klasyfikatora NB (ang. Naive-Bayes). Celem artykułu jest analiza tych metod w porównaniu z podstawową wersją algorytmu oraz możliwość integracji SWDP z klasycznymi SSP.

Słowa kluczowe

EN

fire alarm system; neural network; video-based flame detection

PL

system sygnalizacji pożaru; sieć neuronowa; wizyjna detekcja płomienia

• Wydawca: Wydawnictwo Instytutu Technicznego Wojsk Lotniczych
• Czasopismo: Journal of KONBiN
• Rocznik: 2024
• Tom: Vol. 54, iss. 2
• Strony: 71--91
• Opis fizyczny: Bibliogr. 21 poz.,rys., tab.

Twórcy

autor

Mazur Michał

• Military University of Technology (Wojskowa Akademia Techniczna)

• https://orcid.org/0000-0003-2208-3057

autor

Wiśnios Michał

• Military University of Technology (Wojskowa Akademia Techniczna)

• https://orcid.org/0000-0003-4642-9585

autor

Paś Jacek

• Military University of Technology (Wojskowa Akademia Techniczna)

• https://orcid.org/0000-0001-8900-1445

Bibliografia

• 1. https://stat.gov.pl/obszary-tematyczne/zdrowie/zdrowie/dzialalnosc-sluzbratowniczych-w-2021-roku,17,5.html, Główny Urząd Statystyczny, 2021, accesible 08/08/2022.
• 2. T. Klimczak, J. Paś, S. Duer, A. Rosiński, P. Wetoszka, K. Białek and M. Mazur, „Selected Issues Associated with the Operational and Power Supply Reliability of Fire Alarm Systems”, Energies 2022, 15(22), 8409; DOI: 10.3390/en15228409.
• 3. http://www.ijsrp.org/research-paper-0813.php?rp=P201579, Federal Institute of Science and Technology, Angmaly 2020 [Accesed Jun. 10, 2023].
• 4. Y. Lee, J. Shim, “False Positive Decremented Research for Fire and Smoke Detection in Surveillance Camera using Spatial and Temporal Features Based on Deep Learning”, Andong National University, Andong 2019, DOI: 10.3390/electronics8101167.
• 5. A. Khalil, S.U. Rahman, F. Alam, I. Khalil, “Fire Detection Using Multi Color Space and Background Modeling”, University of Malakand, Pakistan 2020, DOI: 10.1007/s10694-020-01030-9.
• 6. X. Zhang, K. Qian, K. Jing, J. Yang, and H. Yu, “Fire Detection based on Convolutional Neural Networks witch Channel Attention”, Chinese Automation Congress, China, 2020, DOI: 10.1109/CAC51589.2020.9327309.
• 7. T. Chen, X. Guo, J. Jia, and F. Xiao, “Frequency and Phase Characteristics of Candle Flame Oscillation”, Nature, 2019, DOI: 10.1038/s41598-018-36754-w.
• 8. J. Paś, T. Klimczak, A. Rosiński, et al. „The analysis of the operational process of a complex fire alarm systems used in transport facilities”, Build. Simul. 15, 615- 629 (2022). DOI: 10.1007/s12273-021-0790-y.
• 9. J. Antos, M. Basiak, and D. Kręciwilk, “Influence of false fire alarms on the effectiveness of the fire monitoring system”, Częstochowa 2016, DOI: 10.15199/48.2016.02.48.
• 10. P. Karasev, I. Kolesov, and A. Tannenbaum, “Optical Flow Estimation for Flame Detection in Videos”, IEEE Transactions on Image Processing, 2013, DOI: 10.1109/TIP.2013.2258353.
• 11. J. Paś, A. Rosiński, M. Wiśnios, and M. Stawowy, “Assessing the Operation System of Fire Alarm Systems for Detection Line and Circuit Devices with Various Damage Intensities”, Energies 2022, 15, 3066. DOI: 10.3390/en15093066.
• 12. P.V. Almeida, T.M. Rezende, A.C. Lisboa, and A.V. Barbosa, “Fire Detection based on Two-Dimensional Convolutional Neural Network and Temporal Analysis”, 7th IEE LA-CCI, Temuco 2021, DOI: 10.1109/LACCI48322.2021.9769824.
• 13. A. Żyluk, M. Zieja, A. Szelmanowski, J. Tomaszewska, M. Perlińska, and K. Głyda, „Electrical Disturbances in Terms of Methods to Reduce False Activation of Aerial Fire Protection Systems”, Sensors 2022, 22(20), 8059, DOI: 10.3390/s22208059.
• 14. S. Gupta, S. Kanwar, and M. Kashyap, “Performance characteristics and assessment of fire alarm system”. Mater. Today Proc. 2022, 57, 2036–2040, DOI: 10.1016/j.matpr.2021.11.184.
• 15. K. Liu, “An optimization of intelligent fire alarm system for high-rise building based on ANASYS.” In: Intelligence Computation and Evolutionary Computation; Du, Z., Ed., Springer: Berlin/Heidelberg, Germany, 2013; pp. 415–421. DOI: https://doi.org/10.1007/978-3-642-31656-2_59
• 16. E. Hulida, I. Pasnak, O. Koval, and A. Tryhuba, „Determination of the Critical Time of Fire in the Building and Ensure Successful Evacuation of People.” Period. Polytech. Civ. Eng. 2019, 63, 308–316, DOI: 10.3311/PPci.12760.
• 17. H. Zhao, A. Schwabe, F. Schläfli, T. Thrash, L. Aguilar, R.K. Dubey, J. Karjalainen, C. Hölscher, D. Helbing, V.R. Schinazi, “Fire evacuation supported by centralized and decentralized visual guidance systems.” Saf. Sci. 2022, 145, 105451, DOI: 10.1016/j.ssci.2021.105451.
• 18. E. Shaw, T. Roper, T. Nilsson, G. Lawson, S.V. Cobb, and D. Miller, „The heat is on: Exploring user behaviour in a multisensory virtual environment for fire evacuation.” In Proceedings of the 2019 CHI Conference on Human Factors in Computing Systems, Glasgow, Scotland, 4–9 May 2019; pp. 1–13, DOI: 10.1145/3290605.3300856.
• 19. M.A. Rahman, S.T. Hasan, and M.A. Kader, „Computer Vision Based Industrial and Forest Fire Detection Using Support Vector Machine (SVM).” In Proceedings of the 2022 International Conference on Innovations in Science, Engineering and Technology (ICISET), Chittagong, Bangladesh, 26–27 February 2022; pp. 233– 238, DOI: 10.1109/ICISET54810.2022.9775775.
• 20. J. Valouch, „Integrated alarm systems. In Computer Applications for Software Engineering, Disaster Recovery, and Business Continuity;” Series: Communications in Computer and Information Science XVIII; Springer: Berlin/Heidelberg, Germany, 2012; Volume 340, pp. 369–379, DOI: 10.1007/978- 3-642-35267-6_49.
• 21. S. Duer, K. Zajkowski, M. Harničárová, H. Charun, and D. Bernatowicz, „Examination of Multivalent Diagnoses Developed by a Diagnostic Program with an Artificial Neural Network for Devices in the Electric Hybrid Power Supply System “House on Water”. Energies 2021, 14, 2153, DOI: 10.3390/en14082153.