Wyniki wyszukiwania - BazTech

Ograniczanie wyników

1 Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska

1 2024

Znaleziono wyników: 1

Liczba wyników na stronie

Wyniki wyszukiwania

Wyszukiwano:
w słowach kluczowych: ResNet-152

Sortuj według:

Ogranicz wyniki do:

Application of Resnet-152 neural networks to analyze images from UAV for fire detection

Stelmakh Nataliia, Mandrovska Svitlana, Galagan Roman

Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska

2024

T. 14, nr 2

77--82

Timely detection of fires in the natural environment (including fires on agricultural land) is an urgent task, as their uncontrolled development can cause significant damage. Today, the main approaches to fire detection are human visual analysis of real-time video stream from unmanned aerial vehicles or satellite image analysis. The first approach does not allow automating the fire detection process and contains a human factor, and the second approach does not allow detect the fire in real time. The article is devoted to the issue of the relevance of using neural networks to recognize and detect seat of the fire based on the analysis of images obtained in real time from the cameras of small unmanned aerial vehicles. This ensures the automation of fire detection, increases the efficiency of this process, and provides a rapid response to fires occurrence, which reduces their destructive consequences. In this paper, we propose to use the convolutional neural network ResNet-152. In order to test the performance of the trained neural network model, we specifically used a limited test dataset with characteristics that differ significantly from the training and validation dataset. Thus, the trained neural network was placed in deliberately difficult working conditions. At the same time, we achieved a Precision of 84.6%, Accuracy of 91% and Recall of 97.8%.

Wczesne wykrycie pożarów w środowisku naturalnym (w tym pożarów na gruntach rolnych) jest zadaniem pilnym, gdyż ich niekontrolowany rozwój może spowodować znaczne szkody. Obecnie głównymi podejściami do wykrywania pożarów jest wizualna analiza przez człowieka strumienia wideo w czasie rzeczywistym z bezzałogowych statków powietrznych lub analiza obrazu satelitarnego. Pierwsze podejście nie pozwala na automatyzację procesu wykrywania pożaru i uwzględnia czynnik ludzki, natomiast drugie podejście nie pozwala na wykrycie pożaru w czasie rzeczywistym. Artykuł poświęcony jest zagadnieniu przydatności wykorzystania sieci neuronowych do rozpoznawania i wykrywania źródła pożaru na podstawie analizy obrazów uzyskiwanych w czasie rzeczywistym z kamer małych bezzałogowych statków powietrznych. Zapewnia to automatyzację wykrywania pożaru, zwiększa efektywność tego procesu oraz zapewnia szybką reakcję na wystąpienie pożarów, co ogranicza ich niszczycielskie skutki. W artykule proponujemy wykorzystanie splotowej sieci neuronowej ResNet-152. Aby przetestować wydajność wyszkolonego modelu sieci neuronowej wykorzystaliśmy ograniczony testowy zbiór danych, którego charakterystyka znacznie różni się od zbiorów danych treningowych i walidacyjnych. Tym samym wytrenowana sieć neuronowa została poddana celowo trudnym warunkom operacyjnym. Jednocześnie uzyskano parametry "Precision" – 84.6%, "Accuracy" – 91% i "Recall" – 97.8%.