Videóalapú tűzérzékelés
Copyright (c) 2024 Tóth Attila, Tóth Levente
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
Absztrakt
A tűzesetek jelentős veszélyt jelentenek az emberi életre és a vagyonbiztonságra, ezért a korai észlelés kulcsfontosságú a potenciális károk mérséklése szempontjából. A hagyományos tűzjelző rendszerek többnyire füstérzékelőkre vagy hőérzékelőkre támaszkodnak, amelyek viszont bizonyos esetekben (például bonyolult kialakítású, tagolt környezetben) nem képesek a keletkező tüzet megfelelő korai stádiumban észlelni. Az elmúlt évek technológiai fejlődése azonban új lehetőségeket nyitott meg ezen a területen. A mesterséges intelligencia (MI) és a videóanalitika integrálása ígéretes megoldásnak bizonyult a tűzjelzési képességek javítására. Az MI-alapú videóanalitika alkalmazása lehetővé teszi, hogy a rendszerek sokkal gyorsabban és pontosabban észleljék a tüzeket, még azok korai stádiumában is. Az intelligens kamerák és a számítógépes látás technikáinak használata révén a tűzjelző rendszerek képesek felismerni a tűz különböző vizuális jeleit, mint például a füst, a lángok és a hőmérséklet-változások. A hagyományos tűzjelző rendszerekkel szemben az MI-alapú megoldások képesek folyamatosan tanulni és alkalmazkodni az új információkhoz, ami növeli az észlelés pontosságát, valamint az intelligens kamerák által gyűjtött adatok valós időben elemezhetők, ami lehetővé teszi a gyorsabb reagálást és beavatkozást. Szintén a rendszernek köszönhetően képesek különbséget tenni a valódi veszélyforrások és az ártalmatlan jelenségek között, így csökkentve a téves riasztások számát. Ez a cikk részletesen vizsgálja az MI-alapú videóanalitika fejlődését és alkalmazását a tűzjelzés területén. Emellett bemutatja a jelenlegi kihívásokat és a jövőbeli fejlődési irányokat ebben a szegmensben, hogy jobban megérthessük az MI és videóanalitika potenciálját a tűzjelzés terén.
Kulcsszavak:
Hogyan kell idézni
Hivatkozások
BERMAN, Dana – TALI, Treibitz – SHAI, Avidan (2016): Non-Local Image Dehazing. 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). Las Vegas: IEEE. Online: https://doi.org/10.1109/CVPR.2016.185
CHAROSKAR, Rohit et al. (2023): Fire Detection and Localization in Video Surveillance Application. International Journal of Advanced Research in Science, Communication and Technology, 3(1), 457–460. Online: https://doi.org/10.48175/IJARSCT-9066
CHEONG, Kwang-Ho – KO, Byoung-Chul – NAM, Jae-Yeal (2008): Automatic Fire Detection System Using CCD Camera and Bayesian Network. Electronic Imaging, SPIE6813. Online: https://doi.org/10.1117/12.764822
CHETOUI, Mohamed – AKHLOUFI, Moulay A. (2024): Fire and Smoke Detection Using Fine-Tuned YOLOv8 and YOLOv7 Deep Models. Fire, 7(4), 135. Online: https://doi.org/10.3390/fire7040135
CIMER, Zsolt (2021): Application of Chemical Monitoring and Public Alarm Systems to Reduce Public Vulnerability to Major Accidents Involving Dangerous Substances. Symmetry, 13(8), 1528. Online: https://doi.org/10.3390/sym13081528
ÉRCES Gergő – VASS Gyula (2018): Veszélyes ipari üzemek tűzvédelme ipari üzemek fenntartható tűzbiztonságának fejlesztési lehetőségei a komplex tűzvédelem tekintetében. Műszaki Katonai Közlöny, 28(4), 2–22. Online: https://bit.ly/3ZuWnaP
HE, Lijun et al. (2021): Efficient Attention Based Deep Fusion CNN for Smoke Detection in Fog Environment. Neurocomputing, 434, 224–238. Online: https://doi.org/10.1016/j.neucom.2021.01.024
KÁTAI-URBÁN, Maxim (2023): Identification Methodology for Chemical Warehouses Dealing with Flammable Substances Capable of Causing Firewater Pollution. Fire, 6(9), 345. Online: https://doi.org/10.3390/fire6090345
MUHAMMAD, Khan et al. (2018): Convolutional Neural Networks Based Fire Detection in Surveillance Videos. IEEE Access, 6, 18174–18183. Online: https://doi.org/10.1109/ACCESS.2018.2812835
NAGULAN, S. et al. (2022): An Efficient Real-Time Fire Detection Method Using Computer Vision and Neural Network-Based Video Analysis. In Proceedings of Third Doctoral Symposium on Computational Intelligence, 627–637. Online: https://doi.org/10.1007/978-981-19-3148-2_55
PLUMB, O. Augustus – RICHARDS, F. (1996): Development of an Economical Video Based Fire Detection and Location System. National Institute of Standards and Technology.
RIYADI, D. Slamet – AISYAH, Siti (2018): Vision Based Flame Detection System For Surveillance Camera. 2018 International Conference on Applied Engineering (ICAE), Batam. Online: https://doi.org/10.1109/INCAE.2018.8579405
SANJANA, S. et al. (2022): Deep Learning Models for Fire Detection Using Surveillance Cameras in Public Places. 13th International Conference on Computing Communication and Networking Technologies. Kharagpur: IEEE. 1–7. Online: https://doi.org/10.1109/ICCCNT54827.2022.9984601
TÓTH Attila (2018): Az élőerő munkáját segítő technikai megoldások. Hadmérnök, 13(2), 29–36. Online: http://hadmernok.hu/182_03_toth.pdf
TÓTH, Levente (2017): Resolution Limit of Small Image Sensors Size. Acta Technica Corviniensis – Bulletin of Engineering, 2, 39–44. Online: https://acta.fih.upt.ro/pdf/2017-2/ACTA-2017-2-05.pdf
TÓTH Levente (2018): Kisformátumú képbontók határfelbontás korlátai. Hadmérnök, 13(3), 38–49. Online: http://hadmernok.hu/183_04_toth.pdf
XU, Zhengguang – XU, Jialin (2007): Automatic Fire Smoke Detection Based on Image Visual Features. 2007 International Conference on Computational Intelligence and Security Workshops (CISW 2007), Harbin. 316–319. Online: https://doi.org/10.1109/CISW.2007.4425500