Please use this identifier to cite or link to this item: http://ena.lp.edu.ua:8080/handle/ntb/41027
Title: Зменшення кількості хибних викликів під час розв’язання задачі детектування полум’я у відеопотоці з використанням глибоких згорткових нейронних мереж
Authors: Максимів, О.
Рак, Т.
Пелешко, Д.
Affiliation: Львівський державний університет безпеки життєдіяльності
Національний університет “Львівська політехніка”
Bibliographic description (Ukraine): Максимів О. Зменшення кількості хибних викликів під час розв’язання задачі детектування полум’я у відеопотоці з використанням глибоких згорткових нейронних мереж / О. Максимів, Т. Рак, Д. Пелешко // Вісник Національного університету «Львівська політехніка». Серія: Комп’ютерні науки та інформаційні технології. — Львів : Видавництво Львівської політехніки, 2017. — № 864. — С. 268–276.
Bibliographic description (International): Maksymiv O. Zmenshennia kilkosti khybnykh vyklykiv pid chas rozviazannia zadachi detektuvannia polumia u videopototsi z vykorystanniam hlybokykh zghortkovykh neironnykh merezh / O. Maksymiv, T. Rak, D. Peleshko // Visnyk Natsionalnoho universytetu "Lvivska politekhnika". Serie: Kompiuterni nauky ta informatsiini tekhnolohii. — Lviv : Vydavnytstvo Lvivskoi politekhniky, 2017. — No 864. — P. 268–276.
Is part of: Вісник Національного університету «Львівська політехніка». Серія: Комп’ютерні науки та інформаційні технології, 864, 2017
Journal/Collection: Вісник Національного університету «Львівська політехніка». Серія: Комп’ютерні науки та інформаційні технології
Issue: 864
Issue Date: 28-Mar-2017
Publisher: Видавництво Львівської політехніки
Place of the edition/event: Львів
UDC: 004.048
004.855.5
004.896
004.931
Keywords: комп’ютерний зір
нейронні мережі
детектування полум’я
computer vision
neural networks
flame detection
Number of pages: 9
Page range: 268-276
Start page: 268
End page: 276
Abstract: Розроблено новий підхід до детектування полум’я на зображеннях, який ґрунтується на використанні згорткових нейронних мереж. Запропоновано структуру реалізації каскадного підходу до детектування вогню, яка забезпечує покращену ефективність розпізнавання на зображеннях з низькою роздільною здатністю, та об’єктів, які можуть візуально нагадувати полум’я. Проведено експерименти з дослідження запропонованого методу порівняно з сучасним методом детектування об’єктів Faster R-CNN. У результаті проведених експериментів було виявлено покращення показника ефективності в середньому на 20%.
In this paper, we develop a new approach for detecting fire in images based on convolutional neural networks. Cascade structure, which provides improved efficiency of recognition in images with low resolution and objects that can visually resemble flames, was proposed. We have performed an experimental comparison with the modern method of objects detecting Faster R-CNN. As a result of the experiments, it was found that performance of fire recognition improved on average by 20%.
URI: http://ena.lp.edu.ua:8080/handle/ntb/41027
Copyright owner: © Національний університет “Львівська політехніка”, 2017
© Максимів О., Рак Т., Пелешко Д., 2017
References (Ukraine): 1. Che-Bin L. Vision based fire detection / L. Che-Bin, N. Ahuja,. // Pattern Recognition, 2004. ICPR 2004. Proceedings of the 17th International Conference on. – 2004. – № 4. – P. 134–137.
2. Qi X. A Computer Vision-Based Method for Fire Detection in Color Videos / X. Qi, J. Ebert. // International journal of imaging. – 2009. – №9. – P. 22–34.
3. Celik T. Fire and smoke detection without sensors: image processing based approach / T. Celik, H. Ozkaramanli, H. Demirel. // 15th European Signal processing conference. – 2007. – P. 1794–1798
4. Celik T. Fast and efficient method for fire detection using image processing / T. Celik. // ETRI journal. – 2010. – №6. – P. 881–890.
5. Gomes P. A Vision-based Approach to Fire detection / P. Gomes, P. Santana, J. Barata. // International Journal of Advanced Robotic Systems. – 2014.
6. Horn B. K. P., Schunck B. G. Determining optical flow //Artificial intelligence. – 1981. – Т. 17. – №. 1–3. – P. 185-203.
7. Zhan C. et al. An improved moving object detection algorithm based on frame difference and edge detection // Image and Graphics, 2007. ICIG 2007. Fourth International Conference on. – IEEE, 2007. – P. 519–523.
8. Russakovsky O. et al. Imagenet large scale visual recognition challenge //International Journal of Computer Vision. – 2015. – Т. 115. – №. 3. – P. 211–252.
9. Deep Convolutional Neural Networks for Forest Fire Detection / Z. Qingjie, X. Jiaolong, X. Liang, G. Haifeng. // International Forum on Management, Education and Information Technology Application. – 2016. – P. 568–575.
10. Caixia C. One Fire Detection Method Using Neural Networks / C. Caixia, S. Fuchun, Z. Xinquan. // Tsinghua science and technology. – 2011. – №16. – P. 31–35.
11. Banghua Y. et al. Recognition of fire detection based on neural network //Life System Modeling and Intelligent Computing. – Springer Berlin Heidelberg, 2010. – P. 250–258.
12. K. Simonyan and A. Zisserman. Very deep convolutional networks for large-scale image recognition. In ICLR, 2015.
13. Ren S. et al. Faster r-cnn: Towards real-time object detection with region proposal networks // Advances in neural information processing systems. – 2015. – P. 91–99.
14. Yang B. et al. Craft objects from images //Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. – 2016. – P. 6043–6051.
15. Maksymiv O., Rak T., Menshikova O. Deep convolutional network for detecting probable emergency situations // Data Stream Mining & Processing (DSMP), IEEE First International Conference on. – IEEE, 2016. – P. 199–202.
16. Zeng X. et al. Gated bi-directional cnn for object detection //European Conference on Computer Vision. – Springer International Publishing, 2016. – P. 354–369.
References (International): 1. Che-Bin L. Vision based fire detection, L. Che-Bin, N. Ahuja,., Pattern Recognition, 2004. ICPR 2004. Proceedings of the 17th International Conference on, 2004, No 4, P. 134–137.
2. Qi X. A Computer Vision-Based Method for Fire Detection in Color Videos, X. Qi, J. Ebert., International journal of imaging, 2009, No 9, P. 22–34.
3. Celik T. Fire and smoke detection without sensors: image processing based approach, T. Celik, H. Ozkaramanli, H. Demirel., 15th European Signal processing conference, 2007, P. 1794–1798
4. Celik T. Fast and efficient method for fire detection using image processing, T. Celik., ETRI journal, 2010, No 6, P. 881–890.
5. Gomes P. A Vision-based Approach to Fire detection, P. Gomes, P. Santana, J. Barata., International Journal of Advanced Robotic Systems, 2014.
6. Horn B. K. P., Schunck B. G. Determining optical flow //Artificial intelligence, 1981, V. 17, №. 1–3, P. 185-203.
7. Zhan C. et al. An improved moving object detection algorithm based on frame difference and edge detection, Image and Graphics, 2007. ICIG 2007. Fourth International Conference on, IEEE, 2007, P. 519–523.
8. Russakovsky O. et al. Imagenet large scale visual recognition challenge //International Journal of Computer Vision, 2015, V. 115, №. 3, P. 211–252.
9. Deep Convolutional Neural Networks for Forest Fire Detection, Z. Qingjie, X. Jiaolong, X. Liang, G. Haifeng., International Forum on Management, Education and Information Technology Application, 2016, P. 568–575.
10. Caixia C. One Fire Detection Method Using Neural Networks, C. Caixia, S. Fuchun, Z. Xinquan., Tsinghua science and technology, 2011, No 16, P. 31–35.
11. Banghua Y. et al. Recognition of fire detection based on neural network //Life System Modeling and Intelligent Computing, Springer Berlin Heidelberg, 2010, P. 250–258.
12. K. Simonyan and A. Zisserman. Very deep convolutional networks for large-scale image recognition. In ICLR, 2015.
13. Ren S. et al. Faster r-cnn: Towards real-time object detection with region proposal networks, Advances in neural information processing systems, 2015, P. 91–99.
14. Yang B. et al. Craft objects from images //Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 2016, P. 6043–6051.
15. Maksymiv O., Rak T., Menshikova O. Deep convolutional network for detecting probable emergency situations, Data Stream Mining & Processing (DSMP), IEEE First International Conference on, IEEE, 2016, P. 199–202.
16. Zeng X. et al. Gated bi-directional cnn for object detection //European Conference on Computer Vision, Springer International Publishing, 2016, P. 354–369.
Content type: Article
Appears in Collections:Комп'ютерні науки та інформаційні технології. – 2017. – №864



Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.