докторант с 01.01.2024 по настоящее время
Тамбовский государственный университет им. Г. Р. Державина (Кафедра математического моделирования и информационных технологий, доцент)
сотрудник с 01.01.2018 по настоящее время
Тамбов, Тамбовская область, Россия
УДК 004.8 Искусственный интеллект
Современные системы автоматизированного мониторинга возгораний играют ключевую роль в предотвращении катастрофических последствий в технических системах и объектах критической инфраструктуры. В статье рассматриваются современные методы обнаружения пожаров, включая использование беспроводных датчиков, геоинформационных систем, технологий машинного обучения и нейронных сетей. Особое внимание уделяется применению алгоритмов YOLOv8 для детекции огня и дыма в режиме реального времени на основе изображений с видеокамер, в том числе установленных на беспилотных летательных аппаратах и мобильных платформах. Исследование охватывает разработку, обучение и оптимизацию интеллектуальной системы поддержки принятия решений (СППР), интегрированной с моделью YOLOv8. В ходе экспериментов анализировалось влияние количества эпох обучения, структуры данных и методов предобработки на точность модели, оцененную по метрикам mAP50, Precision, Recall и F1-score. Результаты показали, что увеличение обучающего набора данных, включение негативных примеров и адаптация гиперпараметров способствуют значительному повышению точности детекции. Разработанная система обеспечивает автоматическое оповещение операторов, активацию противопожарных мер и запуск аварийных протоколов. В статье также обсуждаются перспективы дальнейшего развития системы, включая прогнозирование распространения огня, анализ рисков и интеграцию с системами управления чрезвычайными ситуациями.
Искусственный интеллект, система поддержки принятия решений, мониторинг пожаров, компьютерное зрение.
1. Muhammad K., Ahmad J., Baik S. W. Early fire detection using convolutional neural networks during surveillance for effective disaster management //Neurocomputing. – 2018. – Т. 288. – С. 30-42.
2. Bot K., Borges J. G. A systematic review of applications of machine learning techniques for wildfire management decision support //Inventions. – 2022. – Т. 7. – №. 1. – С. 15
3. Cruz H. et al. Machine learning and color treatment for the forest fire and smoke detection systems and algorithms, a recent literature review //Artificial Intelligence, Computer and Software Engineering Advances: Proceedings of the CIT 2020 Volume 1. – 2021. – С. 109-120.
4. Abid F. A survey of machine learning algorithms based forest fires prediction and detection systems //Fire technology. – 2021. – Т. 57. – №. 2. – С. 559-590.
5. Lourenço M. et al. An integrated decision support system for improving wildfire suppression management //ISPRS International Journal of Geo-Information. – 2021. – Т. 10. – №. 8. – С. 497.
6. Vásquez F. et al. Decision support system development of wildland fire: a systematic mapping //Forests. – 2021. – Т. 12. – №. 7. – С. 943.
7. Fillmore S. D., Paveglio T. B. Use of the Wildland Fire Decision Support System (WFDSS) for full suppression and managed fires within the Southwestern Region of the US Forest Service //International journal of wildland fire. – 2023. – Т. 32. – №. 4. – С. 622-635.
8. Лаптев Н. В. Исследование возможностей искусственных нейронных сетей в задаче классификации динамических признаков объектов / Н. В. Лаптев, О. М. Гергет, В. В. Лаптев, Д. Ю. Колпащиков // Известия Томского политехнического университета. Промышленная кибернетика. – 2023. – Т. 1, № 1. – С. 44-49.
9. Брюханов, А. В. Развитие средств навигации и систем поддержки принятия решений в лесном пожаротушении / А. В. Брюханов, Р. В. Котельников // Сибирский лесной журнал. – 2023. – № 6. – С. 128-140.
10. Шевцов, М. В. Система мониторинга пожарной и медико-экологической безопасности с использованием анализа видеоданных с беспилотных летательных аппаратов: специальность 23.10.00 : диссертация на соискание ученой степени кандидата технических наук / Шевцов Максим Викторович, 2022. – 157 с.
11. Филист С. А. Интеллектуальная система обработки изображений, получаемых с беспилотных летательных аппаратов / С. А. Филист, Р. А. Томакова, Н. Г. Нефедов [и др.] // Известия Юго-Западного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение. – 2022. – Т. 12, № 4. – С. 64-85.
12. Громов Ю. Ю. Построение ГИС для оценки динамики контуров лесных пожаров / Ю. Ю. Громов, К. А. Слезин // Приборы и системы. Управление, контроль, диагностика. – 2018. – № 4. – С. 16-28.
13. Громов Ю. Ю. Нейронечеткий классификатор моделей интеллектуальной геоинформационной системы моделирования контуров пожаров / Ю. Ю. Громов, К. А. Слезин, М. А. Ивановский // Промышленные АСУ и контроллеры. – 2018. – № 10. – С. 15-21.
14. Апарин, А. А. Применение видеомониторинга для информационной поддержки принятия управленческих решений при реагировании на техногенный пожар / А. А. Апарин // Современные проблемы гражданской защиты. – 2022. – № 3(44). – С. 5-11.
15. Дамдынчап, Ч. А. Применение нейронных сетей для распознавания дыма и пожара на изображениях / Ч. А. Дамдынчап, А. А. Шарапов // Интерэкспо Гео-Сибирь. – 2021. – Т. 7, № 2. – С. 38-43.
16. Яковлева, О. В. О выборе метода построения нечеткой модели прогнозирования состояния аккумулятора / О. В. Яковлева, Ю. В. Строганов, И. В. Рудаков // Вестник Московского государственного технического университета им. Н.Э. Баумана. Серия Приборостроение. – 2022. – № 4(141). – С. 36-55.
17. Hurtik P. et al. Binary cross-entropy with dynamical clipping //Neural Computing and Applications. – 2022. – Т. 34. – №. 14. – С. 12029-12041.
18. Rusiecki A. Trimmed categorical cross‐entropy for deep learning with label noise //Electronics Letters. – 2019. – Т. 55. – №. 6. – С. 319-320.
19. Mei S. et al. Research on Fabric Defect Detection Algorithm Based on Improved YOLOv8n Algorithm //Electronics. – 2024. – Т. 13. – №. 11. – С. 2009.
20. Zhou G., Liu X., Bi H. Recognition of UAVs in infrared images based on YOLOv8 //IEEE Access. – 2024.
21. Михайличенко, А. А. Аналитический обзор методов оценки качества алгоритмов классификации в задачах машинного обучения / А. А. Михайличенко // Вестник Адыгейского государственного университета. Серия 4: Естественно-математические и технические науки. – 2022. – № 4(311). – С. 52-59.
22. Горячкин, Б. С. Анализ чувствительности метрик бинарной классификации к дисбалансу данных / Б. С. Горячкин, А. А. Чечнев // E-Scio. – 2021. – № 4(55). – С. 23-34.
