ПОВЫШЕНИЕ ТОЧНОСТИ СИСТЕМЫ ОБНАРУЖЕНИЯ ПОЖАРА НА ОСНОВЕ ГЛУБОКОГО ОБУЧЕНИЯ БЕСПРОВОДНЫХ СЕНСОРНЫХ СЕТЕЙ

IMPROVING THE ACCURACY OF A FIRE DETECTION SYSTEM BASED ON DEEP LEARNING OF WIRELESS SENSOR NETWORKS

Omer Ali Dheyab

Assistant lecturer at the University of technology-iraq, Postgraduate at the Department of Infocommunications, Siberian Federal University

Russia, Krasnoyarsk

Исследование выполнено в рамках государственного задания ФГАОУ ВО Сибирский федеральный университет (номер FSRZ-2023-0008).

АННОТАЦИЯ

Беспроводные сенсорные сети доказали свою эффективность в борьбе с пожарами. Камеры могут служить оптическими датчиками в беспроводных сетях датчиков, и их можно беспрепятственно интегрировать с методами глубокого обучения. Эта статья призвана разъяснить методы повышения точности обнаружения пожаров с использованием методов глубокого обучения для модели YOLOv5.

ABSTRACT

Wireless sensor networks have proven effective in fighting fires. Cameras can serve as optical sensors in wireless sensor networks and can be seamlessly integrated with deep learning techniques. This paper aims to explain methods to improve fire detection accuracy using deep learning techniques for the YOLOv5 model.

Ключевые слова: беспроводная сенсорная сеть, оптический датчик, глубокое обучение, обнаружение пожара, YOLOv5, время обработки.

Keywords: wireless sensor network, optical sensor, deep learning, fire detection, YOLOv5, processing time.

Беспроводные сенсорные сети состоят из кластера небольших, недорогих устройств, называемых «сенсорами», которые используются для сбора данных и передачи их через беспроводную сеть. Эти сети имеют широкий спектр применений, одним из которых является обнаружение пожаров. Камеры используются в качестве формы датчиков в беспроводных сетях сенсоров для обнаружения пожаров. Функция камер заключается в том, чтобы сфотографировать наблюдаемую область и проанализировать запечатленное изображение для обнаружения любых признаков, указывающих на наличие пожара. Для анализа изображений и определения наличия и местонахождения пожаров используются методы обработки изображения и машинного обучения. Для достижения лучших результатов обнаружения пожара с помощью беспроводных сетей датчиков, использующих камеры, требуется хорошая подготовка модели, используемой в процессе анализа и обнаружения. Одной из известных моделей, используемых в этой области, является модель YOLOv5. Модель YOLOv5 представляет собой модель глубокого обучения, используемую в областях анализа изображений и обнаружения объектов. Эта модель отличается своей исключительной точностью и способностью обрабатывать разнообразные объекты в фотографиях, полученных с камер. Модель YOLOv5 использует передовые методы глубокого обучения, в частности искусственные нейронные сети, для достижения замечательного уровня точности [1-3].

Целью данной статьи является повышение точности обнаружения пожара в беспроводных сенсорных сетях на основе камеры в качестве оптического датчика.

Делается эталонная фотография места, подлежащего защите от пожара, и на эталонной фотографии Было определено места, подверженные воздействию огня. Следующий шаг — собрать коллекцию фотографий пожаров разных размеров и форм. Эталонное изображение модифицируется путем размещения на нем изображений пожаров, особенно в районах, наиболее подверженных пожарам. Модифицированные изображения используются для обучения модели YOLOv5, которая используется для обучения системы обнаружению пожаров. После обучения модель тестируется путем введения новых изображений, содержащих пожары, и сравнения результатов обнаружения с известными фактами. Модель может корректироваться и улучшаться по результатам испытаний для повышения точности обнаружения пожаров. На рис. 1 представлен предлагаемый алгоритм повышения точности обнаружения пожара.

Рисунок 1. Предлагаемый алгоритм повышения точности обнаружения пожара

При проведении обучения и тестирования на модели Yolo 5 была продемонстрирована эффективность предложенного метода, поскольку он точно обнаруживал пожары. На рис. 2 показаны показатели надежности и точности модели обнаружения пожара YOLOv5 после обучения и тестирования.

Рисунок 2. Показатель надежности и точности модели обнаружения пожара YOLOv5 после обучения и тестирования

Надежность указывает на уверенность модели в выявлении пожара на изображении. Шкала колеблется от 0 до 1, с высоким значением, указывающим на высокий уровень уверенности в присутствии объекта.

Точность - это соотношение истинных положительных результатов со всеми выявленными положительными результатами. Проще говоря, когда точность высока, положительные результаты модели обычно верны.

Таким образом, использование камер глубокого обучения и оптических сенсоров в беспроводных сетях датчиков помогает быстро бороться с пламенем. Тренировка модели YOLOv5 с использованием фотографий местонахождения цели, с модификациями и добавлением пожаров в наиболее восприимчивых к возгоранию районах, повышает точность модели. Повышение точности обнаружения и уменьшение ложных тревог повышает общую эффективность модели.

Список литературы:

1. Романов, С. Ф., and Н. В. Илехметкин. "ИССЛЕДОВАНИЕ БЕСПРОВОДНЫХ СЕНСОРНЫХ СЕТЕЙ." ЦИФРОВЫЕ ТЕХНОЛОГИИ В НАУЧНОМ РАЗВИТИИ: НОВЫЕ КОНЦЕПТУАЛЬНЫЕ ПОДХОДЫ. 2023, 53-57.
2. Moussa, Noureddine, et al. "A reinforcement learning based routing protocol for software-defined networking enabled wireless sensor network forest fire detection." Future Generation Computer Systems 149 (2023): 478-493.
3. O. A. Dheyab, D. Chernikov and A. Selivanov, "Fire Size Calculation for Automatic Calibration of Water Spray Nozzle in Firefighting Robots," 2023 5th International Conference on Control Systems, Mathematical Modeling, Automation and Energy Efficiency (SUMMA), Lipetsk, Russian Federation, 2023, pp. 231-234.