Зменшення кількості хибних викликів під час розв’язання задачі детектування полум’я у відеопотоці з використанням глибоких згорткових нейронних мереж

Simple item page
dc.citation.epage276
dc.citation.issue864
dc.citation.journalTitleВісник Національного університету «Львівська політехніка». Серія: Комп’ютерні науки та інформаційні технології
dc.citation.spage268
dc.contributor.affiliationЛьвівський державний університет безпеки життєдіяльності
dc.contributor.affiliationНаціональний університет “Львівська політехніка”
dc.contributor.authorМаксимів, О.
dc.contributor.authorРак, Т.
dc.contributor.authorПелешко, Д.
dc.coverage.placenameЛьвів
dc.date.accessioned2018-05-04T13:01:00Z
dc.date.available2018-05-04T13:01:00Z
dc.date.created2017-03-28
dc.date.issued2017-03-28
dc.description.abstractРозроблено 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%.
dc.description.abstractIn 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%.
dc.format.extent268-276
dc.format.pages9
dc.identifier.citationМаксимів 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.
dc.identifier.citationenMaksymiv 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.
dc.identifier.urihttps://ena.lpnu.ua/handle/ntb/41027
dc.language.isouk
dc.publisherВидавництво Львівської політехніки
dc.relation.ispartofВісник Національного університету «Львівська політехніка». Серія: Комп’ютерні науки та інформаційні технології, 864, 2017
dc.relation.references1. 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.
dc.relation.references2. 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.
dc.relation.references3. 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
dc.relation.references4. Celik T. Fast and efficient method for fire detection using image processing / T. Celik. // ETRI journal. – 2010. – №6. – P. 881–890.
dc.relation.references5. Gomes P. A Vision-based Approach to Fire detection / P. Gomes, P. Santana, J. Barata. // International Journal of Advanced Robotic Systems. – 2014.
dc.relation.references6. Horn B. K. P., Schunck B. G. Determining optical flow //Artificial intelligence. – 1981. – Т. 17. – №. 1–3. – P. 185-203.
dc.relation.references7. 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.
dc.relation.references8. Russakovsky O. et al. Imagenet large scale visual recognition challenge //International Journal of Computer Vision. – 2015. – Т. 115. – №. 3. – P. 211–252.
dc.relation.references9. 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.
dc.relation.references10. Caixia C. One Fire Detection Method Using Neural Networks / C. Caixia, S. Fuchun, Z. Xinquan. // Tsinghua science and technology. – 2011. – №16. – P. 31–35.
dc.relation.references11. 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.
dc.relation.references12. K. Simonyan and A. Zisserman. Very deep convolutional networks for large-scale image recognition. In ICLR, 2015.
dc.relation.references13. 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.
dc.relation.references14. Yang B. et al. Craft objects from images //Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. – 2016. – P. 6043–6051.
dc.relation.references15. 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.
dc.relation.references16. Zeng X. et al. Gated bi-directional cnn for object detection //European Conference on Computer Vision. – Springer International Publishing, 2016. – P. 354–369.
dc.relation.referencesen1. 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.
dc.relation.referencesen2. 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.
dc.relation.referencesen3. 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
dc.relation.referencesen4. Celik T. Fast and efficient method for fire detection using image processing, T. Celik., ETRI journal, 2010, No 6, P. 881–890.
dc.relation.referencesen5. Gomes P. A Vision-based Approach to Fire detection, P. Gomes, P. Santana, J. Barata., International Journal of Advanced Robotic Systems, 2014.
dc.relation.referencesen6. Horn B. K. P., Schunck B. G. Determining optical flow //Artificial intelligence, 1981, V. 17, №. 1–3, P. 185-203.
dc.relation.referencesen7. 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.
dc.relation.referencesen8. Russakovsky O. et al. Imagenet large scale visual recognition challenge //International Journal of Computer Vision, 2015, V. 115, №. 3, P. 211–252.
dc.relation.referencesen9. 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.
dc.relation.referencesen10. 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.
dc.relation.referencesen11. 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.
dc.relation.referencesen12. K. Simonyan and A. Zisserman. Very deep convolutional networks for large-scale image recognition. In ICLR, 2015.
dc.relation.referencesen13. 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.
dc.relation.referencesen14. Yang B. et al. Craft objects from images //Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 2016, P. 6043–6051.
dc.relation.referencesen15. 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.
dc.relation.referencesen16. Zeng X. et al. Gated bi-directional cnn for object detection //European Conference on Computer Vision, Springer International Publishing, 2016, P. 354–369.
dc.rights.holder© Національний університет “Львівська політехніка”, 2017
dc.rights.holder© Максимів О., Рак Т., Пелешко Д., 2017
dc.subjectкомп’ютерний зір
dc.subjectнейронні мережі
dc.subjectдетектування полум’я
dc.subjectcomputer vision
dc.subjectneural networks
dc.subjectflame detection
dc.subject.udc004.048
dc.subject.udc004.855.5
dc.subject.udc004.896
dc.subject.udc004.931
dc.titleЗменшення кількості хибних викликів під час розв’язання задачі детектування полум’я у відеопотоці з використанням глибоких згорткових нейронних мереж
dc.typeArticle

Files

Original bundle

Now showing 1 - 2 of 2
Thumbnail Image
Name:
2017n864_Maksymiv_O-Zmenshennia_kilkosti_khybnykh_268-276.pdf
Size:
1.48 MB
Format:
Adobe Portable Document Format
Download
Thumbnail Image
Name:
2017n864_Maksymiv_O-Zmenshennia_kilkosti_khybnykh_268-276__COVER.png
Size:
437.63 KB
Format:
Portable Network Graphics
Download

License bundle

Now showing 1 - 1 of 1
No Thumbnail Available
Name:
license.txt
Size:
2.98 KB
Format:
Plain Text
Description:
Download

Collections

Комп'ютерні науки та інформаційні технології. – 2017. – №864