firesmiПожаровзрывобезопасность/Fire and Explosion SafetyPozharovzryvobezopasnost/Fire and Explosion Safety0869-74932587-6201ФГБОУ ВО «Национальный исследовательский Московский государственный строительный университет»10.22227/0869-7493.2025.34.01.70-78firesmi-1476Research ArticleАВТОМАТИЗИРОВАННЫЕ СИСТЕМЫ И СРЕДСТВАAUTOMATED SYSTEMS AND MEANSИспользование видеоаналитики для раннего обнаружения возгоранияUsing video analytics for early fire detectionhttps://orcid.org/0000-0001-6345-1712ГлотовМ. И.GlotovM. I.

ГЛОТОВ Максим Иванович, аспирант Инженерной школы ядерных технологий

634050, г. Томск, пр-т Ленина, 30

ResearcherID: JXL-9108-2024, Scopus: 57210585790

Maksim I. GLOTOV, Postgraduate student of the School of Nuclear Technology

Lenin Ave., 30, Tomsk, 634050

ResearcherID: JXL-9108-2024, Scopus: 57210585790

mig13@tpu.ruhttps://orcid.org/0000-0002-3428-4270КропотоваС. С.KropotovaS. S.

КРОПОТОВА Светлана Сергеевна, канд. физ.-мат. наук, доцент Исследовательской школы физики высокоэнергетических процессов

634050, г. Томск, пр-т Ленина, 30

ResearcherID: AAH-6091-2021, Scopus: 57215660479

Svetlana S. KROPOTOVA, Cand. Sci. (Phys.-Math.), Docent of the Research School of High-­Energy Physics

Lenin Ave., 30, Tomsk, 634050

ResearcherID: AAH-6091-2021, Scopus: 57215660479

ssk22@tpu.ruhttps://orcid.org/0000-0003-1707-5335СтрижакП. А.StrizhakP. A.

СТРИЖАК Павел Александрович, д-р физ.-мат. наук, профессор НОЦ И.Н. Бутакова Инженерной школы энергетики

634050, г. Томск, пр-т Ленина, 30

ResearcherID: K-5787-2015, Scopus: 24605528800

Pavel A. STRIZHAK, Dr. Sci. (Phys.-Math.), Professor of the Scientific and Educational Center I.N. Butakova of the School of Energy Engineering

Lenin Ave., 30, Tomsk, 634050

ResearcherID: K-5787-2015, ­Scopus: 24605528800

pavelspa@tpu.ruНациональный исследовательский Томский политехнический университетРоссияNational Research Tomsk Polytechnic UniversityRussian Federation2025280220253417078Copyright © Глотов М.И., Кропотова С.С., Стрижак П.А., 20252025Глотов М.И., Кропотова С.С., Стрижак П.А.Glotov M.I., Kropotova S.S., Strizhak P.A.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://www.fire-smi.ru/jour/article/view/1476Введение

Введение. Тревожные тенденции изменения статистики возникновения пожаров в зданиях и помещениях в последние годы с масштабными последствиями требуют поиска и разработки новых методов и подходов в области раннего обнаружения возгораний. Перспективным подходом к малоинерционной идентификации возгораний принято считать использование интеллектуальных и основанных на визуальной оценке пожарной опасности в помещении систем на базе различных типов видеокамер. В отличие от традиционных точечных пожарных извещателей данный метод не ограничен объемами помещения и позволяет обнаружить возгорание даже на больших отрытых пространствах и непрогнозируемом перемещении фронта пламени.

Целью исследования является обоснование возможности достоверной идентификации очага возгорания в помещении на ранней стадии с использованием видеосъемки. Основной задачей является разработка алгоритма для обучения модуля нейронной сети, позволяющего с высокой точностью определить координаты местоположения очага возгорания в помещении на ранней стадии с использованием видеосъемки.

Материалы и методы

Материалы и методы. Экспериментальные исследования проведены с использованием макета помещения размерами 3 × 3 × 2,3 м с установленными в нем системой газоанализа, пожарными извещателями, средствами видеорегистрации, а также системой управления и мониторинга для сбора и записи информации.

Результаты и их обсуждение. В результате проведенных исследований предложен подход к применению видеоаналитики для идентификации очага возгораний на ранней стадии.

Заключение

Заключение. На основе экспериментальных исследований выбран оптимальный размер предобученной модели нейронной сети для поставленной задачи, а также обоснована целесообразность использования камеры видеонаблюдения для малоинерционной идентификации возгораний в помещениях.

Introduction

Introduction. Alarming trends in the statistics of fires in buildings and premises in recent years with large-scale consequences require the search and development of new methods and approaches in the field of early fire detection. A promising approach to low-inertia identification of fires is considered to be the use of intelligent systems based on visual assessment of fire hazard in the premises, based on various types of video cameras. Unlike traditional point fire detectors, this method is not limited by the volume of the room and allows detecting fires even in large open spaces and unpredictable movement of the flame front.

The aim of the research is to substantiate the feasibility of reliably identifying the fire source in a room at an early stage using video recording. The main task is to develop an algorithm for training a neural network module that allows for the accurate determination of the coordinates of the fire source location in a room at an early stage using video recording.

Materials and methods

Materials and methods. Experimental studies were carried out using a 3 × 3 × 2.3 m room model with a gas analysis system, fire alarms, video recording equipment, and a control and monitoring system for collecting and recording information installed in it.

Results and Discussion

Results and Discussion. As a result of the conducted research, an approach to the use of video analytics for identifying the source of fires at an early stage was proposed.

Conclusions

Conclusions. Based on experimental studies, the optimal size of the pre-trained neural network model for the task was selected, and the feasibility of using a video surveillance camera for low-inertia identification of fires in premises was substantiated.

видеомониторингнейросетевые алгоритмыпожарная безопасностьмониторинг инцидентовпожарные извещателиvideo monitoringneural network algorithmsfire safetyincident monitoringfire detectorsИсследование выполнено при поддержке проекта Национального исследовательского Томского политехнического университета ПИШ-НИР-2024-014.The study was carried out with the support of the project of the National Research Tomsk Polytechnic University PISh-NIR-2024-014.ReferencesFestag S. The statistical effectiveness of fire protection measures: learning from real fires in Germany // Fire Technology. 2021. Vol. 57. Pp. 1589–1609. DOI: 10.1007/s10694-020-01073-yFestag S. The Statistical Effectiveness of Fire Protection Measures: Learning from Real Fires in Germany. Fire Technology. 2021; 57:1589-1609. DOI: 10.1007/s10694-020-01073-ySheng D., Deng J., Zhang W., Cai J., Zhao W., Xiang J. A statistical image feature-based deep belief network for fire detection // Complexity. 2021. No. (1). Рр. 1–12. DOI: 10.1155/2021/5554316Sheng D., Deng J., Zhang W., Cai J., Zhao W., Xiang J. A Statistical Image Feature-Based Deep Belief Network for Fire Detection. Complexity. 2021; (1):1-12. DOI: 10.1155/2021/5554316Ma C., Van Coile R., Gernay T. Fire protection costs in composite buildings for cost-benefit analysis of fire designs // Journal of Constructional Steel Research. 2024. Vol. 215. No. 108517. DOI: 10.1016/j.jcsr.2024.108517Ma C., Van Coile R., Gernay T. Fire protection costs in composite buildings for cost-benefit analysis of fire designs. Journal of Constructional Steel Research. 2024; 215:108517. DOI: 10.1016/j.jcsr.2024.108517Nan C., Xianmeng M., Wenhui D. Experimental study on the testing environment improvement of fire smoke detectors // Procedia Engineering. 2012. Vol. 45. Pp. 610–616. DOI: 10.1016/j.proeng.2012.08.211Nan C., Xianmeng M., Wenhui D. Experimental Study on the Testing Environment Improvement of Fire Smoke Detectors. Procedia Engineering. 2012; 45:610-616. DOI: 10.1016/j.proeng.2012.08.211Калмыков С.П., Есин В.М. Время обнаружения очага пожара // Пожаровзрывобезопасность/Fire and Explosion Safety. 2017. Vol. 26 (11). Pp. 52–63. DOI: 10.1016/j.proeng.2012.08.211Kalmykov S.P., Esin V.M. Fire detection time. Pozharovzryvobezopasnost/Fire and explosion safety. 2017; 26(11):52-63. (rus).Членов А.Н., Буцынская Т.А., Журавлев С.Ю., Николаев В.А. Об эффективности функционирования мультикритериального пожарного извещателя // Пожаровзрывобезопасность/Fire and Explosion Safety. 2016. Vol. 25 (12). Pp. 55–60. DOI: 10.18322/PVB.2016.25.12.55-60. EDN XWVMGZ.Chlenov A.N., Bucynskaya T.A., Zhuravlev S.Yu., Nikolaev V.A. On the efficiency of the multi-criteria fire alarm. Pozharovzryvobezopasnost/Fire and explosion safety. 2016; 25(12):55-60. DOI: 10.18322/PVB.2016.25.12.55-60.EDN XWVMGZ. (rus).Kuznetsov G.V., Volkov R.S., Sviridenko A.S., Strizhak P.A. Fire detection and suppression in rooms with different geometries // Journal of Building Engineering. 2024. Vol. 90. No. 109427. DOI: 10.1016/j.jobe.2024.109427Kuznetsov G.V., Volkov R.S., Sviridenko A.S., Strizhak P.A. Fire detection and suppression in rooms with different geometries. Journal of Building Engineering. 2024; 90:109427. DOI: 10.1016/j.jobe.2024.109427Kuznetsov G.V., Zhdanova A.O., Volkov R.S., Sviridenko A.S., Strizhak P.A. Smoke deposition and extraction in compartment fires with different ignition sources // Process Safety and Environmental Protection. 2024. Vol. 187. Pp. 581–592. DOI: 10.1016/j.psep.2024.05.010Kuznetsov G.V., Zhdanova A.O., Volkov R.S., Sviridenko A.S., Strizhak P.A. Smoke deposition and extraction in compartment fires with different ignition sources. Process Safety and Environmental Protection. 2024; 187:581-592. DOI: 10.1016/j.psep.2024.05.010Артамонов В.С., Поляков А.С., Иванов А.Н. Сверхраннее и раннее обнаружение загораний: понятия, границы применения и единство // Пожаровзрывобезопасность/Fire and Explosion Safety. 2016. Vol. 25 (9). Pp. 78–83. DOI: 10.18322/PVB.2016.25.09.78-83Artamonov V.S., Polyakov A.S., Ivanov A.N. Ultra-early and early detection of fires: concepts, application limits and unity. Pozharovzryvobezopasnost/Fire and explosion safety. 2016; 25(9):78-83. DOI: 10.18322/PVB.2016.25.09.78-83 (rus).Song Z., Huang X., Jiang J., Pan X. A laboratory approach to CO2 and CO emission factors from underground coal fires // International Journal of Coal Geology. 2020. Vol. 219. No. 103382. DOI: 10.1016/j.coal.2019.103382Song Z., Huang X., Jiang J., Pan X. A laboratory approach to CO2 and CO emission factors from underground coal fires. International Journal of Coal Geology. 2020; 219:103382. DOI: 10.1016/j.coal.2019.103382Li Y., Yu L., Zheng C., Ma Z., Yang S., Song F. et al. Development and field deployment of a mid-infrared CO and CO2 dual-gas sensor system for early fire detection and location // Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy. 2022. Vol. 270. No. 120834. DOI: 10.1016/j.saa.2021.120834Li Y., Yu L., Zheng C., Ma Z., Yang S., Song F. et al. Development and field deployment of a mid-infrared CO and CO2 dual-gas sensor system for early fire detection and location. Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy. 2022; 270:120834. DOI: 10.1016/j.saa.2021.120834Bu F., Gharajeh M.S. Intelligent and vision-based fire detection systems: a survey // Image and Vision Computing. 2019. Vol. 91. No. 103803. DOI: 10.1016/j.imavis.2019.08.007Bu F., Gharajeh M.S. Intelligent and vision-based fire detection systems: A survey. Image and Vision Computing. 2019; 91:103803. DOI: 10.1016/j.imavis.2019.08.007Cetin A.E., Dimitropoulos K., Gouverneur B., Grammalidis N., Gunay O., Habiboglu Y.H. et al. Video fire detection : review // Digital Signal Processing. 2013. Vol. 23. Pp. 1827–1843. DOI: 10.1016/j.dsp.2013.07.003.EDN RIKHCF.Cetin A.E., Dimitropoulos K., Gouverneur B., Grammalidis N., Gunay O., Habiboglu Y.H. et al. Video fire detection : review. Digital Signal Processing. 2013; 23:1827-1843. DOI: 10.1016/j.dsp.2013.07.003. EDN RIKHCF.Xie D., Chen Q., Zhu Y. Optimal layout scheme of fire detectors and operation condition monitoring technology in urban integrated substation // Measurement. 2024. Vol. 236. No. 115093. DOI: 10.1016/j.measurement.2024.115093Xie D., Chen Q., Zhu Y. Optimal layout scheme of fire detectors and operation condition monitoring technology in urban integrated substation. Measurement. 2024; 236:115093. DOI: 10.1016/j.measurement.2024.115093Hashemzadeh M., Zademehdi A. Fire detection for video surveillance applications using ICA K-medoids-based color model and efficient spatio-temporal visual features // Expert Systems with Applications. 2019. Vol. 130. Pp. 60–78. DOI: 10.1016/j.eswa.2019.04.019Hashemzadeh M., Zademehdi A. Fire detection for video surveillance applications using ICA K-medoids-based color model and efficient spatio-temporal visual features. Expert Systems with Applications. 2019; 130:60-78. DOI: 10.1016/j.eswa.2019.04.019Ahn Y., Choi H., Kim B.S. Development of early fire detection model for buildings using computer vision-based CCTV // Journal of Building Engineering. 2023. Vol. 65. No. 105647. DOI: 10.1016/j.jobe.2022.105647Ahn Y., Choi H., Kim B.S. Development of early fire detection model for buildings using computer vision-based CCTV. Journal of Building Engineering. 2023; 65:105647. DOI: 10.1016/j.jobe.2022.105647Yazdi M., Bouwmans T. New trends on moving object detection in video images captured by a moving camera: A survey // Computer Science Review. 2018. Vol. 28. Pp. 157–177. DOI: 10.1016/j.cosrev.2018.03.001Yazdi M., Bouwmans T. New trends on moving object detection in video images captured by a moving camera: A survey. Computer Science Review. 2018; 28:157-177. DOI: 10.1016/j.cosrev.2018.03.001Hackner A., Oberpriller H., Ohnesorge A., Hechtenberg V., Müller G. Heterogeneous sensor arrays: Merging cameras and gas sensors into innovative fire detection systems // Sensors and Actuators B: Chemical. 2016. Vol. 231. Pp. 497–505. DOI: 10.1016/j.snb.2016.02.081Hackner A., Oberpriller H., Ohnesorge A., Hechtenberg V., Müller G. Heterogeneous sensor arrays: Merging cameras and gas sensors into innovative fire detection systems. Sensors and Actuators B: Chemical. 2016; 231:497-505. DOI: 10.1016/j.snb.2016.02.081Yar H., Khan Z.A., Rida I., Ullah W., Kim M.J., Baik S.W. An efficient deep learning architecture for effective fire detection in smart surveillance // Image and Vision Computing. 2024. Vol. 145. No. 104989. DOI: 10.1016/j.imavis.2024.104989Yar H., Khan Z.A., Rida I., Ullah W., Kim M.J., Baik S.W. An efficient deep learning architecture for effective fire detection in smart surveillance. Image and Vision Computing. 2024; 145:104989. DOI: 10.1016/j.imavis.2024.104989Евсиков А.А., Самарин И.В. Обнаружение очагов возгорания на технологических объектах с использованием сверточной нейронной сети // Пожаровзрывобезопасность/Fire and Explosion Safety. 2023. Vol. 32 (5). Pp. 40–48. DOI: 10.22227/0869-7493.2023.32.05.40-48Evsikov A.A., Samarin I.V. Detecting Fire Sources at Technological Facilities Using a Convolutional Neural Network. Pozharovzryvobezopasnost/Fire and explosion safety. 2023; 32(5):40-48. DOI: 10.22227/0869-7493.2023.32.­05.­­­­­40-48 (rus).

The authors declare that there are no conflicts of interest present.