Использование видеоаналитики для раннего обнаружения возгорания

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. 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. 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.

1. Festag 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-y

2. Sheng 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: 10.1155/2021/5554316

3. Ma 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.2024.108517

4. Nan 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.2012.08.211

5. Калмыков 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.2012.08.211

6. 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.

7. 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.2024.109427

8. Kuznetsov 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.2024.05.010

9. Артамонов 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.2016.25.09.78-83

10. 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.2019.103382

11. Li 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.2021.120834

12. Bu 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.2019.08.007

13. Cetin 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.

14. 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.2024.115093

15. Hashemzadeh 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.2019.04.019

16. Ahn 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.2022.105647

17. Yazdi 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.2018.03.001

18. Hackner 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.2016.02.081

19. Yar 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.2024.104989

20. Евсиков 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: 10.22227/0869-7493.2023.32.05.40-48