КАСКАДНИЙ МЕТОД ДЕТЕКТУВАННЯ ПОЛУМ'Я У ВІДЕОПОТОЦІ З ВИКОРИСТАННЯМ ГЛИБОКИХ ЗГОРТКОВИХ НЕЙРОННИХ МЕРЕЖ

Abstract

Запропоновано каскадний бінарний класифікатор, який базується на використанні суміші Гауссового розподілу, примітивів Хаара та глибоких згорткових нейронних мереж. Застосування такого підходу дає змогу, з одного боку, здійснювати моніторинг середовища в режимі, наближеному до реального часу, а з іншого – забезпечити досить високий показник ефективності виявлення полум'я на відеозображеннях (92,7 %). На першому етапі, за допомогою використання примітивів Хаара, до попередньо виокремлених рухомих регіонів відеозображення генеруються так звані регіони інтересу. На другому етапі отримані регіони інтересу передаються для класифікації на вхід до глибокої згорткової нейронної мережі, яка формує висновок про наявність або відсутність полум'я на зображенні. У межах проведення дослідження запропоновано модифіковану модель нейронної мережі – SqueezeNet. Виявлено, що за допомогою використання трансферного підходу під час навчання нейронної мережі, існує змога мінімізувати кількість хибних викликів, особливо на об'єктах, які візуально можуть нагадувати полум'я, та зменшити часові затрати, які необхідні для її навчання. Для покращення ефективності роботи нейронної мережі здійснено низку тонких налаштувань (ансамбль з нейронних мереж, поворот зображень, зменшення показника швидкості навчання, кадрування та передискретизація), що сумарно дало змогу покращити її ефективність на 2,4 %.

Keywords

• виявлення руху
• примітиви хаара
• трансферне навчання
• інтелектуальні системи
• комп'ютерний зір