Detecção de fogo e fumaça em vídeos usando remoção de fundo e Redes Neurais Convolucionais
Resumo
Em ambientes abertos, quando há baixa umidade relativa do ar e calor excessivo uma pequena faísca pode ser o gatilho para que incêndios de grandes proporções aconteçam. Diante da imprevisibilidade do surgimento do fogo, detectá-lo de forma precoce é de suma importância para agilizar o combate ao incêndio e então minimizar suas consequências. As pesquisas com as Redes Neurais Convolucionais - CNN (Convolutional Neural Network) - vem aumentando de forma exponencial com utilizações de diversas tecnologias para a detecção de fogo. Desta maneira, o presente trabalho apresenta um processo de detecção de fogo e fumaça em vídeos baseado na utilização de métodos de remoção de fundo e redes neurais convolucionais para a detecção. Como resultados preliminares, o processo proposto foi capaz de alcançar uma acurácia de 92,73% na arquitetura FSDN-Fire Smoke Detection Network e 94,88% utilizando a arquitetura XCeption. Resultados similares aos encontrados na literatura utilizando a mesma base de Vídeos mostrando que aliar a utilização de CNN após a remoção de fundo em vídeos mostra-se uma estratégia promissora para a detecção de fogo e fumaça.Referências
C. F. de Castro, G. Serra, J. Parola, J. Reis, L. Lourenço, and S. Correia, "Combate a incêndios florestais," Escola Nacional de Bombeiros, vol. 13, 2003.
INPE. (2019) Monitoramento dos focos ativos por países. [On- line]. Available: http://queimadas.dgi.inpe.br/queimadas/portal-static/ estatisticas paises/
L. F. L. Fraga, "Verificação de adequação do projeto de uma tubulação de incêndio de uma refinaria de petróleo conforme as normas da petrobras," 2010.
B. M. N. de Souza, "Detecção e localização de fogo em imagens digitais usando técnicas de aprendizado de máquina," Ph.D. dissertation, Pontifícia Universidade Católica do Paraná, 2019. [Online]. Available: https://www.ppgia.pucpr.br/pt/arquivos/doutorado/teses/2019/ 066 Tese Bruno.pdf
T. Celik, H. Demirel, and H. Ozkaramanli, "Automatic fire detection in video sequences," in 2006 14th European Signal Processing Conference. IEEE, 2006, pp. 1–5.
T. Celik and H. Demirel, "Fire detection in video sequences using a generic color model," Fire safety journal, vol. 44, no. 2, pp. 147–158, 2009.
S. Rudz, K. Chetehouna, A. Hafiane, O. Sero-Guillaume, and H. Laurent, "On the evaluation of segmentation methods for wildland fire," in International Conference on Advanced Concepts for Intelligent Vision Systems. Springer, 2009, pp. 12–23.
W.-B. Horng, J.-W. Peng, and C.-Y. Chen, "A new image-based real- time flame detection method using color analysis," in Proceedings. 2005 IEEE Networking, Sensing and Control, 2005. IEEE, 2005, pp. 100– 105.
B. C. Ko, K.-H. Cheong, and J.-Y. Nam, "Fire detection based on vision sensor and support vector machines," Fire Safety Journal, vol. 44, no. 3, pp. 322–329, 2009.
R. S. priya and K. Vani, "Deep learning based forest fire classification and detection in satellite images," in 2019 11th International Conference on Advanced Computing (ICoAC), 2019, pp. 61–65.
Y. Lee, D. Im, and J. Shim, "Data labeling research for deep learning based fire detection system," in 2019 International Conference on Systems of Collaboration Big Data, Internet of Things Security (SysCoBIoTS), 2019, pp. 1–4.
M. Dua, M. Kumar, G. Singh Charan, and P. Sagar Ravi, "An improved approach for fire detection using deep learning models," in 2020 International Conference on Industry 4.0 Technology (I4Tech), 2020, pp. 171–175.
F. Chollet, "Xception: Deep learning with depthwise separable convolutions," in The IEEE Conference on Computer Vision and Pattern Recognition (CVPR), July 2017, pp. 1251–1258.
P. Foggia, A. Saggese, and M. Vento, "Real-time fire detection for video-surveillance applications using a combination of experts based on color, shape, and motion," IEEE TRANSACTIONS on circuits and systems for video technology, vol. 25, no. 9, pp. 1545–1556, 2015.
P. KaewTraKulPong and R. Bowden, "An improved adaptive background mixture model for real-time tracking with shadow detection," in Videobased surveillance systems. Springer, 2002, pp. 135–144.
INPE. (2019) Monitoramento dos focos ativos por países. [On- line]. Available: http://queimadas.dgi.inpe.br/queimadas/portal-static/ estatisticas paises/
L. F. L. Fraga, "Verificação de adequação do projeto de uma tubulação de incêndio de uma refinaria de petróleo conforme as normas da petrobras," 2010.
B. M. N. de Souza, "Detecção e localização de fogo em imagens digitais usando técnicas de aprendizado de máquina," Ph.D. dissertation, Pontifícia Universidade Católica do Paraná, 2019. [Online]. Available: https://www.ppgia.pucpr.br/pt/arquivos/doutorado/teses/2019/ 066 Tese Bruno.pdf
T. Celik, H. Demirel, and H. Ozkaramanli, "Automatic fire detection in video sequences," in 2006 14th European Signal Processing Conference. IEEE, 2006, pp. 1–5.
T. Celik and H. Demirel, "Fire detection in video sequences using a generic color model," Fire safety journal, vol. 44, no. 2, pp. 147–158, 2009.
S. Rudz, K. Chetehouna, A. Hafiane, O. Sero-Guillaume, and H. Laurent, "On the evaluation of segmentation methods for wildland fire," in International Conference on Advanced Concepts for Intelligent Vision Systems. Springer, 2009, pp. 12–23.
W.-B. Horng, J.-W. Peng, and C.-Y. Chen, "A new image-based real- time flame detection method using color analysis," in Proceedings. 2005 IEEE Networking, Sensing and Control, 2005. IEEE, 2005, pp. 100– 105.
B. C. Ko, K.-H. Cheong, and J.-Y. Nam, "Fire detection based on vision sensor and support vector machines," Fire Safety Journal, vol. 44, no. 3, pp. 322–329, 2009.
R. S. priya and K. Vani, "Deep learning based forest fire classification and detection in satellite images," in 2019 11th International Conference on Advanced Computing (ICoAC), 2019, pp. 61–65.
Y. Lee, D. Im, and J. Shim, "Data labeling research for deep learning based fire detection system," in 2019 International Conference on Systems of Collaboration Big Data, Internet of Things Security (SysCoBIoTS), 2019, pp. 1–4.
M. Dua, M. Kumar, G. Singh Charan, and P. Sagar Ravi, "An improved approach for fire detection using deep learning models," in 2020 International Conference on Industry 4.0 Technology (I4Tech), 2020, pp. 171–175.
F. Chollet, "Xception: Deep learning with depthwise separable convolutions," in The IEEE Conference on Computer Vision and Pattern Recognition (CVPR), July 2017, pp. 1251–1258.
P. Foggia, A. Saggese, and M. Vento, "Real-time fire detection for video-surveillance applications using a combination of experts based on color, shape, and motion," IEEE TRANSACTIONS on circuits and systems for video technology, vol. 25, no. 9, pp. 1545–1556, 2015.
P. KaewTraKulPong and R. Bowden, "An improved adaptive background mixture model for real-time tracking with shadow detection," in Videobased surveillance systems. Springer, 2002, pp. 135–144.
Publicado
07/11/2020
Como Citar
NAGAI, Mayla Toshimi; SOUZA, Bruno M N.
Detecção de fogo e fumaça em vídeos usando remoção de fundo e Redes Neurais Convolucionais. In: WORKSHOP DE TRABALHOS DA GRADUAÇÃO - CONFERENCE ON GRAPHICS, PATTERNS AND IMAGES (SIBGRAPI), 33. , 2020, Evento Online.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2020
.
p. 203-206.
DOI: https://doi.org/10.5753/sibgrapi.est.2020.13012.
