БЕЗПЕКА ЖИТТЄДІЯЛЬНОСТІ В АГРАРНОМУ СЕКТОРІ: РЕАЛІЗАЦІЯ МАТЕМАТИЧНОЇ МОДЕЛІ МАШИННОГО ЗОРУ ДЛЯ ВИЯВЛЕННЯ ПОЖЕЖ НА ПОЛЯХ
DOI:
https://doi.org/10.35546/kntu2078-4481.2025.2.1.11Ключові слова:
безпека життєдіяльності, пожежа, вогонь, дим, поле, машинний зір, математична модельАнотація
У статті актуалізовано проблему вчасного відслідковування пожеж на сільськогосподарських полях, поширення яких завдають значних економічних втрат та впливають на безпеку життєдіяльності як працівників, так і оточуючих людей. Запропоновано удосконалити алгоритм відслідковування пожеж за допомогою розробленої математичної моделі для системи машинного зору, яку можна встановити на літальні апарати по типу БПЛА. Проведений аналіз використання засобів машинного зору у сільському господарстві для виявлення пожеж показав, що на даний час розроблено потужні нейромережі для розпізнавання лісових пожеж, які потребують стаціонарних обчислювальних потужностей. Метою дослідження є розробка легкої за обчислювальними витратами та ефективної математичної моделі системи машинного зору для виявлення пожеж на сільськогосподарських полях як інструмента безпеки життєдіяльності працівників. Запропоновано алгоритм програми машинного зору та показано результат її роботи на зображеннях із польовими пожежами. Під час експериментальних досліджень система розпізнала локації диму та вогню і обвела ці об’єкти синім та червоним кольором відповідно та проінформувала оператора БПЛА. Завдяки здатності системи оперативно виявляти пожежі в режимі реального часу можливе швидке реагування пожежних служб, що зменшує масштаб поширення вогню. Вчасне виявлення пожеж не лише мінімізує втрати сільськогосподарських угідь та знижує економічні збитки, але й істотно зменшує ризики для здоров’я та життя людей, які можуть опинитися поблизу осередків займання. Крім того, своєчасне виявлення пожеж сприяє зменшенню викидів токсичних продуктів горіння в атмосферу, що позитивно впливає на екологічну безпеку. Таким чином, інтеграція машинного зору в системи моніторингу пожеж є важливим кроком до підвищення рівня безпеки життєдіяльності в аграрному секторі.
Посилання
Гуліда Е. М., Ренкас А. А. Вплив пожеж на екологічну безпеку навколишнього середовища. Науковий вісник НГУ : Екологічна безпека, охорона праці. 2014, № 5, С. 91–100.
Toreyin B. U., Dedeoglu Y., Gueduekbay U. Computer vision based method for real-time fire and flame detection. Pattern Recognition Letters. 2006, 27(1), рр. 49–58.
Kinaneva D., Hristov G., Raychev J., Zahariev P. Early forest fire detection using drones and artificial intelligence. 42nd International Convention on Information and Communication Technology, Electronics and Microelectronics. MIPRO. 2019, Proceedings, art. no. 8756696, pp. 1060–1065. DOI: 10.23919/MIPRO.2019.8756696
Borges P., Izquierdo E. A Probabilistic Approach for Vision-Based Fire Detection in Videos. IEEE Trans. Circuits Syst. Video Technol. 2010, 20, рр. 721–731.
Ryu J., Kwak D. Flame Detection Using Appearance-Based Pre-Processing and Convolutional Neural Network. Appl. Sci. 2021, 11, рр. 5138.
Yuan C., Ghamry K. A., Liu Z., Zhang Y. Unmanned aerial vehicle based forest fire monitoring and detection using image processing technique. In Proceedings of the 2016 IEEE Chinese Guidance, Navigation and Control Conference (CGNCC), Nanjing, China, 12–14 August 2016; pp. 1870–1875.
Jindal P., Gupta H., Pachauri N., Sharma V., Verma O.P. Real-Time Wildfire Detection via Image-Based Deep Learning Algorithm. In Soft Computing: Theories and Applications. Springer: Singapore. 2021, pp. 539–550.
Li P., Zhao W. Image fire detection algorithms based on convolutional neural networks. Case Stud. Therm. Eng. 2020, 19, рр. 100625.
Barmpoutis P., Dimitropoulos K., Kaza K., Grammalidis N. Fire Detection from Images Using Faster R-CNN and Multidimensional Texture Analysis. In Proceedings of the ICASSP 2019–2019 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP), Brighton, UK, 12–17 May 2019, pp. 8301–8305.
Xu R., Lin H., Lu K., Cao L., Liu Y. A Forest Fire Detection System Based on Ensemble Learning. Forests. 2021, 12, рр. 217.
Lu P., Zhao Y., Xu Y. A Two-Stream CNN Model with Adaptive Adjustment of Receptive Field Dedicated to Flame Region Detection. Symmetry. 2021, 13, рр. 397.
Kanivets O. V., Kanivets I. M., Gorda T. M., Burlaka O. A. Development of a machine vision program to determine the completeness of wrapping plants in the soil, CEUR Workshop Proceedings. 2022, Vol. 3077, pp. 27–43. URL: https://ceur-ws.org/Vol-3077/paper04.pdf
F. M. AnimHossain, Youmin M. Zhang, Masuda AkterTonima Forest fire flame and smoke detection from UAV- captured images using fire-specific color features and multi-color space local binary pattern. Journal of Unmanned Vehicle Systems. 2020, 8(4), рр. 285-309. DOI: 10.1139/juvs-2020-0009
Chen X., Hopkins B., Wang H., O’Neill L., Afghah F., Razi A., Fulé P., Coen J., Rowell E., Watts A. Wildland Fire Detection and Monitoring Using a Drone-Collected RGB/IR Image Dataset, IEEE Access. 2022, 10, pp. 121301–121317. DOI: 10.1109/ACCESS.2022.3222805
Nelson K. N., Boehmler J. M., Khlystov A. Y., Moosmüller H., Samburova V., Bhattarai C., Wilcox E. M., Watts A. C. A multipollutant smoke emissions sensing and sampling instrument package for unmanned aircraft systems: Development and testing. Fire. 2019, 2(2), art. no. 32, pp. 1–18. DOI: 10.3390/fire2020032
##submission.downloads##
Опубліковано
Номер
Розділ
Ліцензія
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
