Mixed Approach of Real-Time Smoke and Fire Recognition from CCTV Cameras
dc.creator | Хамдамов, Р.Х. | |
dc.creator | Сакиев, Т.Р. | |
dc.creator | Рахманов, Х.Э. | |
dc.date | 2023-06-27 | |
dc.date.accessioned | 2024-03-25T11:46:29Z | |
dc.date.available | 2024-03-25T11:46:29Z | |
dc.description | To date, the main problem associated with the prevention of fires in open areas is their early detection. It is very difficult to put out a fire that has already begun, even with large modern firefighting equipment and human resources. However, using modern artificial intelligence technologies, it is possible to offer more effective ways to solve the problem - this is the detection of smoke and fire at the initial stages of ignition. The most promising method for early detection of a fire is its detection based on video surveillance. Monitoring of large areas and the rapid decline in the cost of video cameras will allow this latest technology to become truly widespread in the fire safety system. This article proposes object recognition by hybrid methods based on contour analysis and neural network technologies. Tests of the results of smoke and fire recognition by the methods of contour analysis and artificial neural network were carried out by the full-scale method in accordance with the test method defined by GOST R 53325-2012. | en-US |
dc.description | На сегодняшний день основной проблемой, связанной с предупреждением пожаров на открытой местности, является их раннее выявление. Потушить уже начавшийся пожар очень сложно даже при наличии больших современной противопожарной техники и людских ресурсов. Однако, используя современные технологии искусственного интеллекта можно предложить более эффективные способы решения проблемы – это обнаружение дыма и огня на первоначальных этапах возгорания. Наиболее перспективным методом раннего обнаружения пожара является выявление его на основе видеонаблюдения. Мониторинг больших площадей и стремительное снижение стоимости видеокамер позволит этой новейшей технологии получить по-настоящему широкое распространение в системе пожарной безопасности. В этой статье предлагается распознавание объектов гибридными методами на основе контурного анализа и нейросетевых технологий. Испытания результатов распознавания дыма и огня методами контурного анализа и искусственной нейронной сети проводились натурным методом в соответствии методикой испытания, определенным ГОСТ Р 53325-2012. | ru-RU |
dc.format | application/pdf | |
dc.identifier | https://ijdt.uz/index.php/ijdt/article/view/77 | |
dc.identifier.uri | https://dspace.umsida.ac.id/handle/123456789/36057 | |
dc.language | rus | |
dc.publisher | Samarkand branch of TUIT | ru-RU |
dc.relation | https://ijdt.uz/index.php/ijdt/article/view/77/54 | |
dc.rights | Copyright (c) 2023 Рахманов Х.Э. | ru-RU |
dc.source | INTERNATIONAL JOURNAL OF THEORETICAL AND APPLIED ISSUES OF DIGITAL TECHNOLOGIES; Vol. 4 No. 2 (2023): International Journal of Theoretical and Applied Issues of Digital Technologies; 19-26 | en-US |
dc.source | Международный Журнал Теоретических и Прикладных Вопросов Цифровых Технологий; Том 4 № 2 (2023): Международный журнал теоретических и прикладных вопросов цифровых технологий; 19-26 | ru-RU |
dc.source | 2181-3094 | |
dc.source | 2181-3086 | |
dc.subject | artificial intelligence | en-US |
dc.subject | contour analysis | en-US |
dc.subject | convolutional neural network | en-US |
dc.subject | YOLOv5 algorithm | en-US |
dc.subject | type 1 error FRR | en-US |
dc.subject | type 2 error FAR | en-US |
dc.subject | искусственный интеллект | ru-RU |
dc.subject | контурный анализ | ru-RU |
dc.subject | свёрточная нейронная сеть | ru-RU |
dc.subject | алгоритм YOLOv5 | ru-RU |
dc.subject | ошибка первого рода FRR | ru-RU |
dc.subject | ошибка второго рода FAR | ru-RU |
dc.title | Mixed Approach of Real-Time Smoke and Fire Recognition from CCTV Cameras | en-US |
dc.title | Смешанный подход распознавания дыма и огня по камерам видео наблюдения в режиме реального времени | ru-RU |
dc.type | info:eu-repo/semantics/article | |
dc.type | info:eu-repo/semantics/publishedVersion | |
dc.type | Рецензированная статья | ru-RU |