Сочинение на тему Методы и модели обнаружения дыма

Обнаружение дыма, вызванного курением сигарет в общественных местах, было общей целью многих систем, поскольку оно имеет применение не только для проблем со здоровьем, но и потому, что курение является основной причиной пожара в общественных местах. Представлен обзор проделанной ранее работы по распознаванию и обнаружению курения в общественных местах, и обсуждаются различные модели и методы, доступные для обучения нейронной сети, которые имеют приложения для распознавания объектов в режиме реального времени. Сенсорная система, предложенная Y. Liu et al., Является широко используемым пассивным датчиком обнаружения дыма. Однако такие датчики, которые обнаруживают смог от табачных изделий, недостаточно чувствительны для помещений с большой площадью. Также может быть дорогостоящим установить такой датчик в комнате, а также может потребоваться реорганизация помещения, чтобы позволить установку датчика. П. Ву и соавторы предлагают систему, основанную на зрении, которая использует цветную гистограмму, чтобы нарисовать взаимодействие между сигаретой и ее держателем. Поскольку этот подход основан на идентификации человеческих жестов для обозначения события курения, он склонен к ложному обнаружению события, когда жест похож на удержание сигареты, такой как ручка, которую кто-то держит. Другой подход, используемый для обнаружения курения, использует схему, которую дым оставляет на сигналах WiFi, как показано Zheng, Xiaolong, et al. Однако этот метод ограничен внутренней средой, где есть доступные сигналы WiFi, которые будут зависеть от схемы курения, особенно в Индии, где WiFi не стал повсеместным.

Обнаружение дыма является активно исследуемой темой из-за проблем, с которыми оно сталкивается при определении его визуальных характеристик в наружных пространствах, где среда в основном неизвестна. Тиан, Хонгда и др. Описывает подход разделения изображений, при котором компонент дыма отличается от фона, предполагая, что изображение представляет собой линейную смесь дыма и фона. Чтобы получить компонент дыма, автор предлагает использовать модель гауссовой смеси (GMM) в качестве этапа предварительной обработки для экстракции на переднем плане. Однако, когда среда очень динамична, например, в торговом центре, метод вычитания фона не имеет значения из-за множества движущихся целей. Чтобы преодолеть недостатки использования детекторов дыма, Челик, Тургай и др. Используют информацию о цвете вместе с нечеткой логикой для определения наличия дыма. Этот подход, хотя и эффективен при обнаружении сильного дыма, вызываемого во время пожара, может пропустить обнаружение сигаретного дыма, который имеет легкий и прозрачный цвет с низкой плотностью. Другой метод, который используется при обнаружении дыма, фиксирует движение капель дыма в каждом видеокадре, а затем применяет анализ связанных компонентов для всего видео. Этот метод применен Бровко Н. и др. С использованием алгоритма оптического потока, чтобы обнаружить движение и оценить, находится ли оно в пределах 0-45 °, чтобы охарактеризовать его как дым, и Филоненко, Александр. В последнем подходе автор повысил производительность алгоритма, применив параллельную обработку графических процессоров CUDA для обработки видео как низкого, так и высокого разрешения.

Глубокое обучение – это мощная вычислительная модель, состоящая из нескольких слоев, способная изучать данные с высоким уровнем абстракции. С развитием глубокого обучения потребность в ручной настройке машинного обучения, использовавшегося ранее, значительно снизилась. Это также привело к разработке современных систем обнаружения объектов, распознавания речи и других областей. ЛеКун, Янн, описывает, как глубокое обучение преодолело ограничения традиционных алгоритмов машинного обучения, а также обсуждает такие методы, как контролируемое и неконтролируемое обучение, с его отношением к нескольким скрытым уровням нейронной сети для извлечения данных высокого уровня. Фанг, Чжицзюнь, предложили метод обнаружения аномальной активности из видеонаблюдения с помощью оптического потока многомасштабной гистограммы на видеокадрах. Он усовершенствовал более ранние методы обнаружения отклонений, применяя сеть глубокого обучения для извлечения функций высокого уровня из видеокадра. Показано, что выполнение предложенной работы дает эффективные результаты по сравнению с предыдущими методами без глубокого обучения. Более недавнее применение глубокого обучения для обнаружения объектов было замечено, когда Smeureanu, Sorina и др. Использовали сверточную нейронную сеть для обнаружения брошенных объектов в общественных местах, чтобы уменьшить риск террористических атак, которые используют такие неопознанные объекты / багаж. Он использовал вычитание фона. в качестве первого шага для получения статического объекта, то есть любой оставленной сумки, а затем использовал каскад CNN, чтобы обучить свою модель различным изображениям багажа, полученным из Интернета. Его метод показал результаты лучше, чем те, которые были получены с базовой моделью CNN. Larochelle, Hugo и др. Обсудили принципы обучения глубоких нейронных сетей. Они осуществили предварительное обучение по одному слою за раз, а затем использовали обучение без контроля на каждом уровне, чтобы сохранить информацию от ввода. Вся сеть была точно настроена с учетом конечного критерия интереса.

Были изучены различные методы, которые могут быть использованы для реализации машинного обучения в нашей системе. На такой широко используемой модели была модель тензорного потока. Абади, Мартин и др. Объяснили влияние, которое тензорный поток оказывает на развертывание алгоритмов машинного обучения в областях распознавания речи, робототехники, обработки естественного языка, обнаружения наркотиков и т. Д. Они также описали интерфейс тензорного потока и его реализацию для широкого спектра разнородных системы, такие как мобильные телефоны и другие высокопроизводительные вычислительные устройства, такие как графические процессоры. Они показали, что их система очень гибкая, что позволяет использовать широкий спектр алгоритмов для обучения модели глубоких нейронных сетей. Другая модель, которая была разработана для реализации глубокого обучения и нейронных сетей в модели Caffe Jia, Yangqing et al. Эта модель была введена, чтобы удовлетворить потребность в вычислительно эффективных и подходящих для коммерческого применения визуального распознавания. Модель была сделана с открытым исходным кодом и имела привязки к Python и MATLAB. Чтобы добиться более быстрой обработки, CUDA использовалась с вычислениями на GPU. Многие методы были разработаны в последние несколько лет как метод обнаружения объектов на изображениях с использованием глубоких нейронных сетей. Одним из таких алгоритмов, который был изучен в ходе работы над этой диссертацией, был Single Shot Multibox Detector (SSD) от Liu, Wei et al. SSD разделила пространство ограничивающего прямоугольника на блоки по умолчанию с различными соотношениями сторон для каждой полученной карты характеристик. Затем сеть прогнозировала баллы наличия объекта в окне по умолчанию на основе математики с формой объекта. SSD был описан как модель, которую легко обучить, и она дала точные результаты даже для небольших входных данных обучения с низким разрешением. Высокая точность в этой модели была получена путем реализации нескольких слоев в разных масштабах для прогнозирования. Другой важной литературой было использование глубокого обучения для обнаружения и локализации объекта в реальном времени. В этой работе, представленной Particke, F. и др., Использовалась еще одна модель обучения нейронной сети под названием «Ты только смотри один раз» (YOLO). В этом документе представлен точный подход в реальном времени для обнаружения и локализации объектов, которые использовались на мобильных платформах для оптимизации производственных процессов в отрасли 4.0. Обнаружение объекта с помощью нейронной сети YOLO было объединено с информацией о глубине, полученной с камеры RGB-D. YOLO был объяснен как быстрый метод прогнозирования оценки объектности для каждого ограничивающего прямоугольника, полученный из карты признаков пикселей изображения. YOLOv2 разделил изображение в сетке и предсказал ограничивающие рамки для каждой ячейки сетки с четырьмя координатами и оценкой достоверности для этих блоков. Последняя модель, изученная для обучения нейронной сети, была более быстрой моделью R-CNN. Рен, Шаоцин и др. Предложили более быструю модель R-CNN, в которой они представили региональную сеть предложений (RPN), которая использовала возможности полноразмерной сверточной сети с сетью обнаружения. RPN предсказал привязку объекта и оценку предсказания в каждой позиции. RPN были показаны как полностью сверточная сеть (FCN), и их можно было обучать непрерывно специально для задачи по генерации предложений обнаружения.

Ли, Гуанбин и др. предложили метод, который работал на уровне пикселей, а не на уровне исправлений в глубоко сверточной нейронной сети, и извлекал мощные функции для обнаружения объектов.