علی حسینی کشکی - دانشجوی کارشناسی ارشد، دانشکده فناوری اطلاعات و مهندسی کامپیوتر دانشگاه شهید مد نی آذربای جان – تبریز – ایران
مهدی هاشم زاده - دانشیار، دانشکده فناوری اطلاعات و مهندسی کامپیوتر دانشگاه شهید مدنی آذربای جان – تبریز – ایران

آتش سوزی معمولا منجر به خسارت های جانی، مالی و زیست محیطی زیادی در محیط های کاربردی مختلف می شود. بنابراین تشخیص آتش سوزی مبتنی بر بینایی کامپیوتر می تواند یکی از مهم ترین وظایف در سیستم های مراقبتی و نظارتی مدرن باشد که در اغلب محیط های کاربردی مانند صنعتی، تجاری و مسکونی مورد استفاده قرار می گیرند. تشخیص آتشسوزی مبتنی بر تصویر می تواندبه شناسایی و کنترل هر چه سریع تر آتش سوزی کمک کند و بدیهی است که هرچه زودتر آتش سوزی تشخیص داده شود، شانس زنده ماندن انسان ها و سایر موجودات، کنترل حریق و جلوگیری از اتلاف منابع و خسارت های مالی، بیشتر خواهد بود. بنابراین وجود سیستم های اعلان حریق دقیق، سریع و قابل حمل تعبیه شده در سیستم های نظارتی یک نیاز ضروری و حیاتی می باشد. اولین قدمبرای تشخیص زودهنگام آتش سوزی، تشخیص شعله و دود است. در حال حاضر، بیشتر روش های تشخیص آتش سوزی مبتنی بر بینایی کامپیوتر فقط به تشخیص یکی ازموارد شعله یا دود برای تشخیص وقوع آتش سوزی بسنده می کنند که این روش ها محدودیت های زیادی را در دنیای واقعی دارند. در این تحقیق، ما یک رویکرد یکپارچه و جدید برای تشخیص شعله و دود آتش مبتنی بر یادگیریعمیق پیشنهاد می کنیم که می تواند در دوربین های نظارتی به کار رود و وقوع هر نوع آتش سوزی را در مدت زمان قابل قبولی تشخیص دهد. ما یک معماری شبکه عصبی کانولوشنی جدیدی را برای نائل شدن به این هدف پیشنهاد می کنیم. روش ما تصاویر متوالی از دوربین های نظارتی را دریافت کرده و آنها را در هشت کلاس مختلف کلاس بندی می کند. کلاس های سیستم پیشنهادی شامل شعلهآتش، دود سفید، دود سیاه، شعله آتش و دود سفید، شعله آتش و دود سیاه، دود سیاه و دود سفید، شعله آتش و دود سفید و دود سیاه و وضعیت نرمال است. آزمایشات مختلف انجام گرفته بر روی تصاویر ویدئویی استاندار د، دقت و سرعت عمل رویکرد پیشنهادی را تایید می کنند .

بینایی ماشین، اعلان حریق، تشخیص شعله، تشخیص دود، یادگیری عمیق، شبکه های عصبی کانولوشنی، یادگیری انتقالی