میلاد حیدری - دانشجوی کارشناسی ارشد، دانشکده فناوری اطلاعات و مهندسی کامپیوتر دانشگاه شهید مدنی آذربایجان – تبریز – ایران
مهدی هاشم زاده - دانشیار، دانشکده فناوری اطلاعات و مهندسی کامپیوتر دانشگاه شهید مدنی آذربایجان – تبریز – ایران

تشخیص وجود آتش سوزی در مراحل ابتدایی آن اهمیت بسیار بالایی در محیطهای کاربردی مختلف دارد. برای این منظور، ا ستفاده از روشهای بینایی ما شین میتواند زمان ت شخیص را به میزان قابل توجهی کاهش دهد. از میان علائم بصری آتش، با توجه به اینکه دود در بسیاری از موارد زودتر از شعله های آتش نمایان میشود و به سرعت محیط را فرا میگیرد، میتوان از آن برای تشخیص زودهنگام خطر حریق ا ستفاده کرد. برای این منظور، در این مقاله یک رویکرد تشخیص دود در تصاویر برگرفته شده از دوربینهای نظارتی ارائه شده است. در رویکرد پیشنهادی، یک شبکه ی عصبی کانولوشنی با معماری جدیدی معرفی شده است که در عین اینکه دارای تعداد پارامتر بسیار پائینی است، که باعث کاهش بار محاسباتی میشود، دارای قدرت تشخیص بالایی نیز میباشد. تفکیک دود سفید رنگ با دود سیاه رنگ در کلاسهای جداگانه نیز بر قدرت روش پیشنهادی افزوده است. همچنین استفاده از یک روش یکنواخت سازی هیستوگرام متناسب با کاربرد مورد هدف منجر به کاهش تاثیر عوامل ناشی از نوسانات سطح روشنایی بر داده های ورودی شبکه شده است. آزمایشات انجام گرفته بر روی مجموعه تصاویر ویدویی استاندارد نشان از عملکرد مناسب رویکرد پیشنهادی دارد.

تشخیص دود، نظارت ویدیویی، پردازش ویدیو، یادگیری عمیق، شبکه های عصبی کانولوشنی