Информационная система мониторинга на основе интеллектуальной классификации изображений видеопотоков

Аннотация

Разработка информационной системы мониторинга пожарной и экологической безопасности на основе анализа видеоданных, получаемых с беспилотных летательных аппаратов, является актуальной задачей, поскольку своевременное обнаружение очага пожара позволяет снизить как материальные, так и людские потери. Цель исследования заключается в разработке информационной системы мониторинга пожарной обстановки на основе анализа изображений, полученных с RGB-камер, с помощью автономных интеллектуальных агентов (АИА) и моделей машинного обучения. Разработан метод классификации изображений видеоряда, состоящий из двух этапов. На первом этапе выполняется сегментация изображений на прямоугольные сегменты заданного размера. При этом анализируются три класса образов: дым, пламя, индифферентный класс. Для классификации выделенных сегментов используются «слабые» и «сильные» классификаторы. «Слабые» классификаторы построены на использовании дескрипторов. Формирование дескрипторов выполнялось на основе преобразования Уолша-Адамара. Дескрипторы вычисляются для трех «слабых» классификаторов. Первый «слабый» классификатор используют спектральные коэффициенты Уолша-Адамара для окна всего сегмента. Второй классификатор реализует дескрипторы для окна размер, которого в 2 раза меньше выделенного анализируемого сегмента. Соответственно, третий классификатор использует дескрипторы, вычисленные в окне, размер которого в четыре раза меньшего размера окна, первоначального выделенного сегмента. Классификатор состоит из трех независимо обучаемых нейронных сетей – «слабых» классификаторов. Для объединения выходов нейронных сетей используется блок усреднения по ансамблю. Разработана информационная система, позволяющая: формировать базу данных изображений сегментов для классов «дым», «пламя», «индифферентный»; определять двумерный спектр Уолша-Адамара сегментов изображений, получаемых с беспилотных летательных аппаратов; обучать полносвязные нейронные сети; проводить разведочный анализ. Экспериментальные исследования по классификации видеоданных, содержащих пламя и дым, показали среднее значение точности обнаружения дыма 86 %, а пламени – 89,5 %. Ошибки второго рода при обнаружении дыма в среднем составили 13 %, а при обнаружении пламени – 4,5%. Для настройки классификаторов использовались данные с камер видеонаблюдения на открытых пространствах.