تطوير نظام الوقت الحقيقي للكشف عن الدخان والحرائق في المناطق الواسعة باستخدام YOLOv8
الشريط الجانبي للمقالة
محتوى المقالة الرئيسي
الملخص
في عصر تميز بالتقدم الكبير في الذكاء الاصطناعي (AI) وتطبيقاته المتنوعة عبر مختلف المجالات، بما في ذلك التعلم الآلي ورؤية الكمبيوتر، شهد مجال أنظمة المراقبة وتدابير السلامة تحولًا عميقًا. وسط العديد من الكوارث الطبيعية، تظهر الحرائق كواحدة من أكثر الكوارث تدميراً، مما يستلزم استخدام قدرات الذكاء الاصطناعي لتطوير أنظمة مراقبة ذكية تعزز جهودنا الدفاعية ضد هذه الكارثة. وينطوي ذلك على الكشف المبكر وإخطار السلطات المختصة لمنع حدوث أضرار لا يمكن إصلاحها. ومع أن الأجهزة التقليدية للكشف عن الحرائق تسفر عن نتائج مرضية، فإنها تتضاءل فعاليتها في المناطق المفتوحة أو الكبيرة وتفتقر إلى قدرات الكشف في الوقت الحقيقي. استجابة لهذه التحديات، تهدف هذه الدراسة إلى تطوير نظام متقدم في الوقت الفعلي للكشف عن الدخان والحرائق مصمم خصيصًا للنشر على نطاق واسع. من خلال الاستفادة من قدرات نموذج التعلم العميق YOLOv8، دربت الدراسة الإصدارات الأكثر ملاءمة من النموذج المقترح (YOLOv8l، YOLOv8m) بمقاييس فرط بارامامتر مختلفة على مجموعة بيانات تضم 9756 صورة لسيناريوهات مختلفة للدخان والحريق. توضح النتائج قدرة النماذج على الكشف الدقيق عن الحرائق والدخان، وتحقيق متوسط معدلات دقة جديرة بالثناء مع الحفاظ على توازن دقيق بين الدقة والاستدعاء. على وجه التحديد، حقق النموذج YOLOv8l متوسط دقة (mAp50) بنسبة 85.1٪ ودرجة F1 بنسبة 80٪، بينما حقق النموذج YOLOv8m Map50 بنسبة 86٪ ودرجة F1 بنسبة 82٪. تُظهر هذه النماذج نتائج واعدة في أنظمة الكشف عن الحرائق والدخان في الوقت الفعلي، مما يشير إلى حقبة جديدة من التدابير الاستباقية للكشف عن الحرائق والوقاية منها، والتي يمكن نشرها على كاميرات مراقبة غير محددة.
تفاصيل المقالة
هذا العمل مرخص بموجب Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
المراجع
Chaudhary, M. T., & Piracha, A. (2021). Natural Disasters—Origins, Impacts, Management. Encyclopedia, 1 (4), 1101-1131.
Barmpoutis, P., Papaioannou, P., Dimitropoulos, K., & Grammalidis, N. (2020). A Review on Early Forest Fire Detection Systems Using Optical Remote Sensing. Sensors (Basel, Switzerland), 20 (22), 6442.
Vollmayer, D., & Gutman, M. (2019, November 26). Home fires spike over the holidays. What can you do to get out alive? ABC News.
Hall, S. (2023, October 31). Fire Loss in the United States. National Fire Protection Association.
Sun, J., Qi, W., Huang, Y., Xu, C., & Yang, W. (2023). Facing the Wildfire Spread Risk Challenge: Where Are We Now and Where Are We Going?, 6(6), 228.
Robinne, F.-N., Burns, J., Kant, P., Flannigan, M. D., Kleine, M., de Groot, B., & Wotton, D. M. (Eds.). (2018). Global fire challenges in a warming world: Summary note of a global expert workshop on fire and climate change, Vienna.
Sathishkumar, V. E., Cho, J., Subramanian, M., & Naren, O. S. (2023). Forest fire and smoke detection using deep learning-based learning without forgetting. Fire ecology, 19(1), 1-17.
Avazov, K., Mukhiddinov, M., Makhmudov, F., & Cho, Y. I. (2022). Fire Detection Method in Smart City Environments Using a Deep-Learning-Based Approach. Electronics, 11(1), 73.
Talaat, F. M., & ZainEldin, H. (2023). An improved fire detection approach based on YOLO-v8 for smart cities. Journal Title (italicized), Volume(Issue), Page Range.
An, L., Chen, L., & Hao, X. (2023). Indoor Fire Detection Algorithm Based on Second-Order Exponential Smoothing and Information Fusion. Information, 14(5), 258.
Saydirasulovich, S. N., Mukhiddinov, M., Djuraev, O., Abdusalomov, A., & Cho, Y.-I. (2023). An Improved Wildfire Smoke Detection Based on YOLOv8 and UAV Images.
Li, X., Vázquez-López, A., Sánchez Del Río Sáez, J., & Wang, D. Y. (2022). Recent advances on early-stage fire-warning systems: Mechanism, performance, and perspective. Nanomicro Letters, 14 (1), 197. Erratum in Nanomicro Letters, 14 (1), 226.
Truong, C. T., Nguyen, T. H., Vu, V. Q., Do, V. H., & Nguyen, D. T. (2023). Enhancing Fire Detection Technology: A UV-Based System Utilizing Fourier Spectrum Analysis for Reliable and Accurate Fire Detection. Applied Sciences, 13 (13), 7845.
Carta, F., Zidda, C., Putzu, M., Loru, D., Anedda, M., & Giusto, D. (2023). Advancements in Forest Fire Prevention: A Comprehensive Survey. Sensors, 23(14), 6635.
Yang, H., Wang, J., & Wang, J. (2023). Efficient Detection of Forest Fire Smoke in UAV Aerial Imagery Based on an Improved Yolov5 Model and Transfer Learning. Remote Sensing, 15(23), 5527.
Avazov, K., Jamil, M. K., Muminov, B., Abdusalomov, A. B., & Cho, Y.-I. (2023). Fire Detection and Notification Method in Ship Areas Using Deep Learning and Computer Vision Approaches. Sensors, 23(16), 7078.
Wang, Z., Wu, L., Li, T., & Shi, P. (2022). A smoke detection model based on improved YOLOv5. Mathematics, 10(7), 1190.
BEKKARI, L., & KADI, N. Détection D'incendie Et De Fumée A L'aide De L'apprentissage Par Transfert (Fire and Smoke Detection Using Transfer Learning (Doctoral dissertation, UNIVERSITY OF KASDI MERBAH OUARGLA).
Avazov, K., Jamil, M. K., Muminov, B., Abdusalomov, A. B., & Cho, Y. I. (2023). Fire detection and notification method in ship areas using deep learning and computer vision approaches. Sensors, 23(16), 7078.
Zhang, Z., Tan, L., & Tiong, R. L. K. (2024). Ship-Fire net: an improved YOLOv8 algorithm for ship fire detection. Sensors, 24(3), 727.
Hussain, M. (2023). YOLO-v1 to YOLO-v8, the Rise of YOLO and Its Complementary Nature toward Digital Manufacturing and Industrial Defect Detection. *Machines, 11*(7), 677.
Terven, J., Córdova-Esparza, D.-M., & Romero-González, J.-A. (2023). A Comprehensive Review of YOLO Architectures in Computer Vision: From YOLOv1 to YOLOv8 and YOLO-NAS. Machine Learning and Knowledge Extraction, 5(4), 1680-1716.
https://blog.roboflow.com/whats-new-in-yolov8/#what-is-yolov8.
https://learnopencv.com/ultralytics-yolov8/#YOLOv8-vs-YOLOv5.
Arregui Arias, A. B. (2023). Detección de cascos de seguridad en tiempo real mediante modelos de Deep Learning.
Efraimsson, A., & Lemón, E. (2022). Railway Fastener Fault Detection using YOLOv5.
Rozada Raneros, S. (2021). Estudio de la arquitectura YOLO para la detección de objetos mediante deep learning.
Taco Apolo, C. P. (2022). Aplicación de técnicas de aprendizaje de máquina para la detección de aglomeraciones de personas y comportamientos anómalos mediante segmentación semántica y redes convolucionales: Modelo de Redes Convolucionales basadas en regiones para la detección de aglomeraciones en videos aplicando segmentación semántica (Bachelor's thesis, Quito: EPN, 2022.).
Sánchez Pozo, J. J. (2022). Detección y Segmentación en Placas de Rayos X de Pinturas utilizando IA.
Arregui Arias, A. B. (2023). Detección de cascos de seguridad en tiempo real mediante modelos de Deep Learning.