21190

۲۱۱۹۰

شناسايي آتش در تصاوير هواپايه با استفاده از روش هاي هوشمند

كارشناسي ارشد

الكترونيك

۹۵-۹۸

۱۳۹۸/۶/۳۱

دكتر شهريار برادران شكوهي

برق

ساليانه اتش سوزي هاي بسياري اتفاق مي افتد كه خسارت هاي جبران ناپذيري به طبيعت و جان انسان وارد مي كند. بنابراين شناسايي دقيق و سريع اتش امري بسيار مهم است. به كارگيري از پهپادها براي شناسايي اتش روشي كارامد نسبت به روش هاي سنتي است. در اين پژوهش هدف بهبود شناسايي1 درتصاوير هوايي گرفته شده به وسيله ي پهپادها 2 است؛ به طوري كه قابليت شناسايي در زمان واقعي را داشته باشد. براي شناسايي اتش از شبكه Faster RCNN3 كه يك شبكه شناسايي ناحيه ايي كانولوشني است، استفاده مي كنيم.با شبكه كانولوشني عميق ويژگي هاي تصوير را استخراج مي كنيم و از نقشه ويژگي هاي تصوير با استفاده از شبكه ناحيه پيشنهادي4RPN ناحيه هاي پيشنهادي را پيشبيني مي كنيم. شبكه كانولوشني Resnet50 به عنوان شبكه كانولوشني دروني Faster RCNN انتخاب مي كنيم. شعله هاي كوچك اتش در تصاوير هوايي شناسايي اتش در مراحل اوليه را دشوار مي كند و همچنين براي افزايش داده به جاي تغيير سايز مستقيم با استفاده از شاخص FFDI5 تصويراتش از پس زمينه را جدا مي كنيم و نقشه برجسته اتش را ايجاد مي كنيم.تصوير شعله ي اتش را در ابعاد256×256 به اندازه ورودي شبكه عصبي مان از تصوير جدا مي كنيم و به تقويت داده ها مي پردازيم. اين كار باعث توليد داده هاي جديدي مي شود. كه دقت شناسايي را بهبود مي بخشد. دقت شناسايي داده هاي اصلي 90% و دقت داده هاي توليدي 91% مي باشد.

1398/07/28

Fire detection in UAV images based on intelligent methods

10/20/2019 12:00:00 AM

Many fires occur every year, And it causes irreparable damage to nature and human life. Therefore, accurate and fast fire detection is very important. Utilizing UAVs to detect fire is more efficient method than traditional methods. The purpose of this study is improved detection in aerial images of UAVs so that they would be ability detecting in real time. we are used the Faster RCNN for fire detection, which is a region convolotional neural networks (RCNN). we are extracted features by deep convolutional neural network and region proposal are preidected from features map with Region Proposal Network (RPN). We choose Resnet50 as the internal network of Faster RCNN. Small flames in aerial imagery are maked it difficult to detect early fire and also to increase data,We are used indirect resize instead of direct resize using the FFDI index, we are separated fire from the background image and create a sailency map of fire. the flame image are Separated at 256×256 by the size of our neural network input and the data are augmented. it is generated new data Which improves the accuracy of detection. Average Precision (AP) of the original data is 90% and the Average Precision of the production data is 91%.