Данная работа посвящена рассмотрению и реализации различных методов обнаружения и локализации источников возгорания с помощью анализа видеопоследовательности, получаемой при съёмке с большой высоты. Алгоритм мониторинга местности в реальном времени с камеры, установленной на летательном аппарате, позволяет анализировать на предмет наличия пожара обширную по площади территорию и таким образом предотвращать распространение пожара. Целью данной работы является реализация алгоритма мониторинга местности по видеопотоку, получаемому с камеры, для обнаружения огня и локализации источника возгорания. Были рассмотрены как классические методы цифровой обработки изображений, так и решения, базирующиеся на технологии глубокого обучения. Среди методов цифровой обработки изображений были подробно исследованы такие подходы, как нахождение вейвлет-преобразований и оптического потока, а также применение фильтрации по яркости и оттенку. После рассмотрения различных современных подходов, в качестве оптимального метода обнаружения источников возгорания на видеопоследовательности была выбрана архитектура свёрточной нейронной сети, построенной на базе Tiny-YOLOv3. Обучение нейронной сети проводилось на разработанном обучающем наборе данных для двух классов: огонь и дым. Набор данных был сформирован на основе 44 видеозаписей, из которых было получено 1650 кадров с изображением пожаров, снятых с воздуха в различных условиях. В результате была проведена оценка точности и скорости работы сети на тестовом наборе данных. Оценка значений точности проводилась по метрике AP для различных параметров сети. Для размера входного слоя сети Tiny-YOLOv3 416×416 точность обнаружения (AP) огня и дыма составила 56,5% и 31,9%, соответственно. Средняя точность по двум классам составила 48%. Пожар был обнаружен на 89% изображений, содержащих огонь. Нейросетевой алгоритм продемонстрировал высокую скорость (111 кадров в секунду при размере входного слоя 416×416).

The subject of the graduate qualification work is “Implementation of the fire detection algorithm for aerial images”. This work is devoted to the consideration and implementation of various methods for the detection and localization of ignition sources by analyzing the video sequence obtained when shooting from high altitude. The real-time terrain monitoring algorithm from the camera mounted on the aircraft allows analyzing for the presence of a fire a vast area, and thus preventing the spread of fire. The aim of this work is to implement an algorithm for monitoring the terrain by the video stream received from the camera to detect fire and localize the source of ignition. Both classical methods of digital image processing and solutions based on deep learning technologies were considered. Among the methods of digital image processing, such approaches as finding wavelet transforms and optical flow, as well as applying filtering by brightness and hue, were studied in detail. After considering various modern approaches, the architecture of a convolutional neural network based on Tiny-YOLOv3 was chosen as the optimal method for detecting ignition sources on a video sequence. Neural network training was conducted on the developed training data set for two classes: fire and smoke. The data set was generated based on 44 videos, of which 1650 frames were obtained with the image of fires taken from the air in various conditions. As a result, the accuracy and speed of the network on a test data set were evaluated. The accuracy values were estimated using the average precision (AP) metric for various network parameters. For the size of the input layer of the Tiny-YOLOv3 network 416 × 416, the detection accuracy (AP) of fire and smoke was 56.5% and 31.9%, respectively. The mean average precision for the two classes was 48%; fire was detected in 89% of images containing fire. The neural network algorithm showed high speed (111 frames per second with an input layer size of 416 × 416).