Система мониторинга пожарной и медико-экологической безопасности с использованием анализа видеоданных с беспилотных летательных аппаратов тема диссертации и автореферата по ВАК РФ 00.00.00, кандидат наук Шевцов Максим Викторович
- Специальность ВАК РФ00.00.00
- Количество страниц 157
Оглавление диссертации кандидат наук Шевцов Максим Викторович
Оглавление
Введение
1 Обзор методов и средств обнаружения и распознавания пожаров и управления процессами их устранения
1.1 Современная техника и технология обнаружения пожаров
1.2 Современные автоматизированные системы контроля пожарной и медико-экологической безопасности
1.3 Методы анализа изображений для обнаружения пожаров
1.4 Анализ каналов информации, обеспечивающих поддержку принятия управленческих решений на пожаре
1.5 Цель и задачи исследования
2 Метод и модели оценки пожарной обстановки и состояния людей, находящихся в зоне пожара
2.1 Объекты, методы и средства исследования
2.2 Метод синтеза математических моделей оценки пожарной обстановки и состояния людей, находящихся в зоне пожара
2.3 Нечеткие математические модели прогнозирования и оценки степени тяжести отравления угарным газом
2.4 Выводы второго раздела
3 Система мониторинга пожарной обстановки с использованием результатов анализа видеоданных с беспилотных летательных аппаратов
3.1 Концептуальные модели мониторинга пожарной безопасности
3.2 Анализ подсистем автоматизированной системы мониторинга пожарной и медико-экологической безопасности
3.2.1 Разработка метода оптимизации функционирования модуля воздушного наблюдения
3.2.2 Разработка структуры подсистемы прогнозирования
3.2.3 Подсистема анализа и классификации видеоданных
3.3 Выводы третьего раздела
4 Программно-техническое обеспечение мониторинга пожарной и медико-экологической безопасности и результаты исследования
4.1 Мобильная система мониторинга, раннего обнаружения и оценки пожарной опасности
4.2 Автоматизированная система для классификации снимков, полученных с видеокамер беспилотного летательного аппарата
4.2.1 Разработка алгоритма классификации снимков видеоряда от беспилотного летательного аппарата
4.2.2 Разработка программно-алгоритмического обеспечения синтеза «слабых» классификаторов снимков видеоряда
4.3 Оценка качества классификации сегментов аэроснимков видеоряда129
4.4 Выводы четвёртого раздела 134 Заключение 136 Список сокращений и условных обозначений 138 Список литературы
Рекомендованный список диссертаций по специальности «Другие cпециальности», 00.00.00 шифр ВАК
Интегрированная система мониторинга окружающей среды объектов нефтегазового комплекса для превентивного предотвращения пожара2014 год, кандидат наук Глушко, Владимир Сергеевич
Раннее обнаружение пожара на АЭС с применением термомагнитного датчика кислорода2015 год, кандидат наук Крупин, Михаил Владимирович
Исследование и разработка многоспектральной оптико-электронной системы комплексирования изображений для обнаружения и мониторинга лесных пожаров2015 год, кандидат наук Васильев Александр Сергеевич
Модели и алгоритмы поддержки принятия решений по обеспечению пожарной безопасности на промышленных предприятиях2015 год, кандидат наук Тупиков Дмитрий Владимирович
Повышение эффективности мониторинга пожарной обстановки с использованием беспилотного летательного аппарата на основе адаптивного алгоритма2022 год, кандидат наук Мокрова Мария Игоревна
Введение диссертации (часть автореферата) на тему «Система мониторинга пожарной и медико-экологической безопасности с использованием анализа видеоданных с беспилотных летательных аппаратов»
Введение
Актуальность работы. Проблема своевременного обнаружения пожаров позволяет предотвратить огромные экономические потери и человеческие жертвы, поэтому является актуальной для многих стран мира. Для раннего и своевременного обнаружения пожаров осуществляется мониторинг автономных территориальных единиц (АТЕ) с использованием наземных, авиационных и спутниковых систем.
При этом использование спутниковых и авиационных мониторинговых систем оправдано только для больших площадей, и они требуют серьезных материально-технических затрат. Значительное снижение требуемых ресурсов обеспечивается использованием беспилотных летательных аппаратов (БПЛА) с установленными на них видеокамерами, изображения с которых в реальном масштабе времени передаются на пульт оператора. При этом увеличение числа видеокамер с одной стороны увеличивает контролируемые площади, а с другой стороны уменьшает эффективность работы оператора системы видеомониторинга. Следовательно, большой поток видеоданных требует значительных ресурсов для его обработки, что вызывает необходимость автоматизации процесса классификации снимков из потока видеоданных с целью сокращения анализируемого информационного потока у операторов. Одним из путей повышения эффективности работы систем мониторинга за пожарной обстановкой является автоматизация обработки видеоинформации, поступающей от видеокамер. С учетом вышеизложенного, разработка методов, алгоритмов и моделей анализа снимков из видеопотока с целью автоматического обнаружения признаков возгорания и распознавания очагов пожара является актуальной задачей.
Степень разработанности темы исследования. Проблема извлечения и использования информации из окружающей среды в условиях пожара является ключевой из-за сложности физико-химических процессов горения и процессов
теплообмена. Описанию особенностей указанных процессов большое внимание уделено в работах И.С. Молчадского, А.В. Матюшина, С.В. Пузача, Ю.Д. Моторыгина, Ю.А. Кошмарова. Вклад в теоретические основы использования робототехнических средств в системах информационной поддержки мониторинга пожарной безопасности внесли работы С.Ф. Яцуна, П.М. Ефграфова, И.М. Тетерина, А.Н. Денисова, Д.В. Тараканова, Н.Г. Топольского и Н.Н. Брушлинского. Одним из путей решения проблемы принятия решений по минимизации потерь, связанных с неблагоприятной пожарной обстановкой, является применение методов искусственного интеллекта. Тем не менее, в настоящее время отсутствует методика синтеза систем мониторинга пожарной и медико-экологической безопасности, которая объединяла бы как вопросы анализа и классификации данных из видеопотоков, так и вопросы управления сбором данных о пожарной безопасности и экологической обстановки в выделенной АТЕ.
За последние десятилетия в России и за рубежом было разработано несколько аналогичных систем мониторинга пожарной и экологической обстановки, однако их общим недостатком является неполная автоматизация и наличие большого количества настраиваемых параметров.
Таким образом, научно-технической задачей исследования является разработка методов, алгоритмов и моделей управления и анализа данных в системе мониторинга пожарной и медико-экологической безопасности.
Объектом исследования является система мониторинга пожарной и медико-экологической безопасности с использованием данных, получаемых с беспилотных летательных аппаратов.
Предметом исследования являются методы и алгоритмы управления мониторингом и классификации данных о, получаемых с беспилотных летательных аппаратов.
Цель исследования состоит в повышении эффективности мониторинга пожарной и медико-экологической безопасности посредством оптимизации сбора видеоданных и автоматизации их классификации.
Задачи исследования. Для достижения поставленной цели были сформулированы следующие задачи:
1. Выполнить системный анализ методов мониторинга и прогнозирования пожарной и медико-экологической безопасности в выделенных территориальных единицах.
2. Разработать метод синтеза математических моделей оценки пожарной обстановки и состояния людей, находящихся в зоне пожара.
3. Разработать концептуальную модель системы мониторинга пожарной и медико-экологической безопасности с использованием анализа видеоданных с беспилотных летательных аппаратов.
4. Разработать метод оптимизации функционирования модуля воздушного наблюдения пожарной и медико-экологической безопасности.
5. Разработать метод сегментации видеоданных, поступающих с беспилотного летательного аппарата при мониторинге пожарной обстановки.
6. Разработать метод классификации сегментов на аэроснимках, полученных при мониторинге пожарной и медико-экологической безопасности.
7. Провести экспериментальные исследования эффективности предложенных методов, алгоритмов и моделей в системе мониторинга пожарной и медико-экологической безопасности в выделенных территориальных единицах.
Научная новизна. В работе получены следующие результаты, характеризующиеся научной новизной:
1. Метод синтеза математических моделей оценки пожарной обстановки и состояния людей, находящихся в зоне пожара, отличающийся использованием гетерогенных блоков данных, описывающих пожарную обстановку и факторы риска для здоровья людей в исследуемой территориальной единице, которые агрегируются в правила принятия решений, и позволяющий синтезировать решающие правила классификации типов и характера пожаров, а также прогнозирования и оценки состояния здоровья в условиях исследуемого класса чрезвычайных ситуаций.
2. Концептуальная модель автоматизированной система мониторинга
пожарной и медико-экологической безопасности с использованием анализа видеоданных с беспилотных летательных аппаратов, отличающаяся модулями информационной подсистемы, подсистемы анализа и классификации данных, подсистемы прогнозирования и подсистемы управления, позволяющая оперативно классифицировать и прогнозировать пожарную и медико-экологическую обстановку на мониторируемой территории.
3. Метод оптимизации функционирования модуля воздушного наблюдения, включающий алгоритм планирования траектории мониторинга пожарной обстановки посредством БПЛА, и алгоритм оптимизации числа БПЛА в зоне мониторинга, позволяющий определить необходимый ресурс БПЛА для мониторинга пожарной обстановки в выделенной территориальной единице, и минимизировать состав группировки БПЛА, осуществляющий мониторинг.
4. Метод сегментации видеоданных, заключающийся в сегментации снимка видеоряда на прямоугольные сегменты, селекцию сегментов на ROI и НЕ ROI, с последующим формированием из сегментов ROI трех цветовых каналов, отличающийся тем, что решение о принадлежности сегмента к конкретному классу принимается независимо в каждом канале нейронной сетью с линейной функцией активации, с последующей агрегацией этих решений многослойным персептроном с нелинейной функцией активации, позволяющий повысить оперативность анализа данных в видеопотоке.
5. Метод классификации сегментов на аэроснимках, полученных при мониторинге посредством БПЛА, отличающийся тем, что дескрипторы для классификатора формируются посредством определения спектров Уолша-Адамара в трех типоразмерах окон, выделенных в прямоугольном сегменте заданного размера, позволяющий обучать классификаторы на разделение снимков видеоряда на три класса.
Теоретическая и практическая значимость работы состоит в том, что изложенные методы и алгоритмы построения и функционирования системы мониторинга пожарной и медико-экологической безопасности с беспилотными летательными аппаратами позволяют в реальном времени анализировать и
классифицировать данные о состоянии окружающей среды. Концептуальная модель автоматизированной системы мониторинга пожарной и медико-экологической безопасности с использованием анализа видеоданных с беспилотных летательных аппаратов была использована при выполнении НИР «Теоретические основы тушения некоторых видов ландшафтных пожаров», выполняемой по плану научной работы Академии ГПС МЧС России на 2020 год. Метод и алгоритмы воздушного наблюдения, разработанные в диссертационной работе, использованы при оперативной работе реагирующих подразделений Главного управления МЧС России по Самарской области в процессе получения и анализа данных мониторинга ландшафтных пожаров и техногенных аварий в рамках поддержки принятия управленческих решений на месте ликвидации чрезвычайных ситуаций природного и техногенного характера.
Результаты диссертационной работы используются в учебном процессе Академии ГПС МЧС России при проведении практической подготовки с обучающимися в учебной пожарно-спасательной части.
Методы и средства исследований. Для решения поставленных задач использовался математический аппарат цифровой обработки сигналов, статистический анализ, теория нейронных сетей, нечеткая логика принятия решений, методы экспертного оценивания и принятия решений. При разработке модулей классификации изображений и нечетких модулей принятия решений в качестве инструментария использовался MATLAB 2018b с графическим интерфейсом пользователя для Neural Network Toolbox и со встроенным пакетом Fuzzy Logic Toolbox.
Положения, выносимые на защиту. 1. Метод синтеза математических моделей оценки пожарной обстановки и состояния людей, находящихся в зоне пожара с использованием гетерогенных блоков данных, описывающих пожарную обстановку и факторы риска для здоровья людей в исследуемой зоне, позволяет синтезировать решающие правила классификации типов и характера пожаров, а также прогнозирования и оценки состояния здоровья в условиях исследуемого класса чрезвычайных ситуаций. 2. Концептуальная модель автоматизированной
система мониторинга пожарной и медико-экологической безопасности с использованием анализа видеоданных с беспилотных летательных аппаратов, позволяющая оперативно классифицировать и прогнозировать пожарную и медико-экологическую обстановку на мониторируемой территориальной единице. 3. Метод оптимизации функционирования модуля воздушного наблюдения, включающий алгоритм планирования траектории мониторинга пожарной обстановки БПЛА, и алгоритм оптимизации числа БПЛА в зоне мониторинга территориальной единицы, позволяет минимизировать состав группировки БПЛА, осуществляющий мониторинг. 4. Метод классификации сегментов на аэроснимках, полученных при мониторинге территориальной единицы посредством БПЛА, при использовании в качестве формирователя дескрипторов преобразования Уолша-Адамара в трех типоразмерах окон в выделенном сегменте позволяет осуществлять классификацию снимков с сегментами класса «дым» с точностью не менее 86%, а с сегментами класса «пламя» с точностью не менее 89,5 %.
Степень достоверности и апробация работы. Результаты исследования показали их воспроизводимость в различных условиях, непротиворечивость концепциям теории обработки и классификации цифровых изображений, а также аналогичным результатам, полученным другими исследователями. Методы и алгоритмы классификации снимков из видеопотока построены на теории цифровой обработки изображений и согласуются с ранее опубликованными экспериментальными данными по теме диссертационной работы.
Основные теоретические положения и научные результаты, изложенные в диссертации, докладывались, обсуждались и получили положительную оценку на Международных и Всероссийских конференциях: «Актуальные проблемы пожарной безопасности» (Москва - 2009); «Проблемы управления безопасностью сложных систем» (Москва - 2009); «Пожаротушение: проблемы, технологии, инновации» (Москва - 2014, 2020); «Системы безопасности - 2021» (Москва -2021); «Искусственный интеллект в решении актуальных социальных и
экономических проблем XXI века» (Пермь - 2021); на научно-технических семинарах Академии ГПС МЧС России (Москва - 2018, 2019, 2020, 2021).
Публикации. Основные положения и результаты диссертационной работы опубликованы в 19 научных работах, включающих 6 статей в ведущих рецензируемых научных журналах и изданиях.
Структура и объем работы. Диссертация состоит из введения, четырех разделов, заключения и списка использованных источников, включающего 86 отечественных и 30 зарубежных наименований. Работа изложена на 157 страницах машинописного текста, содержит 37 рисунков и 8 таблиц.
1 Обзор методов и средств обнаружения и распознавания пожаров и управления процессами их устранения
1.1 Современная техника и технология обнаружения пожаров
Пожары приводят к значительным материальным, а иногда и людским потерям. Одной из важнейших задач в борьбе с пожарами является их быстрое обнаружение с классификацией их интенсивности и характера. Это позволяет примерно на 2/3 сокращать возможные убытки.
Первичными источниками пожарной обстановки являются пожарные извещатели, которые классифицируются по различным признакам, объединяемые в группы.
Возможности различных типов пожарных извещателей оцениваются по тестовым пожарам.
Национальным стандартом ГОСТ Р53325-2012 установлена следующая классификация очагов тестовых пожаров (ТП):
• ТП-1 - открытое горение древесины;
• ТП-2 - пиролизное тление древесины;
• ТП-3 - тление со свечением хлопка;
• ТП-4 - горение полимерных материалов;
• ТП-5 - горение ЛВЖ с выделением дыма;
• ТП-6 - горение ЛВЖ без выделения дыма;
• ТП-9 - тление без свечения хлопка.
При проведении сертификационных испытаний и периодических проверках извещателей пламени на работоспособность выявлено, что указанные устройства наиболее быстро обнаруживают очаги возгорания твердых горючих веществ (древесины и полимерных материалов), но неудовлетворительно реагируют на очаги пожаров ТП-2 и ТП-3. Это связано с тем, что так называемый
«пульсационный режим горения» отсутствует при тлеющих очагах тестовых пожаров, и процесс по их обнаружению извещателями пламени значительно осложняется.
Рассмотрим подробнее наиболее важные подходы к классификации, принятой в Российских документах.
По возможности восстановления работоспособности средства обнаружения пожара подразделяются на восстанавливаемые (многократного действия) и невосстанавливаемые (однократного действия). В свою очередь извещатели многократного действия могут быть дистанционно восстанавливаемыми (с возможностью удаленного восстановления работоспособности), самовосстанавливаемыми (с восстановлением работоспособности в автоматическом режиме), восстанавливаемыми вручную (с использованием технических специалистов) и восстанавливаемыми с заменой элементов. Согласно современным нормам проектирования невосстанавливаемые пожарные извещатели не проектируются, но могут использоваться на существующих объектах до окончания сроков эксплуатации.
По способу приведения в действие пожарные извещатели подразделяют на автоматические и ручные. Ручные извещатели предназначены для ручного включения сигнала пожарной тревоги в системах пожарной сигнализации и пожаротушения посредством транслирования тревожного извещения при механическом включении приводного элемента. Автоматические пожарные датчики обнаруживают очаги возгорания в автоматическом режиме.
По характеру реакции на контролируемый признак пожара устройства обнаружения разделяют на:
• максимальные (формируют извещение о пожаре при превышении установленного порогового значения);
• дифференциальные (формируют извещение о пожаре при изменении скорости превышения величины порогового значения);
• максимально-дифференциальные (формируют извещение о пожаре при любом из вышеуказанных случаев).
По способу электропитания извещатели подразделяют на питаемые по шлейфу (двухпроводное включение), питаемые по отдельному проводу (четырехпроводное включение), питаемые от автономного источника (в корпус извещателя установлен источник питания) и автономные (в корпусе конструктивно интегрированы источник питания и элементы, необходимые для обнаружения возгорания).
По конфигурации измерительной зоны выделяют следующие виды пожарных извещателей:
• линейные (реагирует на опасные факторы пожара в горизонтальной, линейной плоскости);
• точечные (реагирует на опасные факторы пожара в ограниченной
зоне);
• многоточечные (реагирует на опасные факторы пожара посредством их контроля в нескольких зонах).
По возможности установки адреса в пожарных извещателях их подразделяют на адресные (устройства, имеющие адрес, определяемый приемно-контрольным прибором) и неадресные.
По характеру обмена информацией с приемно-контрольным прибором автоматические устройства обнаружения пожара делятся на пороговые (извещает при достижении или превышении величины установленного порога) и аналоговые (извещает о текущем показателе контролируемого фактора пожара). Следует отметить, что для возможности интеграции с иными контрольно-приемными устройствами неадресные пороговые извещатели также классифицируют по типам сигналов с уточнением характеристик постоянного и переменного тока.
Наиболее важным методом классификации для решения задач, поставленных в работе, является классификация пожаров по виду контролирующего признака. По указанной классификации существует несколько
типов пожарных извещателей: дымовые, тепловые, пламени, газовые и комбинированные.
Тепловые пожарные извещатели являются средствами обнаружения, реагирующими на определенное значение температуры и (или) скорости ее нарастания.
Особенностью классификации пороговых тепловых пожарных извещателей (ИПТ) является характер реакции на контролируемый признак пожара, согласно которому данные устройства разделяют на:
• максимальные (ИПТ, формирующий извещение о пожаре при превышении температурой окружающей среды установленного порогового значения (температуры срабатывания));
• дифференциальные (ИПТ, формирующий извещение о пожаре при превышении скорости нарастания температуры окружающей среды установленного порогового значения);
• максимально-дифференциальные (ИПТ, выполняющий функции максимального и дифференциального ИПТ (по схеме «ИЛИ»)).
По конфигурации измерительной зоны тепловые, газовые и дымовые оптико-электронные ИП подразделяют на:
• точечные (ИПТТ - извещатель пожарный тепловой точечный): ИПТ, в котором устройство обнаружения фактора пожара расположено в ограниченном объеме, много меньшем объема защищаемого помещения;
• линейные (ИПТЛ - многоточечный тепловой линейный пожарный извещатель): ИПТ, который предполагает возможность обнаружения очага путем объединения тепловых потоков в пространственной зоне нахождения чувствительных элементов самого устройства;
• многоточечные (ИПТМ - извещатель пожарный тепловой многоточечный): ИПТ, чувствительные элементы которого дискретно расположены в протяженной линейной зоне.
Дымовые пожарные извещатели представляют собой средства обнаружения аэрозольных частиц, возникающих в воздухе при химической реакции горения, и реагируют на частицы твердых или жидких продуктов горения или пиролиза в атмосфере. При возникновении очага возгорания на начальном этапе в воздушной или газообразной среде образуется большое количество твердых частиц продуктов горения, именуемого дымом. Особенность функционирования дымовых пожарных извещателей состоит в ионизационном и оптическом способах обнаружения дыма, выделяемого при термическом разложении. Принцип действия ионизационных пожарных извещателей основан на анализе динамики ионизационного тока, воздействующего на радиоизотопную камеру, которая представляет собой элемент измерительного преобразователя дымового извещателя и формирует основные параметры устройства. Действие оптико-электронных пожарных извещателей основано на принципе обнаружения изменений оптических свойств среды. При выделении дыма происходит изменение оптической плотности среды, как в связи с рассеиванием твердыми частицами светового потока, так и за счет ослабления прозрачности атмосферы (потери видимости в помещении или замкнутом пространстве).
В последнее время появились сообщения об обнаружителях очагов возгорания с использованием дымовых видеоизвещателей. Данный метод противопожарной защиты представляет собой альтернативный вариант мониторинга пожарной обстановки в зданиях и на открытой местности вне зависимости от времени суток и атмосферных явлений. При использовании данного метода задействуются стационарные камеры видеонаблюдения, выполняющие функции средств обнаружения пожара и отдельных особенностей его развития, а также других сопутствующих характерных признаков. Камеры, установленные в зданиях, помещениях и сооружениях, имеют возможность обнаружения очагов возгорания на начальных стадиях их развития, что снижает риск причинения жизни и здоровья людей и ценному имуществу. Наибольшую эффективность дымовые видеоизвещатели представляют на потенциально опасных, взрывоопасных и технически сложных объектах, поскольку постоянный
видеоанализ позволяет обнаружить дым в замкнутом помещении гораздо раньше, чем на него отреагирует классический дымовой извещатель, установленный на потолке.
Принцип работы пожарных извещателей пламени заключается в возможности реагирования на оптическое электромагнитное излучение тлеющего пожара или непосредственно очага пламени. Электромагнитное излучение, которое сопровождает процесс возникновения и развития возгорания, в зависимости от длины оптического диапазона может быть представлено в инфракрасном (ИК), видимом, многодиапазонном и ультрафиолетовом (УФ) вариантах. Различные температурные и физико-химические режимы развития пожара предполагают разный спектральный состав электромагнитного излучения. Тип и количество пожарной нагрузки формирует конкретные виды спектров, характерные для определенных веществ и материалов, в целом устанавливающие общие свойства спектра излучения пламени. Электромагнитное излучение в инфракрасном, видимом или ультрафиолетовом диапазонах воздействует на чувствительный элемент средства обнаружения пожара и преобразовывает его в электросигнал, подаваемый на приемно-контрольный прибор.
Для ультрафиолетовых устройств предусмотрена ультрафиолетовая область излучений в коротковолновом диапазоне от 185 до 280 нм. Этот диапазон выбран в целях недопущения оптического искажения природным ультрафиолетом, создаваемым солнечными лучами, длина волн которых более 286 нм, что не дает возможности реагирования ультрафиолетовым датчикам на солнечное излучение. Кроме того, ультрафиолетовые датчики имеют технические характеристики, позволяющие выявлять возгорание с больших расстояний (до 80 м), и обеспечивать быстрое (от 0,5 сек) обнаружение очагов пожара [5, 50].
В соответствии с действующей нормативной документацией наиболее оптимальное расстояние для обнаружения тестовых пожаров типа ТП-5 и ТП-6 ультрафиолетовыми извещателями составляет 25 м. Ввиду того, что продукты термического разложения некоторых легковоспламеняющихся и горючих жидкостей и газов, а также химически опасных веществ, эффективно поглощают
ультрафиолетовое излучение, обнаружение очагов с больших расстояний не представляется возможным. Ультрафиолетовые средства обнаружения пожара капризны к внешним воздействиям, таким как повышенная запыленность и влажность, соседство с источниками рентген и гамма-излучений, электромагнитные импульсы, создаваемые грозой или излучением при проведении сварочных и иных строительно-ремонтных работ. Поэтому использование указанных пожарных извещателей в зонах, в которых выделяются горючие газы или пары, а также переходят во взвешенное состояние горючие пыли и волокна, следует исключить [50].
При нагревании все вещества и материалы, находящиеся в твердом, жидком или газообразном состояниях, способны выделять излучение в инфракрасном спектре, что влечет распределение в нем большого количества энергии. При этом температурный показатель нагреваемого тела определяет длину волны излучения и её интенсивность. Например, солнечные лучи, направляя потоки инфракрасного излучения, могут стать причиной ложных срабатываний однодиапазонных извещателей пламени. Поэтому наиболее целесообразное проектирование систем пожарной сигнализации с использованием указанных средств обнаружения пожара предполагается в местах, где исключено попадание солнечного света и различных источников, провоцирующих помехи: логистические комплексы, технические и производственные помещения, в которых технологический процесс не предполагает оптическое искажение.
Пожар в процессе своего развития совершает колебательные движения низкой частоты в интервале от 2 до 20 Гц, что позволяет инфракрасным извещателям фиксировать данные колебания и исключать иные факторы, влияющие на чувствительный элемент датчика. Но учитывая, что на многих объектах используются спецтранспорт, имеющий сигнально-световые устройства, действие которых может создать ложное оптическое искажение указанным средствам обнаружения, применение частотного метода обнаружения очагов возгорания приводит к определенным трудностям. Выходом из данной проблемной ситуации является использование в одном извещателе нескольких
Похожие диссертационные работы по специальности «Другие cпециальности», 00.00.00 шифр ВАК
Модульная структура автоматизированной системы противопожарной защиты объектов нефтепереработки2012 год, кандидат технических наук Федоров, Владимир Юрьевич
Методика применения беспилотных воздушных судов для обеспечения пожарной безопасности на нефтегазовых объектах2018 год, кандидат наук Вытовтов Алексей Владимирович
Обнаружение объектов видеоряда на основе технологии машинного обучения (на примере лесных пожаров)2023 год, кандидат наук Лаптев Никита Витальевич
Разработка радиотехнической системы дистанционного мониторинга лесных и торфяных пожаров на базе геоинформационных технологий2009 год, кандидат технических наук Мармалюк, Александр Алексеевич
Автоматизированная система противопожарной защиты АЭС на основе аспирационных средств обнаружения пожара2008 год, кандидат технических наук Журавлев, Сергей Юрьевич
Список литературы диссертационного исследования кандидат наук Шевцов Максим Викторович, 2022 год
Список литературы
1. Алиев, И.Р. Применение алгоритмов компьютерного зрения для обнаружения и локализации пожаров на аэрофотоснимках / И.Р. Алиев, В.А. Павлов // СПбНТОРЭС: труды ежегодной НТК. - 2020. - № 1(75). - С. 225-228.
2. Баканов, М.О. Дистанционный мониторинг техногенных пожаров и чрезвычайных ситуаций / М.О. Баканов, Д.В. Тараканов // Известия высших учебных заведений. Технология текстильной промышленности. - 2018. - №. 1. -С. 173.
3. Буняев, В.В. Методы поиска информативных проекционных зон и синтеза нечетких решающих правил для рефлексодиагностки / В.В. Буняев, Н.А. Кореневский // Системный анализ и управление в биомедицинских системах. -2004. - Т.3, №3. - С. 175-178.
4. Васюков, В.Н. Алгоритмы анализа изображений для системы раннего обнаружения лесных пожаров [Электронный ресурс] / В.Н. Васюков, А. Ю. Зайцева // Доклады АН ВШ РФ. - 2014. - №4 (25). - URL: https://cyberleninka.ru/article/n/algoritmy-analiza-izobrazheniy-dlya-sistemy-rannego-obnaruzheniya-lesnyh-pozharov (дата обращения 16.01.2022).
5. ГОСТ Р 53325-2012. Техника пожарная. Технические средства пожарной автоматики. Общие технические требования и методы испытаний. - Введ. 201211-22. - М. : Стандартинформ, 2014. - 142с.: ил.
6. Григоров, И.Ю. Методы и средства прогнозирования и ранней диагностики профессиональных заболеваний работников гальванических производств на основе нечетких моделей принятия решений: дис. ... д-ра техн. наук : 05.11.17 / Григоров И.Ю. - Курск, 2020. - 147 с.
7. Гудфеллоу, Я. Глубокое обучение / Я. Гудфеллоу, Б. Иошуа, А. Курвилль. - М.: ДМК-Пресс, 2017. - 652 с.
8. Дабагов, А.Р. Автоматизированная система для классификации заболеваний молочной железы по рентгеновским маммографическим снимкам /
А.Р. Дабагов, И.А. Малютина, Д.С. Кондрашов и др. // Прикаспийский журнал: управление и высокие технологии. - 2019. - № 4 (48). - С.10-24.
9. Дабагов, А.Р. Автоматизированная система для классификации заболеваний молочной железы по рентгеновским маммографическим снимкам / А.Р. Дабагов, И.А. Малютина, Д.С. Кондрашов и др. // Прикаспийский журнал: управление и высокие технологии. - 2019. - № 4 (48). - С.10-24.
10. Дабагов, А.Р. Автоматизированная система классификации рентгенограмм молочной железы / А.Р. Дабагов, В.А. Горбунов, С.А. Филист и др. // Медицинская техника. - 2019. - №6 (318). - С. 39-41.
11. Дабагов, А.Р. Многослойные морфологические операторы для сегментации сложноструктурируемых растровых полутоновых изображений / А.Р. Дабагов, И.А. Малютина, Д.С. Кондрашов и др. // Известия Юго-Западного государственного университета. Серия: Управление, вычислительная техника, информатика, медицинское приборостроение. - 2019. - Т.9, №3. - С. 44-63.
12. Денисов, А.Н. Анализ существующей структуры управления силами и средствами на пожаре / А.Н. Денисов, М.В. Шевцов // Пожары и чрезвычайные ситуации: предотвращение, ликвидация. - 2009. - № 3. - С. 79-81.
13. Денисов, А.Н. Глубина тушения пожара как основание для ресурсного обоснования сил и средств пожарных подразделений [Электронный ресурс] / А.Н. Денисов, Н.М. Журавлёв, М.В. Шевцов, В.Б. Захаревский // Технологии техносферной безопасности: интернет-журнал. - 2011. - № 5 (39). - URL: http://agps-2006.narod.ru/ttb/2011-5/02-05-11.ttb.pdf (дата обращения 09.08.2021 г.).
14. Денисов, А.Н. Информационно-функциональный подход к управлению силами и средствами на пожаре [Электронный ресурс] / А.Н. Денисов, М.В. Шевцов // Технологии техносферной безопасности: интернет-журнал. - 2010. -№3(31). - Режим доступа: http://agps-2006.narod.ru/ttb/2010-3/01-03-10.ttb.pdf (дата обращения 09.09.2021).
15. Дюдин, М.В. Автоматические классификаторы сложно структурируемых изображений на основе мультиметодных технологий
многокритериального выбора / М.В. Дюдин, И.В. Зуев, С.М. Чудинов и др. // Вопросы радиоэлектроники. Серия: Системы и средства отображения информации и управления спецтехникой (СОИУ). - 2015. - №1. - С.130-141.
16. Зобнин, Ю.В. Отравление монооксидом углерода (угарным газом): учебное пособие / Ю.В. Зобнин, Т.Н. Савватеева-Любимова, А.Н. Коваленко и др.; под ред. Ю.В. Зобнина. - Санкт-Петербург: Издательство «Тактик-Студио», 2011. - 80 с.
17. Кассим, К.Д.А. Формирование признакового пространства для задач классификации сложноструктурируемых изображений на основе спектральных окон и нейросетевых структур / К.Д.А. Кассим, А.А. Кузьмин, О.В. Шаталова и др. // Известия Юго-Западного государственного университета. - 2016. - №4(67).
- С. 56-68.
18. Кореневский, Н.А. Синтез коллективов гибридных нечетких моделей оценки состояния сложных систем / Н.А. Кореневский, К.В. Разумова // Наукоемкие технологии. - 2014 - Т.15, №12. - С. 31-39.
19. Кореневский, Н.А. Использование нечеткой логики принятия решений для медицинских экспертных систем / Н.А. Кореневский // Медицинская техника.
- 2015. - №1. - С. 33-35.
20. Кореневский, Н.А. Использование технологии мягких вычислений для прогнозирования и диагностики профессиональных заболеваний работников агропромышленного комплекса: монография / Н.А. Кореневский, В.И. Серебровский, Р.В. Степашов, Т.Н. Говорухина. - Курск: Изд-во Курск. гос. с.-х. ак., 2016. - 224 с.
21. Кореневский, Н.А. Метод оценки функционального резерва человека -оператора на основе комбинированных правил нечеткого вывода / Н.А. Кореневский, А.Н. Коростелев, Л.В. Стародубцева, В.В. Серебровский // Биотехносфера. - 2012. - №1 (19). - С. 44-49.
22. Кореневский, Н.А. Метод синтеза гетерогенных нечетких правил для анализа и управления состоянием биотехнических систем / Н.А. Кореневский //
Известия Юго-Западного государственного университета. - 2013. - №2. - С. 99 -103.
23. Кореневский, Н.А. Метод синтеза математических моделей оценки пожарной обстановки и состояния людей, находящихся в зоне пожара / Н.А. Кореневский, М.В. Шевцов, Л.В. Стародубцева, Г.В. Сипливый // Известия Юго-Западного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение. - 2021. - Т.11, № 3. - С. 142-159.
24. Кореневский, Н.А. Метод синтеза нечетких моделей и ранней диагностики профессиональных заболеваний работников гальванических производств / И.Ю. Григоров, Т.Н. Говорухина, Р.А. Крупчатников // Системный анализ и управление в биомедицинских системах. - 2019. - Т.18, №3. - С. 163169.
25. Кореневский, Н.А. Методология синтеза гибридных нечетких решающих правил для медицинских интеллектуальных систем поддержки принятия решений: монография / Н.А. Кореневский, С.Н. Родионова, И.И. Хрипина. - Старый Оскол: ООО «Тонкие наукоемкие технологии», 2019. - 472 с.
26. Кореневский, Н.А. Оценка и управление состоянием здоровья на основе моделей Г. Раша / Н.А. Кореневский, А.Н. Шуткин, Е.А. Бойцова, В.В. Дмитриева // Медицинская техника. - 2015. - № 6 (294). - С. 37-40.
27. Кореневский, Н.А. Оценка и управление состоянием здоровья обучающихся на основе гибридных интеллектуальных технологий: монография / Н.А. Кореневский, А.Н. Шуткин, С.А. Горбатенок, В.И. Серебровский. - Старый Оскол: ООО «Тонкие наукоемкие технологии», 2016. - 472 с.
28. Кореневский, Н.А. Прогнозирование и ранняя диагностика заболеваний сельскохозяйственных рабочих на основе нечеткой логики принятия решений / Н.А. Кореневский, Н.А. Коптева, Р.А. Крупчатников // Вестник Воронежского государственного технического университета. - 2008. - Т.4, №7. - С. 86-89.
29. Кореневский, Н.А. Проектирование биотехнических систем медицинского назначения». Средства оценки состояния биообъектов: учебное
пособие / Н.А. Кореневский, З.М. Юлдашев. - Старый Оскол: ООО «Тонкие наукоемкие технологии», 2017. - 456 с.
30. Кореневский, Н.А. Проектирование биотехнических систем медицинского назначения. Общие вопросы проектирования: учебник / Н.А. Кореневский, З.М. Юлдашев. - Старый Оскол: ООО «Тонкие наукоемкие технологии», 2018. - 812 с.
31. Кореневский, Н.А. Проектирование медико-экологических информационных систем: учебное пособие / Н.А. Кореневский, Н.Д. Тутов, Л.П. Лазурина. - Курск, 2021. - 193 с.
32. Кореневский, Н.А. Проектирование систем принятия решений на нечетких сетевых моделях в задачах медицинской диагностики и прогнозирования / Н.А. Кореневский // Телекоммуникации. - 2006. - №6. - С. 2531.
33. Кореневский, Н.А. Синтез гибридных нечетких правил для прогнозирования, оценки и управления состоянием здоровья в экологически неблагоприятных регионах / Н.А. Кореневский, А.С. Башир, С.А. Горбатенко // Известия Юго-Западного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение. - 2013. -№4. - С. 69-73.
34. Кореневский, Н.А. Синтез нечетких классификационных правил в многомерном пространстве признаков для медицинских приложений / Н.А. Кореневский, К.В. Разумова // Известия Юго-Западного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение. - 2012. - №21. - С. 223-227.
35. Кореневский, Н.А. Синтез нечетких решающих правил для прогнозирования и ранней диагностики заболеваний, вызываемых состоянием окружающей среды, с учетом индивидуальных особенностей организма / Н.А. Кореневский, Ю.А. Иванков, Е.А. Яковлева, Н.Н. Савченко // Системный анализ и управление в биомедицинских системах. - 2007 - Т.6, №2. - С. 395-400.
36. Кореневский, Н.А. Теория проектирования нечетких сетевых экспертных систем для управления медико-экологической безопасностью / Н.А. Кореневский, С.А. Филист, А.Б. Красковский и др. // Научные ведомости Белгородского государственного университета. Серия: История. Политология. Экономика. Информатика. - 2009. - Т.11, № 9-1 (64). - С. 146-151.
37. Кудрявцев, П.С. Моделирование морфологических образований на рентгенограммах грудной клетки в интеллектуальных диагностических системах медицинского назначения / П.С. Кудрявцев, А.А. Кузьмин, Д.Ю. Савинов, С.А. Филист, О.В. Шаталова // Прикаспийский журнал: управление и высокие технологии. - 2017. - № 3 (39). - С. 109-120.
38. Кудрявцев, П.С. Развитие методологии бустинга для классификации флюорограмм грудной клетки / П.С. Кудрявцев, А.А. Кузьмин, С.А. Филист // Биомедицинская радиоэлектроника. - 2016. - №9. - С. 10-15.
39. Куценко, С.А. Основы токсикологии: учебное пособие / С.А. Куценко -СПб: ООО «Издательство Фолиант», 2004. - С. 550-551.
40. Лужникова, Е.А. Медицинская токсикология: национальное руководство: учебное пособие / под ред. Е.А. Лужникова. - М.: ГЭОТР - Медиа, 2012. - 923 с.
41. Лукашов, М.И. Определение уровня длительного физического утомления как фактора риска рецидивов хронических заболеваний / М.И. Лукашов, Н.А. Кореневский, А.В. Еремин // Биомедицинская радиоэлектроника. -2009. - №5. - С. 10-15.
42. Лукьяница, А.А. Цифровая обработка видеоизображений / А.А. Лукьяница, А.Г. Шишкин. - М.: "Ай-Эс-Эс Пресс", 2009. - 518 с.
43. Малютина, И.А. Методы и алгоритмы анализа рентгенограмм грудной клетки, использующие локальные окна в задачах обнаружения патологий / И.А. Малютина, А.А. Кузьмин, О.В. Шаталова // Прикаспийский журнал: управление и высокие технологии. - 2017. - №3(39). - С.131-138.
44. Остапенко, Ю.Н. Межрегиональная благотворительная общественная организация «Ассоциация клинических токсикологов». Федеральные клинические
рекомендации «Токсическое действие окиси углерода» / под ред. Ю.Н. Остапенко. - М., 2013. - 40 с.
45. Остапенко, Ю.Н. Отравление аварийно химически опасными веществами / Ю.Н. Остапенко и др.; под ред. Е.А. Лужникова. - М.: ГЭОТР -Медиа, 2012. - С. 669 - 684.
46. Отравление монооксидом углерода (угарным газом) / Под редакцией председателя Иркутского отделения МБО «Ассоциация клинических токсикологов», кандидата медицинских наук, доцента Иркутского государственного медицинского университета Ю. В. Зобнина. - СПб, 2011. - 86 с.
47. Отчет о научно-исследовательской работе по теме: Разработка научно-методических подходов и технологии использования беспилотных летательных аппаратов в лесном хозяйстве [Электронный ресурс]. - Пушкино, 2010. - 106 с. -https://aviales.ru/files/documents/2011/08/ot_niokr.pdf (дата обращения 09.06.2021).
48. Пат. 2395319 Российская Федерация, МПК А 62 В 3/00. Способ мониторинга пожарной обстановки / Резников В.М., Онищенко Ю.А., Щеголькова В.В.; заявитель и патентообладатель ФГУ Всероссийский научно-исследовательский институт по проблемам гражданской обороны и чрезвычайных ситуаций МЧС России (Федеральный центр). - №2008129952/12 ; заявл. 21.07.08 ; опубл. 27.07.10, Бюл. №21. - 5 с. 1 ил.
49. Подлипьян, П.Е. Многофазный алгоритм решения задачи планирования полета группы беспилотных летательных аппаратов / П.Е. Подлипьян, Н.А. Максимов // Труды МАИ. - 2011. - № 43. - С. 11.
50. Пожарные извещатели классифицируются [Электронный ресурс] // Моя библиотека. - mybiblioteka.su, 2015-2022. - URL: http://mybiblioteka.su/3-52519.html (дата обращения 12.09.2021 г.)
51. Польте, Г.А. Количественная оценка качества изображений с использованием методов нечеткой логики / Г.А. Польте, А.П. Саенко // Известия высших учебных заведений. Приборостроение. - 2011. - Т. 54, №. 3. - С. 32-36.
52. Поляков, Р.Ю. Метод раннего обнаружения пожара с помощью мобильных газовых пожарных извещателей / Р.Ю. Поляков, С.В. Ефимов, С.Ф.
Яцун // Известия Юго-Западного государственного университета. - 2017. -№1(70). - С. 81-89.
53. Поляков, Р.Ю. Мобильная приборная платформа для системы экологического мониторинга загрязнения токсичными газами атмосферного воздуха: дис. ... канд. техн. наук : 05.13.01 / Поляков Роман Юрьевич. - Курск, 2019. - 165 с.
54. Пятаева, А. Исследование методов и разработка алгоритмов обнаружения дыма на открытых пространствах по видеопоследовательностям: дис. ... канд. тех. наук. : 05.13.17 / А. Пятаева. - Красноярк, 2016. - 157 с.
55. Родионова, С.Н. Математические модели прогнозирования и ранней диагностики бронхиальной астмы у работников, контактирующих с промышленными ядохимикатами / С.Н. Родионова, В.В. Аксенов, Д.А. Медников, Р.И. Сафронов // Известия Юго - Западного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение. - 2021. -Т.11, №1. - С. 130-144.
56. Савенков, И.А. Социологическое информационно-аналитическое обеспечение управленческого процесса: на примере автоматизации документооборота в территориальном пожарно-спасательном гарнизоне / И.А. Савенков, М.В. Шевцов, И.Н. Горбачёв // Социология. - 2021. - № 5. - С. 193199.
57. Семенов, А.О. Модели мониторинга и управления при ликвидации крупных пожаров / А.О. Семенов, М.О. Баканов, Д.В. Тараканов. - Иваново: Ивановская пожарно-спасательная академия ГПС МЧС России, 2018. - 128 с.
58. Степашов, Р.В. Метод, модели и алгоритм прогнозирования и ранней диагностики профессиональных заболеваний работников агропромышленного комплекса, контактирующих с ядохимикатами, на основе гибридных нечетких технологий: дис. ... канд. техн. наук : 05.11.17 / Степашов Роман Владимирович. -Курск, 2018. - 144 с.
59. Тараканов, Д.В. Многокритериальные модели и методы поддержки управления пожарными подразделениями на основе мониторинга динамики
пожара в здании: дис. ... докт. техн. наук. : 05.13.10 / Денис Вячеславович Тараканов. - М., 2019. - 340 с.
60. Тараканов, Д.В. Совершенствование модели качества мониторинга крупных пожаров и чрезвычайных ситуаций / Д.В. Тараканов, М.О. Баканов // Современные проблемы гражданской защиты. - 2018. - №. 1 (26). - С. 91-95.
61. Титов, Д.В. Быстродействующая система технического зрения для поиска и определения характеристик очага возгорания / Д.В. Титов, С.Г. Емельянов, М.И. Труфанов // Известия Вузов. Приборостроение. - 2012. - № 2. -С. 40-43.
62. Титов, Д.В. Разработка и исследование методов, алгоритмов и технических средств обработки спектрозональных изображений: дис. ... д-ра техн. наук : 05.13.01 / Титов Дмитрий Витальевич. - Курск, 2018. - 325 с.
63. Титов, Д.В. Устройство распознавания возгорания на основе двухальтернативных классификаторов / Д.В. Титов, С.Г. Емельянов, М.И. Труфанов // Известия Юго-Западного государственного университета. - 2012. -№ 1 (40). - С. 40-43.
64. Томакова, Р.А. Интеллектуальные технологии сегментации и классификации биомедицинских изображений: монография / Р.А. Томакова, С.Г. Емельянов, С.А. Филист. - Курск: Юго-Зап. гос. ун-т., 2012. - 222 с.
65. Томакова, Р.А. Метод обработки и анализа сложноструктурируемых изображений на основе встроенных функций среды МЛТЬАВ / Р.А. Томакова, С.А. Филист // Вестник Забайкальского государственного университета. - 2012. -№ 1 (80). - С. 3-9.
66. Томакова, Р.А. Программное обеспечение автоматической классификации рентгенограмм грудной клетки на основе гибридных классификаторов / Р.А. Томакова, С.А. Филист, И.В. Дураков // Экология человека. - 2018. - № 6. - С. 59-64.
67. Топольский, Н.Г. Многокритериальная модель мониторинга пожара в здании для управления пожарно-спасательными подразделениями / Н.Г.
Топольский, Д.В. Тараканов, М.О. Баканов // Пожаровзрывобезопасность. - 2018. - Т. 27, №. 5. - С. 26-33.
68. Удилов, В.П. Система мониторинга пожарнойи экологической безопасности / В.П. Удилов, С.Г. Номинат, А.С. Кубарев, С.В. Зиневич, С.М. Демидов // Пожарная безопасность. - 2007. - № 2. - С.125-128.
69. Фаворская, М.Н. Метод обнаружения возгораний в условиях пониженной освещенности по визуальным данным / М.Н. Фаворская, А.В. Пятаева, А.С. Пятаев // Обработка пространственных данных в задачах мониторинга природных и антропогенных процессов (SDM-2017): труды Всероссийской конференции (29-31 августа 2017 г., г. Бердск). - Новосибирск, 2017. - С. 300-304.
70. Федров, А. Бинаризация черно-белых изображений: состояние и перспективы развития [Электронный ресурс] / А. Федров // Научно-образовательный кластер CLAIM. - Copyright, 2006 - 2014. - URL: http://it-claim.ru/Library/Books/ITS/wwwbook/ (дата обращения 09.07.2021 г.).
71. Филист, С.А. Автоматические классификаторы сложно структурируемых изображений на основе мультиметодных технологий многокритериального выбора / С.А. Филист, М.В. Дюдин, И.В. Зуев и др. // Вопросы радиоэлектроники. Серия: Системы и средства отображения информации и управления спецтехникой (СОИУ). - 2015. -№1. - С.130-140.
72. Филист, С.А. Гибридная нейронная сеть с макрослоями для медицинских приложений / С.А. Филист, О.В. Шаталова, М.А. Ефремов // Нейрокомпьютеры. Разработка, применение. - 2014. - №6. - С. 35 - 39.
73. Филист, С.А. Гибридные интеллектуальные модели для сегментации изображений рентгенограмм грудной клетки / С.А. Филист, Р.А. Томакова, С.В. Дегтярев, А.Ф. Рыбочкин // Медицинская техника. - 2017. - №5. - С. 41-45.
74. Филист, С.А. Метод каскадной сегментации рентгенограмм молочной железы / С.А. Филист, А.Р. Дабагов, Р.А. Томакова, И.А. Малютина, Д.С. Кондрашов // Известия Юго-Западного государственного университета. Серия:
Управление, вычислительная техника, информатика. Медицинское приборостроение. - 2019. - Т. 9, № 1 (30). - С. 49-61.
75. Филист, С.А. Метод классификации сложноструктурируемых изображений на основе самоорганизующихся нейросетевых структур / С.А. Филист, Р.А. Томакова, О.В. Шаталова, А.А. Кузьмин, К.Д.А. Кассим // Радиопромышленность. - 2016. - №4. - С. 57-65.
76. Филист, С.А. Многослойные морфологические операторы для сегментации сложноструктурируемых растровых полутоновых изображений / С.А. Филист, А.Р. Дабагов, Р.А. Томакова и др. // Известия Юго-Западного государственного университета. Серия: Управление, вычислительная техника, информатика, медицинское приборостроение. - 2019. - Т.9, №3. - С. 44-63.
77. Филист, С.А. Структурно-функциональная модель мета-анализа медико-экологических данных / С.А. Филист, В.В. Уварова, А.Н. Шуткин // Вопросы радиоэлектроники. Серия «Общетехническая» (ОТ). - 2015. - Выпуск 7. - С. 102 - 110.
78. Филист, С.А. Формирование признакового пространства для задач классификации сложноструктурируемых изображений на основе спектральных окон и нейросетевых структур / С.А. Филист, К.Д.А. Кассим, А.А. Кузьмин, О.В. Шаталова, Е.А. Алябьев // Известия Юго-Западного государственного университета. - 2016. - №4(67). - С. 56-68.
79. Шаталова, О.В. Метод классификации сложноструктурируемых изображений на основе самоорганизующихся нейросетевых структур / О.В. Шаталова, А.А. Кузьмин, К.Д.А. Кассим и др. // Радиопромышленность. - 2016. -№4. - С. 57— 65.
80. Шевцов, М.В. Мобильная система мониторинга, раннего обнаружения и оценки пожарной опасности / М.В. Шевцов, В.В. Аксёнов, Р.И. Сафронов, Л.В. Шульга, С.В. Дегтярев // Известия Юго-Западного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение. - 2021. - Т.11, № 3. - С. 8-25.
81. Шевцов, М.В. Нейросетевая система мониторинга пожарной обстановки по анализу видеоданных с беспилотных летательных аппаратов / М.В. Шевцов, И.Н. Горбачев, С.А. Филист // Искусственный интеллект в решении актуальных социальных и экономических проблем XXI века: сборник статей по материалам Седьмой Всероссийской научно-практической конференции с Международным участием (25-26 октября 2021 г.). - Пермь: ПГУ, 2021. - С. 329-334.
82. Шевцов, М.В. Нечеткие математические модели прогнозирования и оценки степени тяжести отравления угарным газом / М.В. Шевцов, Л.В. Стародубцева, Р.И. Сафронов, С.С. Сергеева // Известия Юго-Западного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение. - 2021. - Т. 11, № 3. - С. 180-197.
83. Шевцов, М.В. Определение площади тушения пожара ручными водяными пожарными стволами при выработке управленческих решений / М.В. Шевцов, В.В. Журавлев, А.Ю. Намычкин, Д.В. Тараканов, Н.М. Хыонг // Пожары и чрезвычайные ситуации: предотвращение, ликвидация. - 2008. - № 2. - С. 5961.
84. Шевцов, М.В. Разработка алгоритма описания потоков информации между участниками пожаротушения методом контекстно-свободных грамматик / М.В. Шевцов, В.А. Онов // Научно-аналитический журнал Вестник Санкт-Петербургского университета Государственной противопожарной службы МЧС России. - 2021. - №3.- С. 106-115.
85. Шевцов, М.В. Формулирование математической модели профессионального тезауруса руководителя тушения пожара / М.В. Шевцов // Научно-аналитический журнал Вестник Санкт-Петербургского университета Государственной противопожарной службы МЧС России. - 2020. - № 3. - С. 8387.
86. Яцун, С.Ф. Автоматизированная система контроля окружающей среды и оценки состояния людей в условиях чрезвычайных ситуаций с использованием летающего робота / С.Ф. Яцун, Н.А. Кореневский, С.В. Ефимов, Е.Н. Коровин // Медицинская техника. - 2018. - №4. - С. 52-54.
87. Al-Kasasbeh, R. Synthesis of fuzzy logic for prediction and medical diagnostics by Energy Characteristics of Acupuncture Points / N. Korenevskiy, F. Ionescou, M. Alshamasin, A.Kuzmin // Journal of Acupuncture and Meridian Studies. -2011. - Vol.4, No. 3. - Pp. 175-182.
88. Pyataeva, A.V. Video Based Flame and Smoke Detection / A.V. Pyataeva, O.E. Bandeev // Journal of Siberian Federal University. Engineering & Technologies. -
2019. - Vol. 12(5). - Pp. 542-554.
89. Bilkent database [Electronic resourse] // Bilkent SPG. - URL: http://signal.ee.bilkent.edu.tr/VisiFire/Demo/FireClips/ (date of access 22.01.2021 y.).
90. Bozcan, I. Au-air: A multi-modal unmanned aerial vehicle dataset for low altitude traffic surveillance / I. Bozcan, E. Kayacan // ICRA-2020: International Conference on Robotics and Automation (31 May-31 Aug. 2020 y.). - Paris: IEEE,
2020. - Pp. 8504-8510.
91. Celik, T. Fire detection using statistical color model in video sequences/ T. Celik et al. // J. Vis. Commun. Image R. - 2007. - Vol. 18. - Pp. 176-185.
92. Çelik, T. Fire and smoke detection without sensors: Image processing based approach / T. Çelik, H. Ozkaramanli, H. Demirel // 15th European Signal Processing Conference (EUSIPCO 2007) (3-7 September 2007 y.). - Poznan: EURASIP, 2007. -Pp. 1794-1798.
93. Chen, T. H. An early fire-detection method based on image processing / T. H. Chen, P. H. Wu, Y. C. Chiou // International Conference on Image Processing (ICIP'04) (24-27 Oct. 2004 y.). - Singapore: IEEE, 2004. - Pp. 1707-1710.
94. Dabagov, A.R. An Automated System for Classification of Radiographs of the Breast / A.R. Dabagov, V.A. Gorbunov, S.A. Filist, I.A. Malyutina, D.S. Kondrashov // Biomedical Engineering. - 2020, - Vol.53, No.6, - Pp. 425-428.
95. Dedeoglu, N. Real-time fire and flame detection in video / N. Dedeoglu et al. // International Conference on Acoustics, Speech, and Signal Processing (ICASSP'05) (23 March 2005 y.). - Philadelphia: IEEE, 2005. -Vol. 2. - Pp. 669-672.
96. Enis, A.C. Video Fire Detection - Review / A.C. Enis, K. Dimitropoulos, B. Gouverneur, N. Grammalidis, O. Gunay, etc. // Digital Signal Processing. - 2013. - Vol. 23. - Pp.1827-1843.
97. Favorskaya, M. Spatio-temporal smoke clustering in outdoor scenes based on boosted random forests / M. Favorskaya, A. Pyataeva, A. Popov // Procedia Computer Science. - 2016. - Vol. 96. - Pp. 762-771.
98. Favorskaya, M. Verification of smoke detection in video sequences based on spatio-temporal local binary patterns / M. Favorskaya, A. Pyataeva, A. Popov // Procedia Computer Science. - 2015. - Vol. 60. - Pp. 671-680.
99. Filist, S.A. Hybrid Intelligent Models for Chest X-Ray Image Segmentation / S.A. Filist, R.A. Tomakova, S.V. Degtyarev, A.F. Rybochkin // Biomedical Engineering. - 2018. - Vol. 51, No.5. - Pp. 358-363.
100. Foggia, P. Real-time fire detection for video-surveillance applications using a combination of experts based on color, shape, and motion / P. Foggia, A. Saggese, M. Vento // IEEE TRANSACTIONS on circuits and systems for video technology. - 2015. - Vol. 25, No. 9. - Pp. 1545-1556.
101. Gonzalez, R.C. Digital image processing / R.C. Gonzalez, R.E. Woods. -New York: Prentice hall, 2002. - 775 p.
102. Ho, C.C. Machine vision-based real-time early flame and smoke detection / C.C. Ho // Measurement Science and Technology. - 2009. - Vol. 20, No. 4. - Pp. 045502.
103. Hristov, G. Emerging methods for early detection of forest fires using unmanned aerial vehicles and lorawan sensor networks / G. Hristov et al. // 28th EAEEIE Annual Conference (EAEEIE) (26-28 Sept. 2018 y.). - Hafnarfjordur: IEEE, 2018. - Pp. 1-4.
104. Huang, J. Optical flow based real-time moving object detection in unconstrained scenes / J. Huang et al. // arXiv preprint arXiv:1807.04890. - 2018. - Pp. 1-7.
105. Jiao, Z. A deep learning based forest fire detection approach using UAV and YOLOv3 / Z. Jiao et al. // 1st International Conference on Industrial Artificial Intelligence (IAI) (23-27 July 2019 y.). - Shenyang: IEEE, 2019. - Pp.1-5.
106. Korenevskiy, N. Fuzzy Determination of the Humans Level of Psycho-Emotional / Riad Taha Al-Kasasbeh, F. Ionescou, M. Alshamasin, Anrew P. Smit // Mega-Conference on Biomedical Engineering: Proceedings of the 4th-international conferecejn the develjpment of biomedical engineering (8-12 January 2012 y.). - Ho Chi Minh City, 2012. - Pp. 354-357.
107. Korenevskiy, N.A. Fuzzy determination of the human's level of psycho-emotional / N.A. Korenevskiy, R.T. Al-Kasasbeh, F. Ionescouc, M. Alshamasin, E. Alkasasbeh, A.P. Smith // IFMBE Proceedings. - 2013. - Vol. 40. - Pp. 213-216.
108. Korenevskiy, N.A., Application of Fuzzy Logic for Decision-Making in Medical Expert Systems / N.A. Korenevskiy // Biomedical Engineering. - 2015. -Vol.49. - Pp. 46-49.
109. Mirzaalian, H. Various Applying of Wavelet Transform in Digital Mammograms for Detecting Masses and Microcalsifications / H. Mirzaalian et al. // Conference on Machine Vision Applications (MVA) (16-18 May 2007 y.). - Tokyo, 2007. - Pp. 351-354.
110. Qi, X. A computer vision based method for fire detection in color videos / X. Qi, J. Ebert // International journal of imaging. - 2009. - Vol. 2, No. S09. - Pp. 22-34.
111. Rinsurongkawong, S. Fire detection for early fire alarm based on optical flow video processing / S. Rinsurongkawong, M. Ekpanyapong, M.N. Dailey // 9th International conference on electrical engineering/electronics, computer, telecommunications and information technology (16-18 May 2012 y.). - Phetchaburi: IEEE, 2012. - Pp. 1-4.
112. Tomakova, R. The role of hybrid classifiers in problems of chest roentgenogram classification / R. Tomakova, S. Filist, R. Veynberg, A. Brezhnev, A. Brezhneva // Advances in Intelligent Systems and Computing. - 2020. - Vol. 902. - Pp. 293-303.
113. Toreyin, B. U. Online detection of fire in video / B. U. Toreyin, A.E. Cetin // Conference on Computer Vision and Pattern Recognition (17-22 June 2007 y.). -Minneapolis: IEEE, 2007. - Pp. 1-5.
114. Wang, S. A flame detection synthesis algorithm / S. Wang et al. // Fire Technology. - 2014. - Vol. 50, No. 4. - Pp. 959-975.
115. Wu, S. Using popular object detection methods for real time forest fire detection / S. Wu, L. Zhang // 11th International symposium on computational intelligence and design (ISCID) (8-9 Dec. 2018 y.). - Hangzhou: IEEE, 2019. - Pp. 280-284.
116. Zhang, J. A new flame detection method using probability model / J. Zhang, J. Zhuang, H. Du // International Conference on Computational Intelligence and Security (3-6 Nov. 2006 y.). - Guangzhou: IEEE, 2006. - Pp. 1614-1617.
Обратите внимание, представленные выше научные тексты размещены для ознакомления и получены посредством распознавания оригинальных текстов диссертаций (OCR). В связи с чем, в них могут содержаться ошибки, связанные с несовершенством алгоритмов распознавания. В PDF файлах диссертаций и авторефератов, которые мы доставляем, подобных ошибок нет.