論文の概要: Image-Based Fire Detection in Industrial Environments with YOLOv4

• arxiv url: http://arxiv.org/abs/2212.04786v1
• Date: Fri, 9 Dec 2022 11:32:36 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-12 15:21:33.501134
• Title: Image-Based Fire Detection in Industrial Environments with YOLOv4
• Title（参考訳）: YOLOv4を用いた産業環境における画像ベース火災検知
• Authors: Otto Zell, Joel P{\aa}lsson, Kevin Hernandez-Diaz, Fernando Alonso-Fernandez, Felix Nilsson
• Abstract要約: この研究は、AIが火災を検出し、認識し、画像ストリーム上のオブジェクト検出を使用して検出時間を短縮する可能性を検討する。 そこで我々は, YOLOv4オブジェクト検出器をベースとした複数のモデルのトレーニングと評価に使用されてきた複数の公開情報源から, 適切なデータを収集, ラベル付けした。
• 参考スコア（独自算出の注目度）: 53.180678723280145
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Fires have destructive power when they break out and affect their surroundings on a devastatingly large scale. The best way to minimize their damage is to detect the fire as quickly as possible before it has a chance to grow. Accordingly, this work looks into the potential of AI to detect and recognize fires and reduce detection time using object detection on an image stream. Object detection has made giant leaps in speed and accuracy over the last six years, making real-time detection feasible. To our end, we collected and labeled appropriate data from several public sources, which have been used to train and evaluate several models based on the popular YOLOv4 object detector. Our focus, driven by a collaborating industrial partner, is to implement our system in an industrial warehouse setting, which is characterized by high ceilings. A drawback of traditional smoke detectors in this setup is that the smoke has to rise to a sufficient height. The AI models brought forward in this research managed to outperform these detectors by a significant amount of time, providing precious anticipation that could help to minimize the effects of fires further.
• Abstract（参考訳）: 火災は破壊的な力を持ち、破壊的な規模で周囲に影響を及ぼす。 損傷を最小限に抑える最善の方法は、成長する前にできるだけ早く火災を検出することである。 そこで本研究では,aiが火災を検知し認識し,画像ストリーム上の物体検出による検出時間を短縮する可能性を検討する。 物体検出は過去6年間でスピードと精度を飛躍させ、リアルタイム検出を可能にした。 そこで我々は, YOLOv4オブジェクト検出器をベースとした複数のモデルのトレーニングと評価に使用されてきた複数の公開情報源から, 適切なデータを収集, ラベル付けした。 協力する産業パートナーによって推進される我々の焦点は、高い天井を特徴とする産業倉庫環境でのシステムの実装である。 この設定における従来の煙探知器の欠点は、煙が十分な高さに達する必要があることである。 この研究で得られたAIモデルは、これらの検出器をかなりの時間で上回り、火災の影響を最小化するための貴重な予測を提供することができた。

関連論文リスト

• Hardware Acceleration for Real-Time Wildfire Detection Onboard Drone Networks [6.313148708539912]
  遠隔地や森林地帯での山火事の検出は 破壊と生態系の保全を 最小化するのに不可欠です ドローンは、高度な撮像技術を備えた、リモートで困難な地形へのアジャイルアクセスを提供する。 限られた計算とバッテリリソースは、画像分類モデルの実装と効率的な実装に困難をもたらす。 本稿では,リアルタイム画像分類と火災分断モデルの構築を目的とする。
  論文  参考訳（メタデータ） (2024-01-16T04:16:46Z)
• Fire Detection From Image and Video Using YOLOv5 [0.0]
  改良されたYOLOv5火災検出深層学習アルゴリズムを提案する。 Fire-YOLOv5は最先端のオブジェクト検出ネットワークと比較して優れた結果が得られる。 入力画像サイズが416×416のとき、平均検出時間は1フレームあたり0.12秒である。
  論文  参考訳（メタデータ） (2023-10-10T06:37:03Z)
• Trash to Treasure: Low-Light Object Detection via Decomposition-and-Aggregation [76.45506517198956]
  低照度シナリオにおけるオブジェクト検出は、ここ数年で多くの注目を集めています。 主流で代表的なスキームは、レギュラー検出器の前処理としてエンハンサーを導入している。 本研究では,エンハンサー+検出器のポテンシャルを喚起する。
  論文  参考訳（メタデータ） (2023-09-07T08:11:47Z)
• Deep Industrial Image Anomaly Detection: A Survey [85.44223757234671]
  近年の深層学習の急速な発展は,産業用画像異常検出(IAD)のマイルストーンとなった 本稿では,ディープラーニングによる画像異常検出手法の総合的なレビューを行う。 画像異常検出のオープニング課題をいくつか取り上げる。
  論文  参考訳（メタデータ） (2023-01-27T03:18:09Z)
• Multimodal Wildland Fire Smoke Detection [5.15911752972989]
  研究によると、気候変動によって温暖な温度と乾燥状態が生まれ、長い山火事の季節と米国の山火事のリスクが増大する。 スモーキーネット(SmokeyNet)は,森林火災の煙を検出するための時間的情報を用いた深層学習モデルである。 SmokeyNetは、ほんの数分の時間で自動早期通知システムとして機能し、破壊的な山火事との戦いに有用なツールを提供する。
  論文  参考訳（メタデータ） (2022-12-29T01:16:06Z)
• Image-based Early Detection System for Wildfires [2.8494271563126676]
  森林火災は土地の被害、財産の喪失、大気汚染、さらには人命の喪失を引き起こす破壊的な現象である。 本稿では,機械学習を用いて山火事の煙を高精度に検出するWildfire Detection and Alertシステムを提案する。 私たちの技術は現在、米国内で毎日何百ものカメラから送られてくるデータを監視するために使われています。
  論文  参考訳（メタデータ） (2022-11-03T07:38:30Z)
• Adversarially-Aware Robust Object Detector [85.10894272034135]
  本稿では,ロバスト検出器 (RobustDet) を提案する。 本モデルは, クリーン画像の検出能力を維持しながら, 傾きを効果的に解き, 検出堅牢性を著しく向上させる。
  論文  参考訳（メタデータ） (2022-07-13T13:59:59Z)
• FIgLib & SmokeyNet: Dataset and Deep Learning Model for Real-Time Wildland Fire Smoke Detection [0.0]
  Fire Ignition Library (FIgLib) は、25,000点近い山火事の煙画像のデータセットである。 SmokeyNetは、リアルタイムの山火事煙検知にカメラ画像からの時間情報を利用する、新しいディープラーニングアーキテクチャである。 FIgLibデータセットでトレーニングすると、SmokeyNetは同等のベースラインを上回り、人間のパフォーマンスに匹敵する。
  論文  参考訳（メタデータ） (2021-12-16T03:49:58Z)
• Detecting Invisible People [58.49425715635312]
  我々は,追跡ベンチマークを再利用し,目立たない物体を検出するための新しい指標を提案する。 私たちは、現在の検出および追跡システムがこのタスクで劇的に悪化することを実証します。 第2に,最先端の単眼深度推定ネットワークによる観測結果を用いて,3次元で明示的に推論する動的モデルを構築した。
  論文  参考訳（メタデータ） (2020-12-15T16:54:45Z)
• STCNet: Spatio-Temporal Cross Network for Industrial Smoke Detection [52.648906951532155]
  本稿では,産業用煙排出ガスを識別する新しい時空間クロスネットワーク(STCNet)を提案する。 提案するSTCNetは, テクスチャの特徴を抽出する空間的特徴と, 煙の動き情報を捕捉する時間的経路を含む。 STCNetは、RISE産業煙検知データセットにおいて、最も優れた競合相手に対して6.2%の精度で明確な改善を実現していることを示す。
  論文  参考訳（メタデータ） (2020-11-10T02:28:47Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。