Удосконалення алгоритму роботи автоматичних систем протипожежного захисту

 

Жир Єгор Сергійович

Національний технічний університет «Дніпровська політехніка»

https://orcid.org/0009-0001-3701-1710

 

Радчук Дмитро Ігорович

Національний технічний університет «Дніпровська політехніка»

https://orcid.org/0000-0001-8034-541X

 

DOI: https://doi.org/10.52363/2524-0226-2026-43-23

 

Ключові слова: пожежна безпека, штучний інтелект, машинне навчання, виявлення пожежі, комп’ютерний зір

 

Анотація

 

Проведено системний огляд та порівняльний аналіз архітектур комп’ютерного зору і моделей глибокого машинного навчання отримано систематизовані дані щодо функціональних обмежень існуючих рішень на базі згорткових нейронних мереж. Доведено їхню значну залежність від прямої видимості осередку займання та високу чутливість до складних змін освітленості. На основі цих недоліків розроблено теоретичну концепцію оптимізованого двоетапного алгоритму роботи системи комп’ютерного зору для раннього виявлення пожежі в замкнених промислових приміщеннях за умов прихованого полум’я. Встановлено, що ефективність локалізації вогню може бути суттєво підвищена завдяки поєднанню методів прямого розпізнавання полум’я та аналізу непрямих візуальних ознак пожежі. Підхід обґрунтовано шляхом теоретичного моделювання декомпозиції коротких відеофрагментів на кадри з фіксованою частотою для подальшого математичного обчислення часових коливань загальної яскравості, специфічних відблисків та динамічного мерехтіння світла. Зафіксовано доцільність використання різкого зниження інтенсивності освітлення внаслядок раптового задимлення як визначальної непрямої ознаки для локалізації. Обґрунтовано перспективу формування спеціальних часових рядів похідних параметрів замість традиційної обробки пікселів усього зображення з їх подальшою передачею на вхід нейромережевих моделей для розпізнавання унікальних хаотично-періодичних паттернів оптичних змін. Сформовано лише теоретичні засади та технологічні параметри запропонованої архітектури, тоді як розробка програмного забезпечення, навчання моделей нейронних мереж та їх практичне тестування на базі датасетів визначено завданнями для наступних статей. Результати підтверджують можливість майбутньої модернізації наявних систем відеоспостереження без залучення значних додаткових апаратних витрат.

 

Посилання

  1. Vasconcelos R. N., Franca Rocha W. J. S., Costa D. P., Duverger S. G., Santana M. M. M. d., Cambui E. C. B., Ferreira-Ferreira J., Oliveira M., Barbosa L. d. S., Cordeiro C. L. Fire Detection with Deep Learning: A Comprehensive Review. Land. 2024. Т. 13. № 10. 1696. doi: 10.3390/land13101696
  2. Системи протипожежного захисту : ДБН В.2.5-56:2014. [Чинні з 2015-07-01]. Київ : Мінрегіон України, 2014. 127 с.
  3. Kurasinski L., Tan J., Malekian R. Using Neural Networks to Detect Fire from Overhead Images. Wireless Pers Commun. 2023. Т. 130. С. 1085–1105. doi: 10.1007/s11277-023-10321-7
  4. An AI-based Image Recognition System for Early Detection of Forest and Field Fires / S. Labed et al. European Journal of Forest Engineering. 2023. Т. 9. № 2. С. 48–56. doi: 10.33904/ejfe.1322396
  5. Automatic Flame Detection: Evaluation of Deep Learning Algorithms Using a Custom Thermal Image Dataset / M. Mozaffari et al. Fire Technol. 2025. Т. 61. С. 5789–5813. doi: 10.1007/s10694-025-01810-1
  6. Deep Learning Based Fire Detection and Fire Extinguisher Using Sound Wave / S. Renuga et al. International Journal for Research in Applied Science & Engineering Technology (IJRASET). 2023. Т. 11. № VIII. С. 605–609. doi: 10.22214/ijraset.2023.55033
  7. Refaee E. A., Sheneamer A., Assiri B. A Deep-Learning-Based Approach to the Classification of Fire Types. Applied Sciences. 2024. Т. 14. № 17. Стаття 7862. doi: 10.3390/app14177862
  8. Image-Based Fire Detection in Industrial Environments with YOLOv4 / O. Zell et al. // Proceedings of the 12th International Conference on Pattern Recognition Applications and Methods – ICPRAM. SciTePress. 2023. С. 379–386. doi: 10.5220/
  9. A Flame-Detection Algorithm Using the Improved YOLOv5 / X. Xie et al. Fire. 2023. Т. 6. № 8. Стаття 313. doi: 10.3390/fire6080313
  10. Zhang Z., Tan L., Robert T. L. K. An Improved Fire and Smoke Detection Method Based on YOLOv8n for Smart Factories. Sensors. 2024. Т. 24. № 15. Стаття 4786. doi: 10.3390/s24154786
  11. Applications of Artificial Intelligence in Fire Safety of Agricultural Structures/ C. Maraveas et al. Applied Sciences. 2021. Т. 11. № 16. Стаття 7716. doi: 10.3390/app11167716
  12. Даник Ю. О., Кіріченко Д. О. Застосування систем штучного інтелекту для вирішення проблем пожежної безпеки. Механіка та математичні методи. 2025. Т. 7. Вип. 1. С. 152–172. doi: 10.31650/2618-0650-2025-7-1-152-172
  13. FASDD: An Open-access 100,000-level Flame and Smoke Detection Dataset for Deep Learning in Fire Detection [Preprint] / M. Wang et al. Earth Syst. Sci. Data Discuss. 2022. DOI: 10.5194/essd-2022-394
  14. Singh H., Ang L. M., Srivastava S. Active wildfire detection via satellite imagery and machine learning: an empirical investigation of Australian wildfires. Nat Hazards. 2025. Т. 121. С. 9777–9800. doi: 10.1007/s11069-025-07163-w
  15. Grammalidis N., Dimitropoulos K., Cetin E. FIRESENSE database of videos for flame and smoke detection [Data set]. Zenodo, 2017. Version v1. doi: 10.5281/zenodo.836748

 

Надійшла до редколегії: 10.03.2026

Прийнята до друку: 14.04.2026

Дата публікації (оприлюднення): 31.05.2026