Каталог "Пожарная безопасность"-2025

СИСтЕмы СвяЗИ, ДИСПЕтчЕРИЗАцИИ ИмоНИтоРИНгА СПЕЦИАЛИЗИРОВАННЫЙ КАТАЛОГ ПОЖАРНАЯ БЕЗОПАСНОСТЬ | 2025 www.secuteck.ru 90 6 РАЗДЕЛ Предполагая высокие затраты на внедре- ние видеоаналитических модулей, предста- вители управляющих компаний с опаской смотрят на модернизацию систем видеона- блюдения. Для решения этой проблемы на рынке уже имеются мультиинтеграционные системы класса "видеосапиенс", которые позволяют значительно расширить функциональные возможности традиционных систем видео- наблюдения. Второй фактор – опасения за ложные сра- батывания системы пожарной сигнализации на основе нейросетей. И эти опасения об- основанны. Только в одном типовом совре- менном жилом комплексе может разме- щаться до 2 тыс. видеокамер, поэтому не- санкционированные сработки детектора по- жара могут отвлекать дежурный персонал. Тревоги, вызванные ошибочным распозна- ванием пара, пыли или движения теней от людей, принимая их за дым, могут привести к снижению доверия к системам и увеличить нагрузку на службы экстренного реагирова- ния. Это особенно важно в условиях много- квартирных домов, где требуется оператив- ное реагирование на угрозы. Сертифицированные нейросетевые по- жарные извещатели имеют испытанные ха- рактеристики по ГОСТ Р 53325. При этом, согласно требованиям нормативных доку- ментов по пожарной безопасности, извеща- тели с нейросетевыми детекторами не должны подвергаться испытаниям на пред- мет ложных срабатываний при попадании в видимую сенсором область сторонних предметов или событий, не являющихся пламенем или дымом. Поэтому, несмотря на все преимущества видеоаналитических систем и нейросетевых пожарных извещателей, остается актуальной проблематика ложных срабатываний, и она требует глубокой научной проработки с точки зрения применимости различного программ- ного инструментария для снижения частоты реагирования на сторонние события. В ходе постановки задачи и анализа ча- стоты сработки на посторонние события установлено, что срабатывания, связанные с обнаружением огня, происходят реже, чем с дымом. Это связано с более четкими ви- зуальными признаками огня, такими как яр- кость и движение пламени. В связи с этим основной вектор исследований был направ- лен на исключение ложных срабатываний по критерию "дым". Анализ научной литературы показал, что с развитием технологий компьютерного зре- ния появились новые возможности для по- вышения точности обнаружения дыма. Со- временные методы, такие как сверточные нейронные сети (CNN), позволяют анализи- ровать не только статические признаки (цвет, форма), но и динамику движения объ- ектов. Это значительно улучшает способ- ность систем различать дым и другие визу- альные явления, такие как пар или пыль. Тем не менее CNN имеют ряд ограничений. На- пример, они могут ошибаться при обработке сложных фонов, таких как густой пар или пыль, что приводит к ложным срабатыва- ниям. В работах Bohush et al. (2023) и Sat- hishkumar et al. (2023) показано, что CNN эф- фективны для идентификации дыма в ви- деопоследовательностях, но их точность снижается в условиях сложных помещений. Исследования Sagel et al. (2024) демонстри- руют, что сочетание оптического потока и трекинга объектов значительно улучшает точность обнаружения. Методы трекинга, такие как SORT и DeepSORT, требуют значи- тельных вычислительных ресурсов, что ограничивает их применение в реальном времени на устройствах с низкой произво- дительностью. Комбинирование этих мето- дов с современными моделями детекции, такими как YOLOv8, позволяет минимизиро- вать ложные срабатывания и обеспечить вы- сокую скорость обработки данных. Отдель- ного внимания заслуживает подход, пред- ложенный в работах Д.В. Титова, С.Г. Емель- янова и М.И. Труфанова (2023). Они исполь- зуют стереометрический анализ изображе- ний для определения объемных характери- стик объектов и их движения в простран- стве. Хотя этот метод и эффективен для ис- ключения ложных срабатываний, его приме- нение ограничено необходимостью уста- новки нескольких камер, что увеличивает сложность и стоимость системы. Для нивелирования недостатков исполь- зуемых методов была разработана мето- дика минимизации ложных срабатываний в системах нейросетевого детектирования дыма на основе анализа векторов движения. Методика основана на использовании тре- кинга объектов (SORT/DeepSORT) и модели YOLOv8, учитывает характерные особенно- сти движения дыма, такие как его движение вверх из-за конвекции, что значительно по- вышает точность обнаружения и снижает ко- личество ложных срабатываний. Научная но- визна методики заключается в интеграции трекинга объектов и современных моделей компьютерного зрения для анализа дина- мики распространения дыма. Это позволяет не только повысить надежность системы, но и минимизировать ошибки, связанные с паром или пылью. В сочетании с YOLOv8 данная методика обеспечивает высокую скорость обработки данных в реальном вре- мени, что делает ее пригодной для интегра- ции в существующие системы видеонаблю- дения. Центральное место в методике занимает анализ векторов движения дыма с исполь- зованием алгоритмов SORT и DeepSORT, а также модели YOLOv8 для локализации объектов. Алгоритмы SORT и DeepSORT обеспечивают эффективное отслеживание движения дыма в реальном времени. SORT предсказывает положение объекта на ос- нове его предыдущих координат и скорости, используя фильтр Калмана. DeepSORT до- полняет этот подход анализом визуальных признаков объекта, что позволяет системе сохранять точность даже в условиях частич- ного перекрытия объектов или сложных фонов. Модель YOLOv8 отвечает за обнару- жение дыма в видеопотоке. После выделе- ния областей интереса (ROI) для каждого объекта инициализируется трекер, который отслеживает его движение между кадрами. Для сопоставления объектов используется метрика расстояния Махаланобиса, что поз- воляет идентифицировать один и тот же объект в последовательности кадров. Чтобы исключить ошибки, вызванные паром или пылью, система анализирует век- торы движения объектов. Дым, как правило, движется вверх из-за конвекции, что отли- чает его от других явлений. Для оценки сход- ства векторов движения применяется метод косинусного сходства. Если сходство с эта- лонным вектором для дыма превышает за- данный порог, объект классифицируется как дым. В противном случае он игнорируется как ложное срабатывание. Система начинает работу с обнаружения объектов с помощью YOLOv8. Затем алгоритмы SORT и DeepSORT отслеживают положение, скорость и направ- ление движения объектов, что позволяет си- стеме следить за объектом даже при изме- нении его положения или временном пере- крытии. На заключительном этапе система классифицирует объекты на основе анализа векторов движения, используя эталонные векторы для повышения точности. Предложенная методика объединяет воз- можности трекинга объектов и современных моделей компьютерного зрения, что позво- ляет достичь высокой точности обнаруже- ния и минимизировать количество ложных срабатываний. Этот подход обеспечивает эффективную работу системы в реальных условиях, делая ее пригодной для интегра- ции в существующие системы видеонаблю- дения. Таким образом, комплексный подход, включающий мультиинтеграционные видео- системы, видеоаналитику, нейросетевые извещатели и метод минимизации ложных срабатываний (MMFP), позволяет значи- тельно повысить уровень пожарной без- опасности в многоквартирных домах. Это делает систему более надежной, адаптив- ной, эффективной в реальных условиях и способной масштабно решать проблемы ЖКХ в области пожарной безопасности. n Иллюстрации предоставлены автором. s Рис. 2. Принцип работы программного обеспечения ЭНСПИ