Распознавание пожаров в офисе

Description

Обнаружение пожара на основе нейронных сетей в видео наблюдениях .Последние достижения в области встроенной обработки данных позволили системам на основе машинного зрения обнаруживать возгорание во время наблюдения с использованием  нейронных сетей. Создание нейронной сети, способной распознавать возгорание на ранней стадии по видеосъемке с камер видеонаблюдения. Возможно широкое применение программно-аппаратного комплекса на основе такой нейросети в  качестве дополнения либо вместо традиционных систем пожарной сигнализации в офисах, производственных и складских помещениях
и открытых промплощадках.

Искусственный интеллект и пожарная безопасность

В своей презентации Гильермо Рейн из Имперского колледжа Лондона представил инновационную систему противопожарной защиты, которая сочетает в себе датчики здания, компьютерное моделирование и искусственный интеллект (ИИ). Он называется Fire Navigator и предназначен для прогнозирования движения огня внутри большого здания, заранее предоставляя пожарным командам необходимую информацию о пламени и дыме.

Он предназначен для преодоления разрыва между пожарной безопасностью и информационным моделированием зданий (BIM) за счет использования данных, уже полученных датчиками высотных зданий, такими как датчики дыма и тепла. Быстрая и простая клеточная автоматизированная модель усваивает данные датчиков и с помощью методов обратного моделирования и генетического алгоритма определяет место возгорания, время, скорость распространения пламени и скорость дыма. Был показан тестовый пример с синтетическими данными для реального здания в Лондоне.

Концепция Fire Navigator особенно подходит для защиты зданий повышенного риска, таких как высотные здания и больницы, или критически важной инфраструктуры, такой как туннели и электростанции.

Сенсорная технология

Пол ван дер Занден, генеральный директор Euralarm, подробно остановился на связи между ИИ и пожарной промышленностью. Он использовал целостный подход, определив ИИ как «технологию, используемую для повышения ценности и/или улучшения результатов существующего или нового процесса/системы».

В Euralarm пожарная безопасность рассматривается как экосистема, поэтому пожарная безопасность должна быть частью процесса развития. Если предположить, что в проекте сделано все для предотвращения возникновения пожара, остается вероятность возникновения пожара. Ключевым фактором, определяющим воздействие этого инцидента, является время. Своевременное обнаружение и чувствительность к ненужным сигналам тревоги связаны друг с другом. Оба фактора можно улучшить с помощью новых технологий, в том числе технологий искусственного интеллекта.

Остается вопрос, можем ли мы использовать другие будущие побочные разработки из мира ИИ для пожарной безопасности. Внедрение доступных новых сенсорных технологий может быть одним из таких побочных эффектов.

Уязвимости, связанные с ИИ

Ибрагим Дауди из CNPP представил уязвимости, связанные с использованием искусственного интеллекта в продуктах безопасности, где он резюмировал три основные категории уязвимостей.

Первая категория состоит из состязательных атак, целью которых является создание данных, достаточно модифицированных, чтобы ввести модель в заблуждение. Вторая категория касается физических атак. Фактически он основан на атаках со стороны противника, но применяется к реальным объектам. Третья категория — традиционная атака на информационные системы, приводящая к отравлению самой модели или ее обучающих данных.

Временное глубокое обучение

Использование временной информации имеет решающее значение для обнаружения дыма в видеорядах. В своей презентации Андреас Велльхаузен из Bosch Sicherheitssysteme GmbH представил работу над темпоральными подходами, основанными на глубоком обучении, которые применяются к видеообнаружению дыма. Были разработаны два метода.

Во-первых, сочетание сверточных нейронных сетей (CNN) и сетей с долговременной кратковременной памятью (LSTM), во-вторых, раздутая 3D-архитектура (i3D), которая состоит из 3D-свёрток. Это два современных подхода к извлечению пространственной и временной информации из видеопоследовательностей. Был представлен новый способ обнаружения и локализации дыма в таких последовательностях, названный классификацией по ячейкам. Кроме того, было показано преимущество временных подходов перед методами CNN, которые обычно используются для обнаружения проблем в Computer Vision.

 

Если у Вас появилась заинтересованность в данной нейронной сети, и она может помочь Вам в реализации Ваших бизнес и других технических задачах, пожалуйста отправьте заявку на email info@ai2b.ru , или позвоните по телефону 8(495)661-61-09