PHÁT HIỆN VÀ QUAN TRẮC THẢM HỌA MÔI TRƯỜNG  SỬ DỤNG KỸ THUẬT HỌC SÂU PHÂN ĐOẠN ẢNH

Nguyễn Quang Thi; Nguyễn Quang Uy; Phùng Kim Phương; Nguyễn Minh Trí; Nguyễn Mạnh Sơn

doi:10.34238/tnu-jst.6551

PHÁT HIỆN VÀ QUAN TRẮC THẢM HỌA MÔI TRƯỜNG SỬ DỤNG KỸ THUẬT HỌC SÂU PHÂN ĐOẠN ẢNH

Thông tin bài báo

Ngày nhận bài: 23/09/22 Ngày hoàn thiện: 03/11/22 Ngày đăng: 03/11/22

Các tác giả

1. Nguyễn Quang Thi , Trường Đại học Kỹ thuật Lê Quý Đôn
2. Nguyễn Quang Uy, Trường Đại học Kỹ thuật Lê Quý Đôn
3. Phùng Kim Phương, Trường Đại học Kỹ thuật Lê Quý Đôn
4. Nguyễn Minh Trí, Trường Đại học Kỹ thuật Lê Quý Đôn
5. Nguyễn Mạnh Sơn, Trường Đại học Kỹ thuật Lê Quý Đôn

Tóm tắt

Việc phát hiện và đo lường đám khói cũng như mây sol khí gây ô nhiễm luôn là hoạt động cần thiết đối với bất kỳ hệ thống giám sát môi trường nào trong việc dự đoán sự cố môi trường hoặc cháy rừng. Để phát hiện và giám sát khói tồn tại trong không khí, việc sử dụng hình ảnh từ trên không là phương pháp rất hiệu quả, đặc biệt là đối với các khu vực rộng lớn. Sự hiện diện của sol khí và các hạt có thể ảnh hưởng đến độ trong suốt và các đặc tính quang phổ của khí quyển, vì lý do này mà chúng ta có thể phát hiện khói trong các hình ảnh trên không một cách trực quan. Dựa vào các đặc tính trên, trong bài báo này, chúng tôi đánh giá khả năng sử dụng các mô hình tự động để phân tích không ảnh, phát hiện, phân mảnh và đo lường các đám khói trong dữ liệu hình ảnh được thu thập bằng mạng nơ-ron học sâu Unet. Chúng tôi đã xây dựng các bộ dữ liệu được gán nhãn pixel-by-pixel với số lượng lớn nhằm cải thiện và huấn luyện các mô hình phân đoạn có nguồn gốc từ kiến trúc mạng nơ-ron Unet. Các mô hình thử nghiệm được đánh giá bằng phép đo IoU (Intersection Over Union) và tỷ lệ chấp nhận sai. Kết quả thử nghiệm cho thấy các mô hình học sâu cho phép phát hiện khói một cách đáng tin cậy và hiệu quả trong các ứng dụng an ninh và môi trường.

Từ khóa

Phát hiện khói; Phân đoạn; Phân đoạn ngữ nghĩa; Mô hình; Thảm họa môi trường

Toàn văn:

PDF

Tài liệu tham khảo

[1] Z. Wang, P. Yang, H. Liang, C. Zheng, J. Yin, Y. Tian, and W. Cui, “Semantic Segmentation and Analysis on Sensitive Parameters of Forest Fire Smoke Using Smoke-Unet and Landsat-8 Imagery,” Remote Sens., vol. 14, no. 1, 2022, doi: 10.3390/rs14010045.

[2] B. Amaral, A. Bernardino, and C. Barata, “Fire and Smoke Detection in Aerial Images,” Portuguese Conference on Pattern Recognition (RecPad), October 2020, pp. 1-2.

[3] S. Frizzi, M. Bouchouicha, G. Jean-Marc, E. Moreau, and M. Sayadi, “Convolutional neural network for smoke and fire semantic segmentation,” IET Image Process, vol. 15, pp. 634–647, 2021, doi: 10.1049/ipr2.12046.

[4] M. J. Garay, D. M. Mazzoni, R. Davies, and D. Diner, “The application of support vector machines to the analysis of global datasets from MISR,” in Proceedings of the Fourth Conference on Artificial Intelligence Applications to Environmental Science, San Diego, CA, USA, January 2005, pp. 1-19.

[5] D. Mazzoni, J. A. Logan, D. Diner, R. Kahn, L. Tong, and Q. Li, “A data-mining approach toassociating MISR smoke plume heights with MODIS fire measurements,” Remote Sensing of Environment, vol. 107, pp. 138–148, 2007.

[6] D. Mazzoni, M. J. Garay, R. Davies, and D. Nelson, “An operational MISR pixel classifier using support vector machines,” Remote Sensing of Environment, vol. 107, pp. 149–158, 2007.

[7] X. L. Li, J. Wang, W. G. Song, J. Ma, L. Telesca, and Y. M. Zhang, “Automatic Smoke Detection in MODIS Satellites Data based on K-means Clustering and Fisher Linear Discrimination,” Photogramm. Eng. Remote Sens., vol. 80, pp. 971–982, 2014.

[8] X. L. Li, W. G. Song, L. Lian, and X. Wei, “Forest Fire Smoke Detection Using Back-Propagation Neural Network Based on MODIS Data,” Remote Sens., vol. 7, pp. 4473–4498, 2015.

[9] W. Su, J. Zhang, C. Yang, R. Page, T. Szinyei, C. D. Hirsch, and B. J. Steffenson, “Automatic Evaluation of Wheat Resistance to Fusarium Head Blight Using Dual Mask R-CNN Deep Learning Frameworks in Computer Vision,” Remote Sens, vol. 13, no. 1, 2021, 10.3390/rs13010026.

[10] S. Khan, K. Muhammad, T. Hussain, J. D. Ser, F. Cuzzolin, S. Bhattacharyya, Z. Akhtar, and V. H. C. de Albuquerque, “DeepSmoke: Deep learning model for smoke detection and segmentation in outdoor environments,” Expert Systems with Applications, vol. 182, no. 15, 2021, doi: 10.1016/j.eswa.2021.115125.

[11] O. Ronneberger, P. Fischer, and T. Brox, “U-Net: Convolutional Networks for Biomedical Image Segmentation,” 2015. [Online]. Available: https://arxiv.org/pdf/1505.04597.pdf. [Accessed September 29, 2021].

[12] Y. Bao, W. Liu, O. Gao, Z. Lin, and Q. Hu, “E-Unet++: A Semantic Segmentation Method for Remote Sensing Images,” in Proceedings of the 2021 IEEE 4th Advanced Information Management, Communicates, Electronic and Automation Control Conference (IMCEC), Chongqing, China, 18–20 June 2021, pp. 1858–1862.

[13] X. Li, Z. Du, Y. Huang, and Z. Tan, “A deep translation (GAN) based change detection network for optical and SAR remote sensing images,” ISPRS J. Photogramm. Remote Sens., vol. 179, pp. 14–34, 2021.

[14] A. Markham, I. Ilyassov, M. Aitzhanov, M. F. Demirci, and A. M Ozbayoglu, “Deep learningbased investment strategy: Technical indicator clustering and residual blocks,” Soft Comput., vol. 25, pp. 5151–5161, 2021.

[15] S. Kastner and L. G. Ungerleider, “Mechanisms of visual attention in the human cortex,” Annu. Rev. Neurosci., vol. 23, pp. 315–341, 2000.

[16] P. Barmpoutis, K. Dimitropoulos, K. Kaza, and N. Grammalidis, “Fire detection from images using faster CNN and multidimensional texture analysis,” 2019 International Conference IEEE on Acoustics, Speech, and Signal Processing (ICASSP), 2019, pp. 8301–8305.

[17] K. Muhammad, J. Ahmad, Z. Lv, and P. Bellavista, “Efficient CNN-based deep fire detection and locating in video surveillance applications,” IEEE Transactions on Systems, People, and Cybernetics: Systems, 2018, pp. 1419–1434.

[18] Q. X. Zhang, G. H. Lin, Y. M. Zhang, G. Xu, and J. J. Wang, “Wildland forest fire smoke detection based on faster r-cnn using synthetic smoke images,” Procedia Engineering, vol. 211, pp. 441–446, 2018.

DOI: https://doi.org/10.34238/tnu-jst.6551

Các bài báo tham chiếu

Hiện tại không có bài báo tham chiếu



Ghi nhớ