Тип публикации: статья из журнала
Год издания: 2024
Идентификатор DOI: 10.24412/2221-2574-2024-3-34-42
Ключевые слова: беспроводные сенсорные сети, YOLOv5, глубокое обучение, обнаружение пожара, сжатие данных, передача данных, канал связи
Аннотация: Раннее обнаружение пожаров имеет решающее значение для снижения человеческих и материальных потерь. Одним из современных методов обнаружения пожаров в режиме реального времени является использование беспроводных сенсорных сетей, основанных на глубоком обучении. Беспроводная сенсорная сеть также может транслировать в центр управлениПоказать полностьюя видео в реальном времени о месте пожара. Это позволяет службам безопасности и пожарным принимать быстрые и эффективные меры по контролю над огнём и предотвращению его распространения до того, как он причинит значительный ущерб. Но одна из проблем, с которой сталкивается передача данных в беспроводных сенсорных сетях, возникает при наличии каналов связи с недостаточной производительностью. Цель настоящей статьи - разработка метода, который использует глубокое обучение для передачи видеоинформации по беспроводной сенсорной сети, предназначенной для обнаружения пожара, в центр управления тушением пожаров по ненадёжному каналу связи. Предлагаемый метод основан на отправке принимающей стороне только важной информации из всего видеоизображения. На принимающей стороне каждый видеокадр создаётся с использованием опорной информации, ранее сохранённой вместе с передаваемой информацией. В случае, когда для обнаружения пожаров и отправки информации использовалась модель глубокого обучения YOLOv5, средняя вероятность обнаружения пожара составила 90 %. По результатам моделирования объём передачи данных иногда достигает 3% от всей информации, содержащейся в видеокадре. Для проверки эффективности предложенного метода в канале связи малой производительности также были рассчитаны значения отношение сигнал/шум (ОСШ) и пиковое отношение сигнал/шум (ПОСШ). Предложенный метод эффективно передаёт только важную информацию, содержащуюся в изображении, и удовлетворительно восстанавливает изображение в ненадёжных сетях связи. Сделан вывод о большей эффективности данного метода при передаче данных, чем традиционные методы. Early fire detection is crucial for reducing human and material losses. One of the current methods for a real-time fire detection is using wireless sensor networks based on deep learning. The wireless sensor network can also broadcast real-time video of the fire site to the operation center. This enables security providers and firefighters to take quick and efficient measures to control fire and prevent its spreading out before it causes severe damage. Yet one of the problems of data transmission in wireless sensor networks is due to communication channels with insufficient capacity. This article is aimed at developing a method that uses deep learning to transmit video data through a wireless sensor network meant for the fire detection and data transfer to the fire-fighting operation center via an unreliable communication channel. The proposed method is based on sending only important data from the whole video to the receiving side when fires are detected. Each video frame is generated on the receiving side using reference data previously stored along with the transmitted information. Fire detection average probability was 90% when YOLOv5 deep learning model was used to detect fires and send information. Data transfer sometimes amounts to 3% of all information enclosed in the video frame further to simulation results. There were calculated values of the signal-to-noise ratio (SNR) and peak signal-to-noise ratio (PSNR) to check the proposed method efficiency in a low-capacity communication channel. The proposed method efficiently transmits only the important image-enclosed data and passably reconstructs the image in unreliable communication networks and it showed better results in data transmission than conventional methods.
Журнал: Радиотехнические и телекоммуникационные системы
Выпуск журнала: № 3
Номера страниц: 34-42
ISSN журнала: 22212574
Место издания: Муром
Издатель: Владимирский государственный университет им. А.Г. и Н.Г. Столетовых