Forest fire flame and smoke detection from UAV-captured images using fire-specific color features and multi-color space local binary pattern
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
In recent years, the frequency and severity of forest fire occurrence have increased, compelling the research communities to actively search for early forest fire detection and suppression methods. Remote sensing using computer vision techniques can provide early detection from a large field of view along with providing additional information such as location and severity of the fire. Over the last few years, the feasibility of forest fire detection by combining computer vision and aerial platforms such as manned and unmanned aerial vehicles, especially low cost and small-size unmanned aerial vehicles, have been experimented with and have shown promise by providing detection, geolocation, and fire characteristic information. This paper adds to the existing research by proposing a novel method of detecting forest fire using color and multi-color space local binary pattern of both flame and smoke signatures and a single artificial neural network. The training and evaluation images in this paper have been mostly obtained from aerial platforms with challenging circumstances such as minuscule flame pixels, varying illumination and range, complex backgrounds, occluded flame and smoke regions, and smoke blending into the background. The proposed method has achieved F1 scores of 0.84 for flame and 0.90 for smoke while maintaining a processing speed of 19 frames per second. It has outperformed support vector machine, random forest, Bayesian classifiers and YOLOv3, and has demonstrated the capability of detecting challenging flame and smoke regions of a wide range of sizes, colors, textures, and opacity.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle