Forest Fire Detection Using Wireless Multimedia Sensor Networks and Image Compression
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
Recently, the issue of multimedia sensors received considerable critical attention, that led to the apparition of Wireless Multimedia Sensor Networks (WMSNs) WMSN that different from wireless sensor networks (WSN) by using multimedia sensors that can process video, audio, image data besides scalar data and send it to station base (SB). Multimedia data have a big volume bigger than scalar data and need more resources and consumed more energy. The ideal solution to solve the problems of WMSN (big volume, energy consumption) is data compression. Forest plays a critical role in our daily life we can summarize the importance of forests in human life. Among the most dangerous events the forest fires that happen because of natural or Man-made. Many methods used to detect forest fires the newest are: wireless multimedia sensor networks. Our system of detecting forest fire has been developed using a wireless multimedia senor network with two types of sensors (scalar, images). In the first phase when the scalar sensors detected a high temperature its announced alarm to activate the image sensors. In the second phase for detecting fire the image sensors, we used image processing tools. When the zone of fire in the image captured was detected the phase of compression started using the down sampling method. the final phase is transmission data to the station base using the grid chain transmission protocol technique, which allows a critical optimization of energy consumption. So, maximizing network life. The competence of the proposed system is achieved by minimizing size of image transmitted with grid chain routing protocol.
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) | 0,000 | 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