An Intelligent Surveillance Model for Wild Forest Fire Detection Using Deep Learning for Drone application
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
Wild forest fires are among the most hazardous catastrophes, causing substantial losses in numerous regions; in order to create a well-efficient forest fire detection system, modern methods must be used to create the system, and one of the modern methods at the present time is deep learning.The objective of this study is to develop an intelligent surveillance model for detection and classification of uncontrolled forest fires utilizing a convolutional neural network (CNN) and a forest fire dataset for drone applications.The goal is to develop an intelligent model that can detect wild forest fires and classify their severity.In this proposed system, the CNN consists of 13 layers, starting from the input layer, which is a single layer with dimensions proportional to the size of the image used, and ending with the output layer, which consists of three layers: the FC layer, the SoftMax classifier, and the classification outputs.It determines how many rows this convolutional neural network can use, and there are two categories (fire, no fire).In addition, there are 9 middle layers, where these layers are mainly repeated from the convolutional layer, Max Pooling, and ReLU.Where each layer has its own measurements, number of filters, and method of movement.Extensive simulations were conducted and the findings were recorded from several aspects.Through the results, there is a technical improvement in the proposed system in various measures.On the data set utilized, the proposed system yielded favorable outcomes, with an average prediction accuracy of 98%.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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