Detecting flashover in a room fire based on the sequence of thermal infrared images using convolutional neural networks
Notice bibliographique
Résumé
Flashover phenomena accompanying rapid fire propagation in a room occur when the hot smoke from a fire accumulates in the room's upper part. This phenomenon presents one of the most frightening and challenging situations for firefighters. A typical approach to mitigate and prevent the impact of flashover is to train firefighters to monitor a few common indicators of fire in pre-flashover time, such as moving dark smoke, high heat, and fire rollover. In actual compartment fire events, these pre-flashover indicators are hard to recognize. Furthermore, determination of exact flashover time is difficult by just observing fire activities while there are other vital rescue duties to do by firefighters. Hence, automatic detection and prediction of flashover in real time are of paramount importance to save lives and reduce the cost of damages. Flashover prediction is still an open area of research by fire safety experts. Deep convolutional neural networks are currently dominating the area of computer vision, and these state-of-the-art deep learning models have been successfully used in various applications, including object detection, localization, and segmentation. Unlike previous studies that use RGB images, sensors, and gauges, we utilized the power of deep learning techniques to detect flashover from image sequences captured by thermal infrared (IR) cameras. Our experimental results indicate that not only our proposed approach can detect flashover in IR video data with high precision, but it can detect flashover a few frames before happening. Our technique is a promising approach that can be used in future for flashover prediction in real time.
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.
Comment cette classification a été obtenuedéplier
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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».