BỘ KHOA HỌC VÀ CÔNG NGHỆ
HỆ THỐNG THÔNG TIN KHOA HỌC VÀ CÔNG NGHỆ

Lọc theo danh mục
  • Năm xuất bản
    Xem thêm
  • Lĩnh vực
liên kết website
Lượt truy cập
 Lượt truy cập :  17,580,621
  • Công bố khoa học và công nghệ Việt Nam

Khoa học kỹ thuật và công nghệ

BB

Nguyễn Quang Thi(1)*, Nguyễn Quang Uy, Phùng Kim Phương, Nguyễn Minh Trí, Nguyễn Mạnh Sơn

PHÁT HIỆN VÀ QUAN TRẮC THẢM HỌA MÔI TRƯỜNG SỬ DỤNG KỸ THUẬT HỌC SÂU PHÂN ĐOẠN ẢNH

DETECTING AND MEASURING ENVIRONMENTAL DISASTERS BASED ON IMAGE SEGMENTATION DEEP LEARNING TECHNIQUE

Tạp chí Khoa học và Công nghệ - Đại học Thái Nguyên

2022

16

140 - 148

Việc phát hiện và đo lường đám khói cũng như mây sol khí gây ô nhiễm luôn là hoạt động cần thiết đối với bất kỳ hệ thống giám sát môi trường nào trong việc dự đoán sự cố môi trường hoặc cháy rừng. Để phát hiện và giám sát khói tồn tại trong không khí, việc sử dụng hình ảnh từ trên không là phương pháp rất hiệu quả, đặc biệt là đối với các khu vực rộng lớn. Sự hiện diện của sol khí và các hạt có thể ảnh hưởng đến độ trong suốt và các đặc tính quang phổ của khí quyển, vì lý do này mà chúng ta có thể phát hiện khói trong các hình ảnh trên không một cách trực quan. Dựa vào các đặc tính trên, trong bài báo này, chúng tôi đánh giá khả năng sử dụng các mô hình tự động để phân tích không ảnh, phát hiện, phân mảnh và đo lường các đám khói trong dữ liệu hình ảnh được thu thập bằng mạng nơ-ron học sâu Unet. Chúng tôi đã xây dựng các bộ dữ liệu được gán nhãn pixel-by-pixel với số lượng lớn nhằm cải thiện và huấn luyện các mô hình phân đoạn có nguồn gốc từ kiến ​​trúc mạng nơ-ron Unet. Các mô hình thử nghiệm được đánh giá bằng phép đo IoU (Intersection Over Union) và tỷ lệ chấp nhận sai. Kết quả thử nghiệm cho thấy các mô hình học sâu cho phép phát hiện khói một cách đáng tin cậy và hiệu quả trong các ứng dụng an ninh và môi trường.

It’s essential for any environmental monitoring system to detect and measure any sources of smoke or aerosol clouds that can pollute the air or predict environmental disasters like massive forest fires. To detect and monitor smoke in the air, aerial imagery is a very effective method, especially for large areas. The presence of aerosol and particles can affect transparency and spectral properties of the atmosphere, for this reason we can detect smoke in aerial images visually. Based on these properties, in this paper, we evaluate the possibility of using automated models for aerial image analysis and detection, fragmentation, and measurement of smoke clouds in image data collected using deep learning neural networks. We have built pixel-by-pixel labeled datasets in large numbers and improve and train our segmentation models that derived from Unet neural network architecture. The test models were evaluated by IoU (Intersection Over Union) measurement and false alarm rate. The test results demonstrate deep learning models that enable reliable and efficient detection of smoke in environmental and security applications.

Xem toàn văn