PHÁT HIỆN CHÁY SỚM BẰNG HÌNH ẢNH SỬ DỤNG TRÍ TUỆ NHÂN TẠO: TỔNG QUAN PHƯƠNG PHÁP, THÁCH THỨC VÀ XU HƯỚNG ỨNG DỤNG
EARLY IMAGE-BASED FIRE DETECTION USING ARTIFICIAL INTELLIGENCE: A REVIEW OF METHODS, CHALLENGES, AND APPLICATION TRENDS
Các tệp bổ sung
- Bài viết: PDF
Phát hiện cháy sớm có ý nghĩa quan trọng trong công tác phòng cháy, chữa cháy (PCCC), góp phần rút ngắn thời gian phản ứng và hạn chế thiệt hại. Cùng với sự phát triển của camera giám sát và trí tuệ nhân tạo, phát hiện cháy bằng hình ảnh trở thành một hướng nghiên cứu nhiều tiềm năng. Bài báo này tổng quan các phương pháp phát hiện cháy sớm bằng hình ảnh sử dụng trí tuệ nhân tạo, gồm phương pháp truyền thống dựa trên đặc trưng, phương pháp học máy cổ điển, phương pháp học sâu trên ảnh và phương pháp xử lý video có xét thông tin theo thời gian. Trên cơ sở phân tích các nghiên cứu tiêu biểu, bài báo làm rõ ưu điểm, hạn chế và khả năng ứng dụng của từng nhóm phương pháp. Kết quả cho thấy các mô hình học sâu, đặc biệt là mô hình phát hiện đối tượng, đang giữ vai trò chủ đạo. Tuy nhiên, phát hiện cháy ở giai đoạn sớm vẫn là thách thức lớn đối với đám cháy nhỏ, khói mỏng và bối cảnh giám sát phức tạp. Bài báo cũng nhấn mạnh vai trò của xử lý liên khung hình trong nâng cao độ tin cậy cảnh báo.
phát hiện cháy sớm, trí tuệ nhân tạo, thị giác máy, học sâu, phát hiện khói, phát hiện lửa, camera giám sát
Early fire detection plays an important role in fire prevention and firefighting, contributing to shortened response times and mitigated damages. With the development of surveillance cameras and artificial intelligence, image-based fire detection has become a promising research direction. This paper provides a comprehensive review of early image-based fire detection methods using AI, encompassing conventional feature-based methods, classical machine learning approaches, deep learning-based image analysis, and video processing techniques incorporating temporal information. Based on the review of representative studies, the paper analyzes the strengths, limitations, and applicability of each group of methods. The results show that deep learning models, especially object detection models, currently play a dominant role. However, early-stage fire detection remains a major challenge for small fires, with thin smoke and complex surveillance scenes. The paper also emphasizes the role of inter-frame processing in improving the reliability of fire alarms.
early fire detection, artificial intelligence, computer vision, deep learning, smoke detection, flame detection, surveillance camera
Tài liệu tham khảo
1. National Fire Protection Association, 2017, Fire Detection Systems Handbook, NFPA, Quincy, MA.
2. A. E. Çetin, K. Dimitropoulos, B. Gouverneur, N. Grammalidis, O. Günay, Y. H. Habiboğlu, et al., 2013, Video fire detection – review, Digital Signal Processing, vol. 23, no. 6, tr. 1827–1843.
3. T. Celik, H. Demirel, 2009, Fire detection in video sequences using a generic color model, Fire Safety Journal, vol. 44, no. 2, tr. 147–158.
4. B. Ko, K.-H. Cheong, J.-Y. Nam, 2009, Fire detection based on vision sensor and support vector machines, Fire Safety Journal, vol. 44, no. 3, pp. 322–329, doi: 10.1016/j.firesaf.2008.07.006.
5. A. Gaur, A. Singh, A. Kumar, A. Kumar, K. Kapoor, 2020, Video flame and smoke based fire detection algorithms: A literature review, Fire Technology, vol. 56, no. 5, tr. 1943–1980.
6. S. Geetha, C. Abhishek, C. Akshayanat, 2021, Machine vision based fire detection techniques: A survey, Fire Technology, vol. 57, no. 2, tr. 591–623.
7. J. Jin, T. Wang, N. Alhusaini, S. Zhao, H. Liu, K. Xu, et al., 2023, Video fire detection methods based on deep learning: Datasets, methods, and future directions, Fire, vol. 6, no. 8, tr. 315.
8. Z. Li, Y. Liu, W. Jin, 2020, Deep learning for small object detection: A survey, Pattern Recognition.
9. D. Gragnaniello, A. Greco, C. Sansone, B. Vento, 2024, Fire and smoke detection from videos: A literature review under a novel taxonomy, Expert Systems with Applications, vol. 255, tr. 124783.
10. M. D. Nguyen, H. N. Vu, D. C. Pham, B. Choi, S. Ro, 2021, Multistage real-time fire detection using convolutional neural networks and long short-term memory networks, IEEE Access, vol. 9, tr. 146667–146679.
11. T.-H. Chen, P.-H. Wu, Y.-C. Chiou, 2004, An early fire-detection method based on image processing, Proceedings of the International Conference on Image Processing, tr. 1707–1710.
12. B. U. Töreyin, Y. Dedeoğlu, U. Güdükbay, A. E. Çetin, 2006, Computer vision based method for real-time fire and flame detection, Pattern Recognition Letters, vol. 27, no. 1, tr. 49–58.
13. K. Dimitropoulos, P. Barmpoutis, N. Grammalidis, 2014, Spatio-temporal flame modeling and dynamic texture analysis for automatic video-based fire detection, IEEE Transactions on Circuits and Systems for Video Technology, vol. 25, no. 2, tr. 339–351.
14. A. Krizhevsky, I. Sutskever, G. E. Hinton, 2012, ImageNet classification with deep convolutional neural networks, Advances in Neural Information Processing Systems, tr. 1097–1105.
15. J. Redmon, S. Divvala, R. Girshick, A. Farhadi, 2016, You only look once: Unified, real-time object detection, Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, tr. 779–788.
16. W. Liu, D. Anguelov, D. Erhan, C. Szegedy, S. Reed, C.-Y. Fu, et al., 2016, SSD: Single shot multibox detector, Proceedings of the European Conference on Computer Vision, tr. 21–37.
17. S. Frizzi, M. Bouchouicha, J.-M. Ginoux, E. Moreau, M. Sayadi, 2021, Convolutional neural network for smoke and fire semantic segmentation, IET Image Processing, vol. 15, no. 3, tr. 634–647.
18. H. Lin, G. Zhang, Y. Xu, Q. Zhang, 2019, Smoke detection on video sequences using 3D convolutional neural networks, Fire Technology, vol. 55, tr. 1827–1847.
19. H. Tao, M. Lu, Z. Hu, Z. Xin, J. Wang, 2022, Attention-aggregated attribute-aware network with redundancy reduction convolution for video-based industrial smoke emission recognition, IEEE Transactions on Industrial Informatics, vol. 18, no. 11, tr. 7653–7664.
20. K. Mardani, N. Vretos, P. Daras, 2023, Transformer-based fire detection in videos, Sensors, vol. 23, no. 6, tr. 3035.
21. P. V. A. de Venâncio, R. J. Campos, T. M. Rezende, A. C. Lisboa, A. V. Barbosa, 2023, A hybrid method for fire detection based on spatial and temporal patterns, Neural Computing and Applications, vol. 35, no. 13, tr. 9349–9361.
22. Y.-C. Hsu, T.-H. K. Huang, T.-Y. Hu, P. Dille, S. Prendi, R. Hoffman, et al., 2021, Project RISE: Recognizing industrial smoke emissions, Proceedings of the AAAI Conference on Artificial Intelligence, vol. 35, tr. 14813–14821.
23. Y. Cao, Q. Tang, X. Wu, X. Lu, 2021, EFFNet: Enhanced feature foreground network for video smoke source prediction and detection, IEEE Transactions on Circuits and Systems for Video Technology, vol. 32, no. 4, pp. 1820–1833, doi: 10.1109/TCSVT.2021.3083112.
24. A. Ayala, B. J. T. Fernandes, F. Cruz, D. Macêdo, A. L. I. Oliveira, C. Zanchettin, 2020, KutralNet: A portable deep learning model for fire recognition, Proceedings of the International Joint Conference on Neural Networks, tr. 1–8.
25. A. Ayala, B. J. T. Fernandes, F. Cruz, D. Macêdo, C. Zanchettin, 2022, Convolution optimization in fire classification, IEEE Access, vol. 10, tr. 23642–23658.
26. Y. Zhao, J. Zhang, K. L. Man, 2020, LSTM-based model for unforeseeable event detection from video data, International Journal of Design, Analysis & Tools for Integrated Circuits & Systems, 2020, Vol 9, Issue 1, p41.
27. Y. Xie, J. Zhu, Y. Cao, Y. Zhang, D. Feng, Y. Zhang, et al., 2020, Efficient video fire detection exploiting motion-flicker-based dynamic features and deep static features, IEEE Access, vol. 8, tr. 81904–81917.
