فناوری تشخیص آتش با پردازش تصویر و دوربین تشخیص رنگ، امروزه توجه زیادی را به خود جلب کرده است. برای بهبود تصویر و اطمینان از فناوری تشخیص ویدیویی حریق، لازم است یک مدل تشخیص بصری دقیق با کاربرد گسترده به استخراج ویژگی‌های بصری شعله و دود وجود داشته باشد. تصاویری که به کمک دوربین تشخیص رنگ از صحنه ارسال می‌شود، تصاویر پیچیده‌ای است که باید به درستی پردازش شوند. شعلۀ آتش دارای ویژگی‌های بصری قابل توجه و پایدارتری نسبت به دود است، برای همین استفاده از ویژگی‌های آن مانند رنگ یا سوسو زدن شعله برای ایجاد یک معیار بلادرنگ در الگوریتم تشخیص آتش به مراتب بهتر از سیستم‌های تشخیص دود عمل می‌کند و در نتیجه ایمنی بهتری را فراهم می‌نماید.
آلارمهایی که به طور معمول برای تشخیص آتش استفاده می‌شوند، مانند آلارم‌های دما، دود و اشعۀ مادون قرمز، اگرچه نقش مثبتی در حفظ جان افراد و یا کاهش خسارات داشته‌اند، ولی ایرادات اساسی نیز دارند. به عنوان مثال هشدار دود، تنها وقتی عمل می‌کند که دود به غلظت معینی از ذرات در هوا رسیده باشد و گاهی این زمانی است آتش سوزی آنقدر قوی شده است که کنترل آن به سختی صورت می‌گیرد. در ثانی، بیشتر این سیستم‌های هشدار در محیط بسته و محدود کارایی دارند و برای یک فضای عمومی، وسیع و باز بی‌اثر هستند. و در نهایت باید گفت که گاهی این سیستم‌ها، هشدارهای نادرست می‌دهند. مثلاً زمانی که غلظت ذرات ناشی از چیز دیگری به غیر از آتش، به حسگر می‌رسد و زنگ هشدار را فعال می‌کند. این ایرادات باعث شده است که انسان نتواند به موقع آخرین اطلاعات را دریافت کند و برای مهار آتش به درستی عمل نماید.
فهرست مطالب
ویژگی های بصری آتش
شعله دارای خاصیت رنگی متفاوتی نسبت به سایر مواد اطراف خود هست که تشخیص آتش با پردازش تصویر و دوربین تشخیص رنگ را ممکن کرده است. احتراق در دمای بسیار بالا و با مواد قابل اشتعال صورت می‌گیرد. رنگ شعله می‌تواند طیفی از آبی تا سفید را در ناحیۀ هستۀ آتش در بر بگیرد. با کاهش دما از ناحیۀ هسته به سمت شعله‌های بیرونی، رنگ از سفید به زرد و سپس قرمز تغییر می‌کند. بسیاری از محققان توزیع رنگ شعله را در فضای رنگی RGB (red, green, and blue)، HSV (hue, saturation, value) و HSI (hue, saturation, lightness) تجزیه و تحلیل کرده‌اند.
یکی از چالش‌های پیش روی استخراج رنگ شعله، ایجاد یک مدل و کدگذاری بر اساس رنگ برای پردازشگر است. مدل‌های ساده، ایمنی و اطمینان را کاهش می‌دهند و مدل‌های پیچیده زمان محاسبه را طولانی خواهند کرد. البته آتش ویژگی‌های دیگری هم دارد که می‌توان در پردازش تصویر از آن استفاده کرد. با اینکه رنگ بارزترین ویژگی شعله‌های آتش است و عموماً قرمز است و برای همین تشخیص رنگ و استفاده از پروفیل‌های رنگی روش مؤثری در تشخیص حریق است. ولی ویژگی‌های دیگری مانند اینکه شعله شکل ثابتی ندارد، یا اینکه در مرزهای شعله بی‌نظمی دیده می‌شود، می‌تواند عاملی برای تشخیص دقیق‌تر آتش باشد.
بینایی ماشین و تشخیص آتش
سیستم‌های بینایی ماشین می‌توانند دود را از هر فاصله‌ای در میدان دید دوربین سیستم تشخیص دهند. پس از تشخیص آتش با پردازش تصویر، سیستم به اپراتور هشدار می‌دهد و این امکان را برای وی فراهم می‌کند تا تصاویر ویدیویی زنده از محل آتش سوزی را ببیند. به این ترتیب می‌تواند در مهار آتش و یا جلوگیری از خسارات نقش داشته باشد.
با این حال، از نظر فنی تشخیص آتش و دود یک چالش بزرگ برای حوزۀ بینایی ماشین است. یک سیستم تشخیص شعله برای بینایی ماشین باید قابلیت عمل در یک محیط غیرقابل کنترل، با تغییر شرایط نوری و همچنین محتوای بسیار پویا را داشته باشد. حتی گاهی شکل نامنظم و متغیر آتش هم مشکلی بر مشکلات برنامه نویسان می‌افزاید.
تکنیک‌های بینایی ماشین از نوع پردازش تصویر ثابت برای این کار نامناسب هستند. به دلیل آنکه یک تصویر ثابت از شعله‌های آتش در پس زمینه‌ای کاملا تاریک، سرنخ‌های مهمی را از دید ماشین پنهان می‌کند. دود می‌تواند باعث ایجاد مشکل در پردازش مبتنی بر تصویر ثابت باشد. با این حال وقتی ویدیویی از شعله‌های آتش داشته باشیم، کار مطمئن‌تر خواهد بود. بهترین راه تشخیص، استفاده از ترکیب دو عنصر دیگر یعنی حرکت و جهت‌گیری است. سیستم‌های تشخیص آتش و دود بینایی ماشین مانند سیستم SigniFire از همین رویکرد استفاده می‌کنند.
نحوۀ تشخیص آتش به کمک هوش مصنوعی و دوربین تشخیص رنگ
سیستم SigniFire یک تصویر را به دو ناحیۀ مجزا تقسیم می‌کند: یکی با روشنایی ثابت و بالا و دیگری با روشنایی پویا، در حال تغییر و در حال کم و زیاد شد. یکی از این تصاویر به هستۀ آتش و تابش نور آن مربوط است. تصویر دوم مربوط به شعله‌های آتش در بالاست که به دلیل حرکت هوا، متلاطم است. شناسایی الگوی متمایز این دو ناحیه با تکنیک‌های استاندارد تطبیق الگو صورت می‌پذیرد.
تشخیص شعله
وظیفۀ شناسایی شعله به کمک دوربین تشخیص رنگ و یا تشخیص آتش با پردازش تصویر به سه مرحلۀ عمده تقسیم می‌شود: در مرحلۀ اول، فریم‌های ویدیویی پیش پردازش می‌شوند تا نقشۀ به اصطلاح قرمز – آبی تصویر تولید شود. این نقشه منعکس کنندۀ ویژگی‌های آماری پردازش رنگ تصویر است. دو پارامتر مستقل برای هر پیکسل به صورت جداگانه محاسبه می‌شود: میانگین زمانی روشنایی و اندازه‌گیری نوسانات روشنایی.
واحد پردازش SigniFire تصویری با کد رنگی تولید می‌کند که در آن میانگین زمان روشنایی رنگ قرمز و ضریب نوسانات رنگ آبی مشخص شده است. در مرحلۀ دوم دسته‌هایی که دارای مقادیر بالای قرمز و آبی هستند برای تشخیص شعله مقیاس بندی می‌شوند. در مرحلۀ سوم با حذف نویزهای روشنایی، دسته‌های طبقه بندی شده را تجزیه و تحلیل می‌کند تا شعله را تشخیص دهد.
برای آموزش شبکۀ عصبی هوش مصنوعی، تعداد زیادی تصویر ویدیویی ضبط، تجزیه و تحلیل می‌شود. این تصاویر شامل شعله‌های آتش در شرایط مختلف است. مانند آتش در باد، در نور خورشید، منابع نور پویا چون چراغ‌های چشمک زن و متحرک و یا جوشکاری. این تصاویر به پردازشگر کمک می‌کند تا آتش را به صورت صحیح شناسایی نماید.
رنگ یک رسانۀ اطلاعاتی مهم است و می‌تواند در برنامه‌های کاربردی متعدد در پردازش تصویر استفاده شود. مغز انسان توانایی‌های بسیار زیادی برای پردازش تصاویر رنگی دارد. این بدین معناست که برای شبیه سازی این قابلیت در هوش مصنوعی و بینایی ماشین کار دشواری پیش روی متخصصان این رشته است. ما سعی می‌کنیم با استفاده از دوربین تشخیص رنگ و پردازش تصاویر رنگی، گامی مؤثر در افزایش عملکرد بینایی ماشین و هوش مصنوعی در شرایط مختلف برای کمک به انسان و کاهش تلفات و خسارات داشته باشیم.
