روشي خودكار به منظور پهنه بندي دود ناشي از آتش سوزي هاي وسيع در تصاوير چند طيفي

An Automatic Detection of the Fire Smoke Through Multispectral Images

يكي از عواقب بروز آتش، دود است. گاهاً رصد دود و آشكارسازي آن مي‌تواند به ­عنوان راهكاري به ­منظور جلوگيري از وقوع و يا گسترش آتش محسوب شود. از سوي ديگر، بواسطه‌ي اثرات مخرب گسترش دود براي سلامت انسان، مي‌توان با پهنه­ بندي و پايش روند گسترش آن، تدابير لازم را به­ منظور ارتقاي سطح خدمات بهداشتي در دستوركار قرار داد. در اين مقاله، روشي خودكار به ­منظور آشكارسازي دود رقيق ناشي از آتش ­سوزي ­هاي وسيع در تصاوير چندطيفي پيشنهاد شده است. ايده­ ي اصلي اين روش، عدم امكان بازسازي دقيق دود در باندهاي متاثر از دود (باندآبي) به كمك مدل‌هاي رگرسيوني از ساير باندهاي طيفي است. در گام اول از روش پيشنهادي، قدر مطلق باقيمانده‌هاي تخمين رگرسيوني باند طيفي آبي به كمك آستانه‌گذاري اتسو به يك ماسك باينري تبديل مي‌شود. سپس در يك روند تكراري، نواحي غير دود شناسايي و خوشه‌بندي مي‌گردند. در روند تكرار، به ازاي هر خوشه يك مدل رگرسيوني برازش يافته و براي هر پيسكل از ضرايبي كه كمترين خطاي بازسازي باند آبي را برخوردار باشند استفاده مي‌شود. اينكار با تخمين دقيق‌تر باند آبي، اثر خطاهاي نوع اول را كاهش داده و ماسك بدست آمده از روند آستانه‌گذاري باقيمانده‌ها را به سمت نواحي دود هدايت مي‌سازد. آخرين گام از روند پيشنهادي نيز به پالايش و حذف قطعات تصويري نادرست اختصاص دارد. موفقيت اين روش در شناسايي دودهاي رقيق مطلوب بوده و از ديگر ويژگي‌هاي اين روش نيز مي‌توان به عدم شناسايي دود در تصاوير فاقد دود اشاره داشت. نتايج پياده‌سازي اين روش در چند مجموعه داده توام با دود‌هاي رقيق بطور متوسط دقت‌ 99/04 درصدي را تامين ساخته است.

One of the consequences of a fire is smoke. Occasionally, monitoring and detection of this smoke can be a solution to prevent occurrence or spreading a fire. On the other hand, due to the destructive effects of the smoke spreading on human health, measures can be taken to improve the level of health services by zoning and monitoring its expansion process. In this paper, an automated method is proposed to detect the dilute smoke caused by large fires in multispectral images. The main idea of this method is the impossibility of precisely reconstructing the smoke in the bands affected by smoke (blue band) using regression models from other spectral bands. In the first step of the proposed method, the absolute value of the residuals of the regression estimation of blue spectral band is transformed into a binary mask with the help of Otsu thresholding. Afterwards, in an iterative process, non-smoke areas are detected and then clustered. In the iteration process, a regression model is fitted for each cluster and for each pixel, coefficients with the least error of the blue band reconstruction is used. Through more accurate estimation of the blue band, it reduces the effect of First Positive Error and leads the mask of residuals obtained from thresholding process to the smoke areas. The final step of the proposed method is to refine and remove the incorrect image segments. This method has been successful in detecting diluted smokes and also in disregarding smoke in non-smoky images. The results show the average accuracy of 99.04 percent in several datasets with diluted smokes.