АЛГОРИТМ КЛАССИФИКАЦИИ ПОЖАРООПАСНЫХ СИТУАЦИЙ НА ОСНОВЕ НЕЙРОСЕТЕВЫХ ТЕХНОЛОГИЙ

Аннотация

Современные технологические требования и развивающаяся городская инфраструктура
ставят задачу разработки методов распознавания и классификации пожароопасных ситуаций.
Быстрое и эффективное распознавание начальных признаков возгорания становится жизненно
важным аспектом обеспечения безопасности людей, а также материальных ценностей. В связи с
этим разрабатываются, реализуются, тестируются и внедряются системы, способные авто-
матически распознавать и классифицировать пожароопасные ситуации. Классификации пожа-
роопасных ситуаций позволяет определить степень опасности обнаруженных отклонений, что
способствуют к принятию более эффективных решений по предотвращению последствий пожа-
ров и их признаков таких как, однократное кратковременное повышение температуры и уровня
задымленности которое может указывать на выход из строя электрических компонентов, рас-
положенных возле датчиков. Алгоритм классификации пожароопасных ситуаций разработан для
комплекса взаимосвязанных датчиков, который в свою очередь, за счет своей структуры, позво-
ляет обнаруживать даже малейший признака пожара. В рамках данного исследования приводит-
ся алгоритм классификации пожароопасных ситуаций на основе нейросетевых технологий. При-
ведено описание существующих классов пожароопасных ситуаций, а также критерии, по кото-
рым размечались данные по указанным классам. Проведено моделирование алгоритма на обучаю-
щей и тестовой выборках с приведением используемых параметров точности, формулой их рас-
четов, результатами классификации пожароопасных ситуаций. Проведено исследование влияния
шага отсчета в выборке базы данных на параметры точности и время обучения нейронной сети.
Разработанный алгоритм реализован на языке программирования Python в IDE PyCharm. Датасет
для обучения и тестирования получены из реальных источников, содержащих информацию об
обнаруженных пожароопасных ситуациях в метрополитенах, в которых установлен комплекс
взаимосвязанных датчиков. Результаты моделирования алгоритма показали, что предложенный
алгоритм обладает высокой точностью для предиктивной классификации пожароопасных си-
туаций на реальных объектах.