Интеллектуальная система видеомониторинга с автоматическим обнаружением очагов возгорания и многоуровневой системой оповещения

Боковая панель статьи

PDF
Опубликован: Nov 9, 2025
DOI: https://doi.org/10.62132/ijdt.v8i4.306
Ключевые слова:
искусственный интеллект, мониторинг пожаров, YOLO, компьютерное зрение, обработка в реальном времени

Основное содержимое статьи

Т.Р. Сокиев
НИИ Развития цифровых технологий и искусственного интеллекта

Аннотация

В данной работе представлена интеллектуальная система видеомониторинга с автоматическим обнаружением очагов возгорания. Система базируется на алгоритмах глубокого обучения YOLO и контурном анализе, обеспечивая обработку видеопотока в реальном времени. Многоуровневая система оповещения реализована через десктопное (Tauri), мобильное (Flutter) и веб-приложение (Nuxt). Модульная архитектура на базе Rust обеспечивает производительность и масштабируемость. Рассматриваются перспективы интеграции WebRTC и системы трекинга персонала.

Информация о статье

Как цитировать
Сокиев, Т. (2025). Интеллектуальная система видеомониторинга с автоматическим обнаружением очагов возгорания и многоуровневой системой оповещения. Международный Журнал Теоретических и Прикладных Вопросов Цифровых Технологий, 8(4), 87–92. https://doi.org/10.62132/ijdt.v8i4.306
Выпуск
Том 8 № 4 (2025): Международный журнал теоретических и прикладных вопросов цифровых технологий
Раздел
Articles
Лицензия Creative Commons

Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.

Библиографические ссылки

Гудфеллоу И., Бенжио Й., Курвиль А. Глубокое обучение. – М.: ДМК Пресс, 2018. – 800 с.

Redmon, J., & Farhadi, A. (2018). Yolov3: An incremental improvement. arXiv preprint arXiv:1804.02767.

Howard, A. G., Zhu, M., Chen, B., Kalenichenko, D., Wang, W., Weyand, T.,. & Adam, H. (2017). Mobilenets: Efficient convolutional neural networks for mobile vision applications. arXiv preprint arXiv:1704.04861.

Krizhevsky A., Sutskever I., Hinton G.E. ImageNet Classification with Deep Convolutional Neural Networks // Advances in Neural Information Processing Systems. – 2012. – V. 25. – P. 1097–1105.

Wu, B., Xu, C., Dai, X., Wan, A., Zhang, P., Yan, Z., ... & Vajda, P. (2020). Visual transformers: To-ken-based image representation and processing for computer vision. arXiv preprint arXiv:2006.03677.

Developer's Guide Jetson TX2 / NVIDIA. – URL: https://developer.nvidia.com/embedded/jetson-nano-developer-kit.

Technical documentation Rockchip RK3399Pro / Rockchip. – URL: https://opensource.rock-chips.com/wiki_Main_Page.

Comparison of hardware solutions for AI: CPU, GPU, NPU, TPU / Edge Impulse. – URL: https://www.edgeimpulse.com/blog/ai-hardware-comparison.

T. -Y. Lin, P. Dollár, R. Girshick, K. He, B. Hariharan and S. Belongie, "Feature Pyramid Networks for Object Detection," 2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Honolulu, HI, USA, 2017, pp. 936-944, doi: 10.1109/CVPR.2017.106.

OpenCV: open-source computer vision library. – URL: https://opencv.org.

TensorFlow Lite для микроконтроллеров / Google. – URL: https://www.tensorflow.org/lite/microcontrollers (дата обращения: 06.03.2025).

C. Szegedy, V. Vanhoucke, S. Ioffe, J. Shlens and Z. Wojna, "Rethinking the Inception Architecture for Computer Vision," 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Las Vegas, NV, USA, 2016, pp. 2818-2826, doi: 10.1109/CVPR.2016.308.

X. Zhang, X. Zhou, M. Lin and J. Sun, "ShuffleNet: An Extremely Efficient Convolutional Neural Network for Mobile Devices," 2018 IEEE/CVF Conference on Computer Vision and Pattern Recog-nition, Salt Lake City, UT, USA, 2018, pp. 6848-6856, doi: 10.1109/CVPR.2018.00716.