Удобство и комфорт – главные преимущества жизни в многоквартирных домах. В то же время важно не забывать о том, что такие дома могут стать опасным местом. В данной статье рассмотрим многоквартирные дома с точки зрения пожарной безопасности и поговорим о том, как можно ее улучшить.
Денис Жуйков
Вице-президент Региональной общественной организации содействия развитию деятельности в сфере пожарной безопасности "Опора Пожарной Безопасности"
Виктор Стоев
Инженер по внедрению инновационных технологий ГК "Национальные лаборатории безопасности"
Пожарная безопасность в многоквартирных домах (МКД) представляет собой сложную и многогранную задачу, требующую комплексного подхода.
Многоквартирные дома, как объекты повышенного риска, подвержены различным угрозам, связанным с возникновением пожаров. Согласно данным МЧС России, из общего числа пожаров около 20% происходят именно в многоэтажных жилых комплексах. Важными проблемами пожарной безопасности МКД являются:
- захламление путей эвакуации (жильцы часто используют лестничные площадки для хранения личных вещей, что значительно затрудняет эвакуацию в случае пожара);
- возгорание мусора.
Стоит также отметить, что проблемы пожарной безопасности не ограничиваются только внутренними помещениями. Прилегающая к зданию территория также требует внимания, так как она часто не оснащена средствами обнаружения возгорания. Это создает дополнительные риски, особенно в случаях возгорания мусора или других источников огня на улице. Современные видеоаналитические решения позволяют решить эту проблему, дополняя традиционные датчики видеокамерами. Такие системы обеспечивают сверхраннее обнаружение возгораний и задымлений в поле видимости видеокамеры, они помогают управляющим компаниям отслеживать качество и своевременность уборки прилегающей территории, а также выявлять захламления путей эвакуации, что позитивно влияет на соблюдение требований пожарной безопасности.
Кроме того, современное программное обеспечение позволяет не только оперативно выявлять нарушения в автоматическом режиме, но и осуществлять мониторинг и надзор одновременно на сотнях объектов, предоставляет возможность создания единой базы данных, что значительно упрощает процесс управления безопасностью на объекте (рис. 1). Интеграция с электронной почтой и мессенджерами, такими как Телеграм, позволяет мгновенно информировать ответственных лиц о тревожных событиях, что сокращает время реакции на угрозу возникновения пожара.
В настоящий момент ведется работа с крупными управляющими компаниями, которые заинтересованы в применении таких видеоаналитических технологий, чтобы использовать домофонные видеокамеры, видеокамеры, установленные на фасадах зданий в качестве так называемых нейросетевых пожарных извещателей – ЭНСПИ (рис. 2).
ЭНСПИ – программное обеспечение, которое на основании анализа изображения, поступающего с видеокамеры, обеспечивает фиксирование возгорания тестового очага пожара посредством использования искусственного интеллекта. Определение основано на понятийном аппарате, изложенном в следующих документах: ГОСТ Р 51904–2002,123-ФЗ, ГОСТ Р 53325–2012,
ГОСТ Р 59276–2020.
Проблематика внедрения ЭНСПИ связана с двумя основными факторами. Первый – как правило, на объектах уже установлена система видеонаблюдения, основными элементами которой являются видеокамеры и видеорегистраторы.
Предполагая высокие затраты на внедрение видеоаналитических модулей, представители управляющих компаний с опаской смотрят на модернизацию систем видеонаблюдения.
Для решения этой проблемы на рынке уже имеются мультиинтеграционные системы класса "видеосапиенс", которые позволяют значительно расширить функциональные возможности традиционных систем видеонаблюдения.
Второй фактор – опасения за ложные срабатывания системы пожарной сигнализации на основе нейросетей. И эти опасения обоснованны. Только в одном типовом современном жилом комплексе может размещаться до 2 тыс. видеокамер, поэтому несанкционированные сработки детектора пожара могут отвлекать дежурный персонал.
Тревоги, вызванные ошибочным распознаванием пара, пыли или движения теней от людей, принимая их за дым, могут привести к снижению доверия к системам и увеличить нагрузку на службы экстренного реагирования. Это особенно важно в условиях многоквартирных домов, где требуется оперативное реагирование на угрозы.
Сертифицированные нейросетевые пожарные извещатели имеют испытанные характеристики по ГОСТ Р 53325. При этом, согласно требованиям нормативных документов по пожарной безопасности, извещатели с нейросетевыми детекторами не должны подвергаться испытаниям на предмет ложных срабатываний при попадании в видимую сенсором область сторонних предметов или событий, не являющихся пламенем или дымом.
Поэтому, несмотря на все преимущества видеоаналитических систем и нейросетевых пожарных извещателей, остается актуальной проблематика ложных срабатываний, и она требует глубокой научной проработки с точки зрения применимости различного программного инструментария для снижения частоты реагирования на сторонние события.
В ходе постановки задачи и анализа частоты сработки на посторонние события установлено, что срабатывания, связанные с обнаружением огня, происходят реже, чем с дымом. Это связано с более четкими визуальными признаками огня, такими как яркость и движение пламени. В связи с этим основной вектор исследований был направлен на исключение ложных срабатываний по критерию "дым".
Анализ научной литературы показал, что с развитием технологий компьютерного зрения появились новые возможности для повышения точности обнаружения дыма. Современные методы, такие как сверточные нейронные сети (CNN), позволяют анализировать не только статические признаки (цвет, форма), но и динамику движения объектов. Это значительно улучшает способность систем различать дым и другие визуальные явления, такие как пар или пыль. Тем не менее CNN имеют ряд ограничений. Например, они могут ошибаться при обработке сложных фонов, таких как густой пар или пыль, что приводит к ложным срабатываниям. В работах Bohush et al. (2023) и Sathishkumar et al. (2023) показано, что CNN эффективны для идентификации дыма в видеопоследовательностях, но их точность снижается в условиях сложных помещений.
Исследования Sagel et al. (2024) демонстрируют, что сочетание оптического потока и трекинга объектов значительно улучшает точность обнаружения. Методы трекинга, такие как SORT и DeepSORT, требуют значительных вычислительных ресурсов, что ограничивает их применение в реальном времени на устройствах с низкой производительностью. Комбинирование этих методов с современными моделями детекции, такими как YOLOv8, позволяет минимизировать ложные срабатывания и обеспечить высокую скорость обработки данных. Отдельного внимания заслуживает подход, предложенный в работах Д.В. Титова, С.Г. Емельянова и М.И. Труфанова (2023). Они используют стереометрический анализ изображений для определения объемных характеристик объектов и их движения в пространстве. Хотя этот метод и эффективен для исключения ложных срабатываний, его применение ограничено необходимостью установки нескольких камер, что увеличивает сложность и стоимость системы.
Для нивелирования недостатков используемых методов была разработана методика минимизации ложных срабатываний в системах нейросетевого детектирования дыма на основе анализа векторов движения.
Методика основана на использовании трекинга объектов (SORT/DeepSORT) и модели YOLOv8, учитывает характерные особенности движения дыма, такие как его движение вверх из-за конвекции, что значительно повышает точность обнаружения и снижает количество ложных срабатываний. Научная новизна методики заключается в интеграции трекинга объектов и современных моделей компьютерного зрения для анализа динамики распространения дыма. Это позволяет не только повысить надежность системы, но и минимизировать ошибки, связанные с паром или пылью. В сочетании с YOLOv8 данная методика обеспечивает высокую скорость обработки данных в реальном времени, что делает ее пригодной для интеграции в существующие системы видеонаблюдения.
Центральное место в методике занимает анализ векторов движения дыма с использованием алгоритмов SORT и DeepSORT, а также модели YOLOv8 для локализации объектов. Алгоритмы SORT и DeepSORT обеспечивают эффективное отслеживание движения дыма в реальном времени. SORT предсказывает положение объекта на основе его предыдущих координат и скорости, используя фильтр Калмана. DeepSORT дополняет этот подход анализом визуальных признаков объекта, что позволяет системе сохранять точность даже в условиях частичного перекрытия объектов или сложных фонов. Модель YOLOv8 отвечает за обнаружение дыма в видеопотоке. После выделения областей интереса (ROI) для каждого объекта инициализируется трекер, который отслеживает его движение между кадрами.
Для сопоставления объектов используется метрика расстояния Махаланобиса, что позволяет идентифицировать один и тот же объект в последовательности кадров.
Чтобы исключить ошибки, вызванные паром или пылью, система анализирует векторы движения объектов. Дым, как правило, движется вверх из-за конвекции, что отличает его от других явлений. Для оценки сходства векторов движения применяется метод косинусного сходства. Если сходство с эталонным вектором для дыма превышает заданный порог, объект классифицируется как дым. В противном случае он игнорируется как ложное срабатывание. Система начинает работу с обнаружения объектов с помощью YOLOv8. Затем алгоритмы SORT и DeepSORT отслеживают положение, скорость и направление движения объектов, что позволяет системе следить за объектом даже при изменении его положения или временном перекрытии. На заключительном этапе система классифицирует объекты на основе анализа векторов движения, используя эталонные векторы для повышения точности.
Предложенная методика объединяет возможности трекинга объектов и современных моделей компьютерного зрения, что позволяет достичь высокой точности обнаружения и минимизировать количество ложных срабатываний. Этот подход обеспечивает эффективную работу системы в реальных условиях, делая ее пригодной для интеграции в существующие системы видеонаблюдения.
Таким образом, комплексный подход, включающий мультиинтеграционные видеосистемы, видеоаналитику, нейросетевые извещатели и метод минимизации ложных срабатываний (MMFP), позволяет значительно повысить уровень пожарной безопасности в многоквартирных домах. Это делает систему более надежной, адаптивной, эффективной в реальных условиях и способной масштабно решать проблемы ЖКХ в области пожарной безопасности.
Иллюстрации предоставлены авторами.
Иллюстрация к статье сгенерирована @gigachat_bot