Видеораспознавание дыма: модели, метрики и датасеты
Видеораспознавание дыма: модели, метрики и датасеты
Дым часто появляется раньше огня. Видеораспознавание дыма помогает обнаружить проблему быстрее, чем дымовые датчики в некоторых сценариях. Эта статья объясняет, как
работают алгоритмы, какие метрики важны, какие данные нужны для обучения, и как выбрать оборудование и схему установки для реальных объектов
— от дачи до торгового центра.
Как работает видеораспознавание дыма
Дым — это не просто тёмное пятно. Это полупрозрачная, текучая структура с характерным движением и изменчивостью яркости/цвета. Алгоритм смотрит на сочетание признаков:
- пространственные признаки — текстура, размытость, полупрозрачность;
- временные признаки — взвихрения, дрейф, изменение плотности;
- цветовые признаки — осветление/затемнение, изменение оттенка в разных спектрах;
- контекст — место появления (над машиной, крышей, кустами).
Вот как это важно: движение без текстуры — это может быть туман, пар или камера, дрожащая от ветра. Алгоритм должен отличать источник дыма от ложных срабатываний.
Типы моделей
Кратко по классам подходов.
- Классические методы — фон/детекция движения, оптический поток, статистические фильтры. Быстро работают, но много ложных тревог.
- Машинное обучение с признаками — LBPs, HOG + SVM. Лучше, чем простые правила, но уступают нейросетям в сложных сценах.
- Глубокие нейронные сети — 2D-CNN для кадра, сегментация (U-Net/Mask R-CNN), детекторы (YOLO, Faster R-CNN) и 3D-CNN / ConvLSTM для
захвата временной динамики. Современные решения часто объединяют сегментацию и временный модуль. - Тепловые и мультисенсорные системы — камера + тепловизор + датчики частиц для снижения ложных срабатываний.
Какие метрики важны
Для бизнеса и служб охраны важны не только точность, но и скорость и устойчивость.
- Precision/Recall и F1 — базовые метрики для детектирования.
- IoU и mAP — для локализации и детекторов.
- False Alarm Rate (FAR) — частота ложных тревог за единицу времени.
- Time-to-Alarm — задержка от появления дыма до срабатывания.
- ROC AUC — полезно при балансировке порога тревоги.
- Производительность — FPS, задержка вывода и нагрузка на CPU/GPU.
Датасеты и размеченные данные
Проблема в том, что нет единого большого датасета уровня COCO для дыма. Исследователи и практики используют смеси источников:
- лабораторные видео и синтетические сцены;
- видео с общественных камер и CCTV — реальные условия с помехами;
- датасеты по лесным пожарам и снэпшоты с дронов для наружных задач;
- репозитории на GitHub и наборы на Kaggle, где можно найти помеченные фрагменты.
Часто приходится собирать локальную коллекцию и дообучать модель (transfer learning). Для малого бизнеса рационально использовать готовые модели и дообучать их на своих кадрах.
Выбор камер и архитектуры системы
Основные параметры камер, которые влияют на распознавание дыма:
Тип камерыПлюсыМинусы Стандартная IP-камера (2–8 Мп) Доступна, высокая детализация Сложности при плохой освещённости, ложные срабатывания Камера с WDR/IR Лучше в сложном свете, ночной режим IR может «осветлять» дым, ухудшая видимость Тепловизор Независим от видимого света, хорошо для скрытого возгорания Высокая цена, не всегда показывает дым как таковой Мультисенсорные (цвет + тепловизор) Снижают ложные тревоги Сложнее интегрировать, дороже
Рекомендации по монтажу:
- камеры выше и шире поле зрения — лучше раннее обнаружение для наружных зон;
- избегайте установки направленных на солнце, вентиляторы, дым из труб, ветки — эти зоны маскируйте;
- в закрытых помещениях ставьте камеры под потолком с обзором по диагонали.
Для покупки камер и оборудования можно посмотреть подходящие решения в каталоге систем видеонаблюдения: подбор камер и оборудования.
Внедрение и настройка
Типовой пайплайн распознавания дыма:
- поток с камеры → предобработка (стабилизация, нормализация);
- кадровая или сегментационная модель → карта вероятностей дыма;
- временная проверка (несколько кадров подряд) → фильтрация всплесков;
- логика тревоги: порог + проверка зоны + мультисенсоры;
- уведомления: SMS/пуш/интеграция с охраной и пожарной системой.
Как снизить ложные тревоги
- используйте маски зон с движущимися объектами (флаги, деревья);
- вводите пороги по длительности появления дыма (например, 3–5 кадров);
- объединяйте алгоритмы визуального распознавания с датчиками дыма/температуры;
- проводите тесты на типичных для объекта сценариях (туман, пар, выхлопы).
Право, безопасность и эксплуатация
Юридические требования зависят от типа объекта. Что важно помнить:
- местные правила пожарной безопасности требуют сертифицированных сигнализаций на ряде объектов; видеораспознавание может быть дополнительным уровнем;
- установка камер должна учитывать приватность — нельзя направлять камеры в частные квартиры и раздевалки;
- договор с подрядчиком на техобслуживание нужен для гарантий работы и логов;
- хранение видеозаписей — политика хранения и доступ по требованиям регулятора.
Примеры бюджета
Для примера расчёт на средний малый магазин:
ЭлементПримерная цена (₽) IP-камера 2–4 Мп6 000–15 000 Регистратор/NVR15 000–40 000 ПО/лицензия на видеоаналитику10 000–50 000 Монтаж и настройка8 000–30 000 Техническое обслуживание/год5 000–20 000
Если нужен тепловизор — цена одной камеры начинается от ~100 000 ₽ и выше.
Короткий чек‑лист
- Определите зоны риска и требования по времени обнаружения.
- Выберите тип камеры: стандартная/тепловая/мультисенсорная.
- Используйте модели с временной проверкой или ConvLSTM для устойчивости.
- Снизьте ложные тревоги масками и порогами по длительности.
- Интегрируйте видеоаналитику с датчиками дыма и системой оповещения.
- Продумайте хранение данных и требования к приватности.
- Тестируйте систему в реальных условиях и обновляйте модель под локальные сценарии.
Видеораспознавание дыма даёт реальное преимущество, но требует системного подхода: грамотный подбор камер, корректная разметка данных и настройка логики тревог. Это снижает
ложные срабатывания и повышает оперативность реагирования — особенно важно для объектов с большим потоком людей и товара.
Читать на сайте:
https://y-ss.ru/blog_pro/videonablyudenie/videoraspoznavanie-dyma-modeli-metriki-i-datasety/