Интеллектуальный подход для раннего обнаружения дыма/пожара с использованием визуальных датчиков в умных городах

Почему наблюдение за дымом важно в умных городах

В густонаселённых современных городах небольшой шлейф дыма может быстро перерасти в смертельно опасный пожар, угрожающий людям, зданиям и важным службам. Традиционные пожарные сигнализации часто срабатывают с запозданием или дают ложные тревоги из‑за пара в душе или кухонного дыма. В этой статье представлен новая система на базе камер, способная обнаруживать дым и огонь рано и с высокой точностью, давая спасательным службам дополнительные ценные минуты для реакции. Она сочетает последние достижения искусственного интеллекта для наблюдения за улицами, лесами на окраинах города и общественными пространствами, помогая сделать умные города более безопасными и устойчивыми.

Проблемы современных пожарных сигнализаций

Обычные системы обнаружения пожара опираются на датчики тепла, газа или дыма внутри зданий. Эти устройства должны находиться рядом с очагом возгорания, чтобы среагировать, что может задерживать сигнал именно тогда, когда дорога каждая секунда. Они также подвержены множеству ложных тревог, вызванных безвредными источниками, такими как пыль, пар или кухонные испарения, что тратит ресурсы и подрывает доверие населения. Обнаружение пожаров на открытом воздухе ещё сложнее: дым похож на облака, дымку или тени и быстро меняет форму и плотность. Фиксированные датчики покрывают лишь небольшие зоны, оставляя «слепые» участки в больших или сложных городских пространствах, таких как парки, промышленные объекты и транспортные узлы.

Камеры и более умное зрение как новая страховка

По мере того как цифровые камеры и сетевые устройства становились дешевле и мощнее, исследователи обратились к компьютерному зрению — обучению машин «видеть» как люди — для обнаружения дыма и пламени. Ранние системы использовали вручную разработанные приёмы, например поиск сероватых пятен или мерцающих цветов, но эти правила ломались при изменении освещения, погодных условий или на загромождённом фоне. Методы глубокого обучения, которые извлекают закономерности непосредственно из больших коллекций изображений, улучшили обнаружение, однако многие из них всё ещё фокусируются на мелких локальных признаках и пропускают слабые или ранние сигналы дыма. Другие дают высокую точность, но слишком медленны или тяжеловесны для работы в реальном времени на городской инфраструктуре.

Двухэтапный AI‑«караул» для пожара и дыма

В исследовании предложена интеллектуальная архитектура, объединяющая две мощные идеи ИИ в один конвейер. Сначала Vision Transformer — метод анализа изображений, адаптированный от языковых моделей — разбивает каждый кадр камеры на множество маленьких патчей и анализирует их взаимосвязи по всей сцене. Такой глобальный обзор помогает заметить тонкие признаки дыма, такие как мягкие градиенты цвета, размытые текстуры и рассеянные контуры, простирающиеся на большие участки. Затем эти богатые визуальные подсказки передаются в YOLOv8, быстрый детектор, предназначенный для обведения объектов интереса рамками. YOLOv8 точно определяет области, где появляется дым или открытое пламя, и делает это достаточно быстро, чтобы успевать за потоком видеопотока в реальном времени.

Тестирование системы

Чтобы проверить эффективность этого двухэтапного «караула», авторы обучили и оценили его на более чем 7 700 тщательно размеченных изображениях, взятых из двух крупных публичных коллекций, включающих городские улицы, здания и лесные участки при разных условиях освещения и погоды. Они дополнительно увеличили разнообразие, поворачивая, отражая и меняя яркость изображений, чтобы смоделировать дневные и ночные сцены и различные углы съёмки. На невидимых тестовых кадрах система правильно распознавала дым и огонь в более чем 99% случаев и показывала хорошее соотношение между пропусками событий и ложными тревогами. Она также обрабатывала каждый кадр примерно за 45 миллисекунд — около 22 кадров в секунду — что достаточно быстро для мониторинга в реальном времени в диспетчерских или на подключённых устройствах.

Чем этот подход выделяется

По сравнению с другими передовыми методами, включая более ранние версии того же семейства детекторов и различные ансамбли глубокого обучения, новая архитектура обеспечивает большую точность и лучшее локализирование опасных зон. Сочетая модель, понимающую более широкую сцену, с моделью, превосходной в быстрой и точной разметке объектов, система снижает путаницу с похожими по внешнему виду явлениями, такими как туман, одежда цвета дыма или изображения огня на экранах. При этом её умеренный размер и эффективная конструкция делают её более практичной для развертывания в реальных системах умных городов, где вычислительные ресурсы и пропускная способность сети могут быть ограничены.

Что это значит для повседневной безопасности

Для неспециалистов вывод заключается в том, что камеры в умных городах могут делать гораздо больше, чем просто записывать материалы для последующего просмотра — они способны предотвращать катастрофы по мере их развития. Предложенная система показывает, что, объединяя широкое визуальное понимание с быстрым обнаружением, можно фиксировать пожары на самых ранних этапах, сокращать количество ложных тревог и обеспечивать более быструю и целенаправленную реакцию экстренных служб. С дальнейшей доработкой для работы в экстремальной погоде, в ночное время и с учётом дополнительных сенсорных данных подобные инструменты могут стать ключевой частью городских систем безопасности, незаметно охраняя дома, леса и общественные пространства, чтобы маленькие искры не превращались в крупные катастрофы.

Цитирование: Abozeid, A., Alanazi, R. An intelligent approach for early smoke/fire detection using vision sensors in smart cities. Sci Rep 16, 11387 (2026). https://doi.org/10.1038/s41598-026-42762-y

Ключевые слова: обнаружение пожара, обнаружение дыма, умные города, компьютерное зрение, глубокое обучение