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:

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:

1. поток с камеры → предобработка (стабилизация, нормализация);
2. кадровая или сегментационная модель → карта вероятностей дыма;
3. временная проверка (несколько кадров подряд) → фильтрация всплесков;
4. логика тревоги: порог + проверка зоны + мультисенсоры;
5. 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:

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.