Resumen

La detección de humo en tiempo real es de gran importancia para la alerta temprana de incendios, lo cual puede evitar las graves pérdidas causadas por el fuego. Detectar humo en escenas reales sigue siendo una tarea desafiante debido a la gran variabilidad del color, la textura y las formas del humo. Además, la detección de humo en la escena real se enfrenta a dificultades en la recolección de datos y conjuntos de datos de humo insuficientes, y la morfología del humo es susceptible a influencias ambientales. Para mejorar el rendimiento de la detección de humo y resolver el problema de tener muy pocos conjuntos de datos en escenas reales, este artículo propone un modelo que combina una red generativa adversarial convolucional profunda y una red neuronal convolucional (DCG-CNN) para extraer características y detectar humo. Se utilizó el algoritmo VIBE para recolectar imágenes de humo y no humo en la escena dinámica y la red generativa adversarial convolucional profunda (DCGAN

• Materias:Big Data Gestión de riesgos Administración de información Red neuronal Teoría de redes
• Subjects:Big Data Risk management Information management Neural network Network Theory
• Palabras claves:Detección de humo; Advertencia de incendio; Aprendizaje profundo; Red neuronal convolucional; Red neuronal generativa adversarial; Recopilación de datos
• Keywords:Smoke detection; Fire warning; Deep learning; Convolutional neural network; Generative adversarial network; Data collection