Palun kasuta seda identifikaatorit viitamiseks ja linkimiseks:
http://elartu.tntu.edu.ua/handle/lib/50639| Pealkiri: | Методи та засоби виявлення осередків пожежі в населених пунктах комп’ютеризованою системою відеонагляду |
| Teised pealkirjad: | Methods and tools for detecting fire sources in populated areas with a computerized video-surveillance system |
| Autor: | Семців, Тарас Андрійович Semtsiv, Taras |
| Affiliation: | Тернопільський національний технічний університет імені Івана Пулюя Ternopil Ivan Puluj National Technical University |
| Bibliographic description (Ukraine): | Семців Т.А. Методи та засоби виявлення осередків пожежі в населених пунктах комп’ютеризованою системою відеонагляду : кваліфікаційна робота на здобуття ступеня магістр: спец. 123 — комп’ютерна інженерія / наук.кер. Г.М. Осухівська. — Тернопіль: ТНТУ, 2025. — 67 с. |
| Bibliographic description (International): | Semtsiv T. Methods and tools for detecting fire sources in populated areas with a computerized video-surveillance system : Master Thesis „123 — Computer Engineering“ / Taras Semtsiv - Ternopil, TNTU, 2025 – 67 p. |
| Ilmumisaasta: | 19-det-2025 |
| Submitted date: | 26-juu-2025 |
| Date of entry: | 29-det-2025 |
| Kirjastaja: | Тернопільський національний технічний університет імені Івана Пулюя |
| Country (code): | UA |
| Place of the edition/event: | Тернопільський національний технічний університет імені Івана Пулюя |
| Supervisor: | Осухівська, Галина Михайлівна Osukhivska, Halyna |
| Committee members: | Дуда, Олексій Михайлович Duda, Oleksij |
| UDC: | 004.932:614.84 |
| Märksõnad: | 123 комп’ютерна інженерія комп’ютерна система відеонагляду пожежа розпізнавання вогню дим моніторинг модель YOLO населений пункт. Keywords: computer video surveillance system fire fire recognition monitoring smoke YOLO model settlement. |
| Number of pages: | 67 |
| Kokkuvõte: | Кваліфікаційна робота присвячена підвищенню ефективності виявлення
осередків пожежі в умовах населених пунктів за допомогою методів
комп’ютерного зору.
У роботі проведено аналіз сучасних методів детекції об’єктів та
обґрунтовано використання нейронних мереж сімейства YOLO. Розроблено
структурну схему централізованої системи відеонагляду, яка включає
підсистеми збору даних, серверної обробки та сповіщення.
Практична частина включає підготовку спеціалізованого набору даних та
навчання моделей YOLOv11, YOLOv12 і YOLOv13. Експериментально
встановлено, що для завдань цивільного захисту найефективнішою є архітектура
YOLOv13, яка забезпечує найвищу повноту виявлення та надійність
розпізнавання аморфних об’єктів (диму та вогню) у складних умовах міської
забудови. Модель YOLOv11 рекомендована як альтернатива для систем з
обмеженими апаратними ресурсами завдяки високій швидкодії.
Результати дослідження мають практичне значення для модернізації
систем безпеки населених пунктів та дозволяють мінімізувати час реагування
екстрених служб на виникнення пожеж. The qualification paper is dedicated to improving the efficiency of fire outbreak detection in populated areas using computer vision methods. The paper analyzes modern object detection methods and justifies the use of the YOLO family of neural networks. A structural scheme of a centralized video surveillance system has been developed, which includes data collection, server processing, and notification subsystems. The practical part involves the preparation of a specialized dataset and the training of YOLOv11, YOLOv12, and YOLOv13 models. It has been experimentally established that the YOLOv13 architecture is the most effective for civil protection tasks, providing the highest detection recall and reliability in recognizing amorphous objects (smoke and fire) within complex urban environments. The YOLOv11 model is recommended as an alternative for systems with limited hardware resources due to its high processing speed. The research results have practical significance for modernizing security systems in populated areas and allow for minimizing the response time of emergency services to fire outbreaks. |
| Content: | ВСТУП 7 РОЗДІЛ 1 АНАЛІТИЧНА ЧАСТИНА 10 1.1. Опис науково-технічної області досліджень 10 1.2. Огляд існуючих систем та методів виявлення пожежі 12 1.3. Архітектура комп’ютеризованої системи виявлення осередків пожежі 19 1.4. Висновки до розділу 21 РОЗДІЛ 2. ТЕОРЕТИЧНА ЧАСТИНА 22 2.1. Обґрунтування вибору моделі для виявлення пожеж у населених пунктах 22 2.2. Принципи побудови та особливості архітектури YOLOv11 28 2.3. Принципи побудови та особливості архітектури YOLOv12 31 2.4. Принципи побудови та особливості архітектури YOLOv13 34 2.5. Висновки до розділу 37 РОЗДІЛ 3 ПРАКТИЧНА ЧАСТИНА 39 3.1. Підбір та підготовка набору даних 39 3.2. Встановлення та налаштування YOLO 41 3.3. Тренування моделей YOLOv11, YOLOv12, YOLOv13 43 3.4. Результати тренування моделей YOLO 48 3.5. Висновки до розділу 51 РОЗДІЛ 4. ОХОРОНА ПРАЦІ ТА БЕЗПЕКА В НАДЗВИЧАЙНИХ СИТУАЦІЯХ 52 4.1. Охорона праці 52 4.2. Безпека в надзвичайних ситуаціях 54 4.3. Висновки до розділу 57 ВИСНОВКИ 58 СПИСОК ВИКОРИСТАНИХ ДЖЕРЕЛ 60 ДОДАТОК А. Тези конференції |
| URI: | http://elartu.tntu.edu.ua/handle/lib/50639 |
| Copyright owner: | © Семців Тарас Андрійович, 2025 © Semtsiv Taras, 2025 |
| References (Ukraine): | Луцик Н.С., Луцків А.М., Осухівська Г.М., Тиш Є.В. ПрЛуцик Н.С., Луцків А.М., Осухівська Г.М., Тиш Є.В. Методичні рекомендації до виконання кваліфікаційної роботи магістра для студентів спеціальності 123 «Комп’ютерна інженерія» другого (магістерського) рівня вищої освіти усіх форм навчання. Тернопіль. 2024. 44 с.ограма та методичні рекомендації з проходження практики за тематикою кваліфікаційної роботи для студентів спеціальності 123 «Комп’ютерна інженерія» другого (магістерського) рівня вищої освіти усіх форм навчання. Тернопіль: ТНТУ. 2024. 45 с. Варавін А.В., Лещишин Ю.З., Чайковський А.В. Методичні вказівки до виконання курсового проєкту з дисципліни «Дослідження і проєктування комп’ютерних систем та мереж» для здобувачів другого (магістерського) рівня вищої освіти спеціальності 123 «Комп’ютерна інженерія» усіх форм навчання. Тернопіль: ТНТУ, 2024. 32 с. Семців Т. Виявлення пожеж з допомогою моделей YOLO. Матеріали ⅩⅠII науково-технічної конференції „Інформаційні моделі, системи та технології“, 2025. c. 82. Семців Т. Порівняльний аналіз архітектур YOLO для виявлення осередків займання на відеопотоці. Матеріали ⅩⅠII науково-технічної конференції „Інформаційні моделі, системи та технології“, 2025. c.83. Velychko D., Osukhivska H., Palaniza Y., Lutsyk N., Sobaszek Ł. Artificial Intelligence Based Emergency Identification Computer System / Advances in Science and Technology Research Journal. 2024. Vol. 18, № 2. P. 296–304. doi:10.12913/22998624/184343. ISSN 2299-8624. Borodii I., Fedorovych I., Osukhivska H., Velychko D., Butsii R. Порівняльний аналіз обробки великих даних в Apache Spark з використанням Java, Python та Scala, 2025. Щур Т., Осухівська Г. М. Використання штучного інтелекту для систем розпізнавання в Інтернеті речей : Т. Щур, Г. М. Осухівська. Матеріали V Міжнародної науково-практичної конференції «Цифрова економіка як фактор інновацій та сталого розвитку суспільства», 28–29 листопада 2024 р. Тернопіль : Тернопільський національний технічний університет імені Івана Пулюя, 2024. с. 131–135. Velichko, D., Singh, S., Markopoulos, P. P., Saber, E., & Hurd, J. Image Preprocessing and YOLO Architectures for Improved Detection of Small and Slowly Moving Objects. Proceedings of the 2024 IEEE Western New York Image and Signal Processing Workshop (WNYISPW). IEEE, 2024, pp. 1–4. Girshick R., Donahue J., Darrell T., Malik J. Багаті ієрархії ознак для точного розпізнавання та семантичної сегментації / Rich Feature Hierarchies for Accurate Object Detection and Semantic Segmentation. Proc. IEEE Conf. on Computer Vision and Pattern Recognition (CVPR). 2014. С. 580–587. URL: https://arxiv.org/abs/1311.2524 (дата звернення: 20.11.2025). Elhanashi A., Essahraui S., Dini P., Saponara S. Early Fire and Smoke Detection Using Deep Learning: A Comprehensive Review of Models, Datasets, and Challenges. Applied Sciences. 2025. Vol. 15, No. 18. Art. 10255. DOI: 10.3390/app151810255. de Venâncio P. V. A. B., Campos R. J., Rezende T. M., Lisboa A. C., Barbosa A. V. A hybrid method for fire detection based on spatial and temporal patterns. Neural Computing and Applications. 2023. Vol. 35, No. 13. P. 9349–9361. DOI: 10.1007/s00521-023-08260-2. Rehman A., Saeed F., Rathore M. M., Paul A., Kang J.-M. Smart city fire surveillance: A deep state-space model with intelligent agents. IET Smart Cities. 2024. Vol. 6, No. 3. P. 199–210. DOI: 10.1049/smc2.12086. Sharma A., Kumar R., Kansal I., Popli R., Khullar V., Verma J., Kumar S. Fire Detection in Urban Areas Using Multimodal Data and Federated Learning. Fire. 2024.Vol. 7, No. 4, Art. 104. DOI: 10.3390/fire7040104. Wang H., Fu X., Yu Z., Zeng Z. DSS-YOLO: an improved lightweight real-time fire detection model based on YOLOv8. Scientific Reports. 2025. Vol. 15, Art. 8963. DOI: 10.1038/s41598-025-93278-w. Titu M. F. S., Pavel M. A., Michael G. K. O., Babar H., Aman U., Khan R. Real-Time Fire Detection: Integrating Lightweight Deep Learning Models on Drones with Edge Computing. Drones. 2024. Vol. 8, No. 9, Art. 483. DOI: 10.3390/drones8090483. Wang X., Li M., Gao M., Liu Q., Li Z., Kou L. Early smoke and flame detection based on transformer. Journal of Safety Science and Resilience. 2023. Vol. 4, No. 3. P. 294–304. DOI: 10.1016/j.jnlssr.2023.06.002. Redmon, J., Divvala, S., Girshick, R. та Farhadi, A. (2016). You Only Look Once: Unified, Real-Time Object Detection. In: Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), pp. 779–788. Ultralytics. Models Documentation. URL: https://docs.ultralytics.com/ models/. Khanam R., Hussain M. YOLOv11: An Overview of the Key Architectural Enhancements. arXiv preprint. 2024. Article 2410.17725. URL: https://arxiv.org/abs/2410.17725 Tian Y., Ye Q., Doermann D. YOLOv12: Attention-Centric Real-Time Object Detectors. arXiv preprint. 2025. Article 2502.12524. URL: https://arxiv.org/abs/2502.12524 Lei M., Li S., Wu Y., Hu H., Zhou Y., Zheng X., Ding G., Du S., Wu Z., Gao Y. YOLOv13: Real-Time Object Detection with Hypergraph-Enhanced Adaptive Visual Perception. arXiv preprint. 2025. Article 2506.17733. URL: https://arxiv.org/abs/2506.17733 Roboflow : end-to-end платформа для підготовки даних і навчання моделей комп’ютерного зору. URL: https://roboflow.com. Fire Smoke Detect / Roboflow Universe. URL: https://universe.roboflow. com/ fire-detect-jhehu/fire-smoke-detect-kvvvx Про охорону праці : Закон України від 14 жовтня 1992 р. № 2694-XII (зі змінами і доповненнями). Кодекс законів про працю України : Закон України від 10 грудня 1971 р. (зі змінами і доповненнями). Про пожежну безпеку : Закон України від 17 грудня 1993 р. № 3745-XII (зі змінами і доповненнями). Правила пожежної безпеки в Україні : затв. наказом Міністерства внутрішніх справ України від 30 грудня 2014 р. № 1417 (зі змінами). Правила улаштування електроустановок (ПУЕ) : нормативний документ. Чинна редакція (зі змінами і доповненнями). Вимоги щодо безпеки та захисту здоров’я працівників під час роботи з екранними пристроями : НПАОП 0.00-7.15-18 : затв. наказом Мінсоцполітики України від 14.02.2018 № 207 ; зареєстр. в Мін’юсті України 25.04.2018 за № 508/31960. База даних «Законодавство України» Верховна Рада України. URL: https://zakon.rada.gov.ua/go/z0508-18 (дата звернення: 08.12.2025). Кодекс цивільного захисту України : Закон України від 02.10.2012 № 5403-VI. База даних «Законодавство України» Верховна Рада України. URL: https://zakon.rada.gov.ua/go/5403-17 (дата звернення: 08.12.2025) Про затвердження Правил пожежної безпеки в Україні : Наказ МВС України від 30.12.2014 № 1417. База даних «Законодавство України» Верховна Рада України. URL: https://zakon.rada.gov.ua/go/z0252-15 (дата звернення: 08.12.2025) |
| Content type: | Master Thesis |
| Asub kollektsiooni(de)s: | 123 — комп’ютерна інженерія |
Failid selles objektis:
| Fail | Kirjeldus | Suurus | Formaat | |
|---|---|---|---|---|
| Taras_Semtsiv.pdf | 2,47 MB | Adobe PDF | Vaata/Ava |
Kõik teosed on Dspaces autoriõiguste kaitse all.
Admin vahendid