Die Erkennung abnormaler Flammen spielt eine entscheidende Rolle für die tägliche Brandsicherheit, indem sie eine frühzeitige Gefahrenmeldung ermöglicht und rechtzeitige Sicherheitswarnungen unterstützt. Trotz ihrer Bedeutung für die Sicherheitsüberwachung und Brandprävention bleibt die genaue Identifizierung abnormaler Flammen aufgrund der komplexen Natur der Flammendynamik und dem Mangel an umfassenden Video-Datensätzen eine Herausforderung. Darüber hinaus führen die meisten Methoden ihre Forschung auf Basis von Bilddaten durch, die keine Informationen zur zeitlichen Entwicklung enthalten und somit die zeitabhängigen Eigenschaften von Flammen nicht erfassen können. Um diese Herausforderungen anzugehen, schlagen wir eine neuartige Architektur basierend auf dem Inflated 3D ConvNet (I3D)-Rahmenwerk vor, die mit einem Dehazing-Modul und einem Aufmerksamkeitsmechanismus verbessert wurde. Dieses Design ermöglicht eine effektive Extraktion spatiotemporaler Merkmale aus Videosequenzen und verbessert die Erkennungsleistung. Darüber hinaus stellen wir zwei neue Video-Datensätze – FlameVideo01 und FlameVideo02 – vor, die aus öffentlich verfügbaren Flammenbildern konstruiert wurden. Diese Datensätze umfassen jeweils 5.209 und 8.410 Video-Proben und sind auf Aufgaben zur Erkennung abnormaler Flammen zugeschnitten. Unser verbessertes I3D-Modell erreicht über 92 % Genauigkeit auf beiden Datensätzen und zeigt eine Leistung, die mit der von bildbasierten Erkennungsmethoden vergleichbar ist. Diese Ergebnisse validieren die Effektivität unserer Methode, die ein starkes Potenzial für Anwendungen in städtischen, Wald- und anderen brandgefährdeten Umgebungen aufweist.
Zhang et al. (Mon,) haben diese Frage untersucht.