Ensemble De Données De Segmentation De Détection D'incendie BoWFire

Le jeu de données BoWFire est un jeu de données d'images dédié à la détection de flammes, qui vise à améliorer la précision de la détection d'incendie et à réduire les fausses alarmes. L'ensemble de données comprend des images d'incendie provenant de diverses situations d'urgence, telles que des incendies de bâtiments, des incendies industriels, des accidents de voiture et des émeutes, ainsi que des situations d'urgence sans incendie visible et des zones semblables à des incendies (telles que des couchers de soleil et des images d'objets rouges ou jaunes).

La caractéristique de l'ensemble de données BoWFire est qu'il contient non seulement les images de détection de flammes, mais inclut également la segmentation des zones de flammes. Dans l'ensemble de données, la zone de combustion est marquée en blanc et la zone non brûlante est marquée en noir, ce qui fournit un support solide pour les tâches de détection et de segmentation des flammes7. De plus, l’ensemble de données est divisé en ensembles d’entraînement et de test. L'ensemble de données d'entraînement contient 240 images de 50 × 50 pixels, dont 80 sont classées comme ayant un feu et 160 sont classées comme n'ayant pas de feu. L'ensemble de données de test contient 226 images de différentes résolutions, dont 119 images avec des flammes et 107 images sans feu7.

L'ensemble de données BoWFire est utilisé pour développer et évaluer une nouvelle méthode de détection de flamme qui améliore la précision de la détection de flamme et réduit les fausses alarmes en combinant l'analyse de la couleur des pixels et de la texture. Les résultats expérimentaux montrent que cette méthode peut réduire efficacement le taux de fausses alarmes tout en maintenant une précision comparable aux technologies existantes.

Les chercheurs ont également effectué une configuration et des expériences détaillées sur l'ensemble de données BoWFire, en utilisant une variété d'algorithmes, notamment le classificateur Naive-Bayes et le classificateur KNN pour la classification des couleurs des pixels, ainsi que l'algorithme superpixel et le motif binaire local (LBP) pour la classification des textures. Les résultats expérimentaux montrent que la méthode BoWFire réduit les fausses alarmes tout en maintenant une précision élevée de détection de flamme.

Cet ensemble de données a été publié par une équipe de recherche de l'Université de São Paulo en 2015. L'article associé est intitulé «BoWFire : Détection d'incendie dans les images fixes par intégration de l'analyse des couleurs et des textures des pixels"