通过数据增强改进人工智能在火灾场景中的对象检测

科学领域:

• 计算机视觉 计算机视觉
• 人工智能的人工智能
• 消防技术 消防技术

背景情况:

• 人工智能 (AI) 越来越多地被用于应对灾害,以提高效率,特别是在火场作业中.
• 人工智能在消防中的一个关键挑战是火灾场景视觉图像的图像质量 (亮度,分辨率) 差.
• 准确识别消防员和设备对于有效的AI驱动事件管理至关重要.

研究的目的:

• 评估图像增强技术对人工智能对象检测精度在火灾场景的影响.
• 为了比较对比度有限的自适应式直方体平衡 (CLAHE) 和零参考深曲线估计 (Zero-DCE) 的有效性,用于人工智能训练数据增强.

主要方法:

• 训练了一个人工智能物体探测器,使用来自各种火灾场景的图像.
• 增加了由CLAHE和Zero-DCE处理的图像来增强训练数据集.
• 在增强和未增强的测试图像上评估探测器性能.

主要成果:

• 人工智能探测器在数据增强后为消防员 (0.827) 和消防车 (0.945) 实现了高精度.
• 与基线相比,CLAHE的平均精度 (mAP) 提高了8%,回忆率提高了7%.
• 零DCE在低光条件下表现出色,获得了最高的消防车精度 (0.945).

结论:

• 图像增强显著提高了AI模型对火场操作的概括性和准确性.
• CLAHE和Zero-DCE是增强人工智能在消防中的视觉数据的有效方法.
• 进一步的研究可以促进人工智能识别,以改善灾害响应和防火管理.