کد مقاله کد نشریه سال انتشار مقاله انگلیسی ترجمه فارسی نسخه تمام متن
269881 504712 2014 10 صفحه PDF 27 صفحه WORD دانلود کنید
عنوان انگلیسی مقاله ISI
Image processing based deflagration detection using fuzzy logic classification
ترجمه فارسی عنوان
تشخیص اشتعال مبتنی بر پردازش تصویر با استفاده از طبقه‌بندی منطق فازی
کلمات کلیدی
تشخیص احتراق - پردازش تصویر - تشخیص آتش سوزی - طبقه بندی فازی
فهرست مطالب مقاله
چکیده
کلید واژه ها
1. مقدمه
2. استراتژی تشخیص
1.2 شناسایی پیکسل
شکل 1. سطح مدل طبقه‌بندی فازی برای شناسایی پیکسل‌های اشتعال-مانند یا آتش-مانند
2.2. پارامتر گسترش فضایی
شکل 2. بخش سطحی مدل فازی برای تایید اشتعال
3.2. تشخیص آتش بر اساس فرکانس
شکل 3. سطح مدل طبقه‌بندی فازی برای تایید آتش
3. تجهیزات تست
1.3. اشتعال‌های مقیاس کوچک
شکل 4. (a): دستگاه تست هنگام تغذیه محفظه با جعبه باز (به ابعاد 100×50×50 cm3)؛ (b) محفظه اشتعال با حجم 2 لیتر [21].
شکل 5. رشته تصاویر از یک اشتعال معمولی ایجاد شده داخل ماکت خودرو؛ دوربین سرعت بالا در خارج ماکت نصب شده است [18].
2.3. سناریوهای واقعی
1.2.3. اشتعال‌های پایه-JP8 در یک مدل مقیاس-کامل از کابین خدمه
2.2.3. آتش ساکن در یک مدل مقیاس-کامل از کابین خدمه
4. تحلیل عملکرد الگوریتم
1.4. اشتعال معیار
شکل 6. سطر اول: رشته اشتعال پایه-پروپان؛ سطر دوم: تقسیم‌بندی اشتعال بوسیله مدل طبقه‌بندی فازی برای شناسایی پیکسل
شکل 7. ارزیابی اشتعال نشان داده شده در شکل 6؛ 900 پیکسل شناسایی شده به عنوان حداقل تعداد.
شکل 8. خروجی مدل طبقه‌بندی فازی برای تایید اشتعال مربوط به شکل 6.
2.4. اشتعال پایه-JP8
شکل 9. سطر اول: سلسله اشتعال پایه-JP8؛ سطر دوم: تقسیم‌بندی اشتعال با استفاده از مدل طبقه‌بندی فازی برای شناسایی پیکسل.
شکل 10. ارزیابی اشتعال نشان داده شده در شکل 9؛ 900 پیکسل شناسایی شده به عنوان حداقل تعداد.
شکل 11. خروجی مدل طبقه‌بندی فازی برای تایید اشتعال مربوط به شکل 9.
3.4. آتش‌ها
1.3.4. آتش بنزین
شکل 12. سطر اول: سلسله اشتعال بنزین؛ سطر دوم: تقسیم‌بندی اشتعال با استفاده از مدل طبقه‌بندی فازی برای شناسایی پیکسل.
شکل 13. ثبت لحظه‌ای تعداد پیکسل‌های شناسایی شده و پارامتر گسترش فضایی (SEP) برای رشته تصاویر آتش بنزین نشان داده شده در شکل 12.
شکل 14. طیف فرکانسی (2048 نقطه داده) تعداد پیکسل‌های شناسایی شده برای آتش پایه-بنزین نشان داده شده در شکل 12؛ دامنه به مقدار حداکثر جهش نرمالیزه شده است.
شکل 15. نسبت دامنه و خروجی مربوط به مدل طبقه‌بندی فازی برای تایید آتش مربوط به شکل 12.
2.3.4. آتش n-هپتان
3.3.4. آتش گازوئیل
4.3.4. آتش اتانول
5.3.4. آتش JP8
شکل 16. طیف فرکانسی (2048 نقطه داده) تعداد پیکسل‌های شناسایی شده برای: (a) آتش پایه-n-هپتان؛ (b) آتش پایه-گازوئیلی؛ (c) آتش پایه-اتانول؛ (d) آتش پایه-JP8.
4.4. منابع مزاحم
5. نتیجه‌گیری
ترجمه چکیده
تشخیص اشتعال مبتنی بر پردازش تصویر در حال حاضر یک روش بدیع با پتانسیل قابل ملاحظه برای توسعه است. بعلاوه، این تکنولوژی می‌تواند جایگزین سنسورهای متداول مادون قرمز فوتودیود-محور شده و در جلوگیری از حوادث تونل یا سوانح در تجهیزات شیمیایی، قابلیت اطمینان بیشتری داشته باشد. سیستم‌های فعلی تشخیص اشتعال فقط سیگنال شناسایی را بدون هیچ اطلاعات اضافی درباره عامل شروع ارائه می‌دهند. همچنین این سیستم‌ها قادر به تمایز بین یک اشتعال خطرناک با یک فرایند کم خطر آتش-مانند نیستند. این مقاله یک الگوریتم دو مرحله‌ای برای تشخیص اشتعال جهت بدست آوردن این اطلاعات ارزشمند ارائه می‌دهد. مرحله اول، پیکسل‌های اشتعال-مانند یا آتش-مانند را بوسیله مشخصات رنگ و رفتار شدت دینامیکی آنها شناسایی می‌کند. مرحله بعدی، گسترش لحظه‌ای پیکسل‌های مورد نظر را با استفاده از یک پارامتر گسترش فضایی (SEP) معین ارزیابی می‌کند. به موازات این، تغییرات نوسانی در تعداد پیکسل‌های شناسایی شده در طی زمان به حوزه فرکانسی انتقال داده می‌شود. تحلیل طیف فرکانسی، شناسایی آتش بوسیله فرکانس لرزش معمول آن را آسان می‌سازد. روش شناسایی پیشنهادی از طبقه‌بندی منطق فازی برای هر مرحله بهره می‌برد. بنابراین به هیچ آستانه استاتیکی نیاز نیست و این مساله باعث می‌شود انتخاب‌های بیشتری به منظور افزایش انعطاف‌پذیری این الگوریتم در دسترس باشد. در نهایت، کل الگوریتم در سناریوهای واقعی مختلف و با تمرکز روی اشتعال‌ها تست گردید. به عنوان یک نتیجه کلی از تست‌های عملکردی، این الگوریتم قادر به تشخیص و برقراری تمایز بین اشتعال‌ها و آتش‌ها با دقت بالا است. بعلاوه، گسترش فرایندهای احتراقی شناسایی شده بطور کمّی توضیح داده شده است.
موضوعات مرتبط
مهندسی و علوم پایه سایر رشته های مهندسی مهندسی عمران و سازه
چکیده انگلیسی
Finally, the entire algorithm is tested in different realistic scenarios with focus on deflagrations. As a general result of the performance tests, the algorithm is able to detect and distinguish deflagrations and fires with high accuracy. Furthermore, the expansion of the detected combustion processes is described quantitatively.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Fire Safety Journal - Volume 65, April 2014, Pages 1–10
نویسندگان
, , ,