Modeling of systems and processes Modeling of systems and processes Моделирование систем и процессов 2219-0767 96454 10.12737/2219-0767-2025-85-96 Технические науки Технические науки Intelligent decision support system for automated fire monitoring in technical systems Интеллектуальная система поддержки принятия решений для автоматизированного мониторинга пожаров в технических системах Скворцов Александр Александрович Skvorcov Aleksandr Aleksandrovich skvor_88@mail.ru

докторант технических наук;кандидат педагогических наук;

doctoral candidate of technical sciences;candidate of pedagogical sciences;

 Анурьева М С Anur'eva M S Солодовников А Н Solodovnikov A N Воронежский государственный лесотехнический университет имени Г.Ф. Морозова Voronezh State University of Forestry and Technologies named after G.F. Morozov Тамбовский государственный университет им. Г. Р. Державина Tambov State University after G. R. Derzhavin 21 05 2025 21 05 2025 18 1 85 96 20 03 2025 20 03 2025 https://naukaru.ru/en/nauka/article/96454/view

Современные системы автоматизированного мониторинга возгораний играют ключевую роль в предотвращении катастрофических последствий в технических системах и объектах критической инфраструктуры. В статье рассматриваются современные методы обнаружения пожаров, включая использование беспроводных датчиков, геоинформационных систем, технологий машинного обучения и нейронных сетей. Особое внимание уделяется применению алгоритмов YOLOv8 для детекции огня и дыма в режиме реального времени на основе изображений с видеокамер, в том числе установленных на беспилотных летательных аппаратах и мобильных платформах. Исследование охватывает разработку, обучение и оптимизацию интеллектуальной системы поддержки принятия решений (СППР), интегрированной с моделью YOLOv8. В ходе экспериментов анализировалось влияние количества эпох обучения, структуры данных и методов предобработки на точность модели, оцененную по метрикам mAP50, Precision, Recall и F1-score. Результаты показали, что увеличение обучающего набора данных, включение негативных примеров и адаптация гиперпараметров способствуют значительному повышению точности детекции. Разработанная система обеспечивает автоматическое оповещение операторов, активацию противопожарных мер и запуск аварийных протоколов. В статье также обсуждаются перспективы дальнейшего развития системы, включая прогнозирование распространения огня, анализ рисков и интеграцию с системами управления чрезвычайными ситуациями.

Modern automated fire monitoring systems play a key role in preventing catastrophic consequences in technical systems and critical infrastructure facilities. This paper examines contemporary fire detection methods, including the use of wireless sensors, geographic information systems, machine learning technologies, and neural networks. Special attention is given to the application of YOLOv8 algorithms for real-time fire and smoke detection based on video camera images, including those installed on unmanned aerial vehicles and mobile platforms. The study covers the development, training, and optimi-zation of an intelligent decision support system (DSS) inte-grated with the YOLOv8 model. During the experiments, the impact of the number of training epochs, data structure, and preprocessing methods on model accuracy was analyzed using mAP50, Precision, Recall, and F1-score metrics. The results demonstrated that increasing the training dataset, including negative examples, and adapting hyperparameters significantly improve detection accuracy. The developed system provides automatic operator notifi-cations, activation of fire prevention measures, and initiation of emergency response protocols. The paper also discusses prospects for further system development, including fire spread prediction, risk analysis, and integration with emergency management systems.

 Искусственный интеллект система поддержки принятия решений мониторинг пожаров компьютерное зрение. Artificial intelligence decision support system fire monitoring computer vision.

Muhammad K., Ahmad J., Baik S. W. Early fire detection using convolutional neural networks during surveillance for effective disaster management //Neurocomputing. – 2018. – Т. 288. – С. 30-42. Muhammad K., Ahmad J., Baik S. W. Early fire detection using convolutional neural networks during surveillance for effective disaster management //Neurocomputing. – 2018. – T. 288. – S. 30-42. – DOI:10.1016/j.neucom.2017.04.083. Bot K., Borges J. G. A systematic review of applications of machine learning techniques for wildfire management decision support //Inventions. – 2022. – Т. 7. – №. 1. – С. 15 Bot K., Borges J. G. A systematic review of applications of machine learning techniques for wildfire management decision support //Inventions. – 2022. – T. 7. – №. 1. – S. 15. – DOI:10.3390/inventions7010015. Cruz H. et al. Machine learning and color treatment for the forest fire and smoke detection systems and algorithms, a recent literature review //Artificial Intelligence, Computer and Software Engineering Advances: Proceedings of the CIT 2020 Volume 1. – 2021. – С. 109-120. Cruz H. et al. Machine learning and color treatment for the forest fire and smoke detection systems and algorithms, a recent literature review //Artificial Intelligence, Computer and Software Engineering Advances: Proceedings of the CIT 2020 Volume 1. – 2021. – S. 109-120. – DOI:10.1007/978-3-030-68080-0_8. Abid F. A survey of machine learning algorithms based forest fires prediction and detection systems //Fire technology. – 2021. – Т. 57. – №. 2. – С. 559-590. Abid, F. A survey of machine learning algorithms based forest fires prediction and detection systems //Fire technology. – 2021. – T. 57. – №. 2. – S. 559-590. – DOI:10.1007/s10694-020-01056-z. Lourenço M. et al. An integrated decision support system for improving wildfire suppression management //ISPRS International Journal of Geo-Information. – 2021. – Т. 10. – №. 8. – С. 497. Lourenço, M. et al. An integrated decision support system for improving wildfire suppression management //ISPRS International Journal of Geo-Information. – 2021. – T. 10. – №. 8. – S. 497. – DOI:10.3390/ijgi10080497. Vásquez F. et al. Decision support system development of wildland fire: a systematic mapping //Forests. – 2021. – Т. 12. – №. 7. – С. 943. Vásquez, F. et al. Decision support system development of wildland fire: a systematic mapping //Forests. – 2021. – T. 12. – №. 7. – C. 943. – DOI:10.48550/arXiv.2203.08221. Fillmore S. D., Paveglio T. B. Use of the Wildland Fire Decision Support System (WFDSS) for full suppression and managed fires within the Southwestern Region of the US Forest Service //International journal of wildland fire. – 2023. – Т. 32. – №. 4. – С. 622-635. Fillmore, S. D., Paveglio T. B. Use of the Wildland Fire Decision Support System (WFDSS) for full suppression and managed fires within the Southwestern Region of the US Forest Service //International journal of wildland fire. – 2023. – T. 32. – №. 4. – S. 622-635. – DOI:10.1071/WF22206. Лаптев Н. В. Исследование возможностей искусственных нейронных сетей в задаче классификации динамических признаков объектов / Н. В. Лаптев, О. М. Гергет, В. В. Лаптев, Д. Ю. Колпащиков // Известия Томского политехнического университета. Промышленная кибернетика. – 2023. – Т. 1, № 1. – С. 44-49. Laptev, N. V. Issledovanie vozmozhnostej iskusstvennyh nejronnyh setej v zadache klassifikacii dinamicheskih priznakov ob"ektov / N. V. Laptev, O. M. Gerget, V. V. Laptev, D. Yu. Kolpashchikov // Izvestiya TPU. Promyshlennaya kibernetika. – 2023. – T. 1, № 1. – S. 44-49. – DOI:10.18799/29495407/2023/1/13. – EDN CDLDES. Брюханов, А. В. Развитие средств навигации и систем поддержки принятия решений в лесном пожаротушении / А. В. Брюханов, Р. В. Котельников // Сибирский лесной журнал. – 2023. – № 6. – С. 128-140. Bryuhanov, A. V. Razvitie sredstv navigacii i sistem podderzhki prinyatiya reshenij v lesnom pozharotushenii / A. V. Bryuhanov, R. V. Kotel'nikov // Sibirskij lesnoj zhurnal. – 2023. – № 6. – S. 128-140. – DOI:10.15372/SJFS20230613. – EDN NJBQFM. Шевцов, М. В. Система мониторинга пожарной и медико-экологической безопасности с использованием анализа видеоданных с беспилотных летательных аппаратов: специальность 23.10.00 : диссертация на соискание ученой степени кандидата технических наук / Шевцов Максим Викторович, 2022. – 157 с. Shevcov, M. V. Sistema monitoringa pozharnoj i mediko-ekologicheskoj bezopasnosti s ispol'zovaniem analiza videodannyh s bespilotnyh letatel'nyh apparatov: [Tekst]: dis. kand. tekhn. nauk: 23.10.00/ M.V. Shevcov, 2022. – 157 s. Филист С. А. Интеллектуальная система обработки изображений, получаемых с беспилотных летательных аппаратов / С. А. Филист, Р. А. Томакова, Н. Г. Нефедов [и др.] // Известия Юго-Западного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение. – 2022. – Т. 12, № 4. – С. 64-85. Filist, S. A. Intellektual'naya sistema obrabotki izobrazhenij, poluchaemyh s bespilotnyh letatel'nyh apparatov / S. A. Filist, R. A. Tomakova, N. G. Nefedov [i dr.] // Izvestiya Yugo-Zapadnogo gosudarstvennogo universiteta. Seriya: Upravlenie, vychislitel'naya tekhnika, informatika. Medicinskoe priborostroenie. – 2022. – T. 12, № 4. – S. 64-85. – DOI; 10.21869/2223-1536-2022-12-4-64-85. – EDN VYCWMU. Громов Ю. Ю. Построение ГИС для оценки динамики контуров лесных пожаров / Ю. Ю. Громов, К. А. Слезин // Приборы и системы. Управление, контроль, диагностика. – 2018. – № 4. – С. 16-28. Gromov, Yu. Yu. Postroenie GIS dlya ocenki dinamiki konturov lesnyh pozharov / Yu. Yu. Gromov, K. A. Slezin // Pribory i sistemy. Upravlenie, kontrol', diagnostika. – 2018. – № 4. – S. 16-28. – EDN XMTBRZ. Громов Ю. Ю. Нейронечеткий классификатор моделей интеллектуальной геоинформационной системы моделирования контуров пожаров / Ю. Ю. Громов, К. А. Слезин, М. А. Ивановский // Промышленные АСУ и контроллеры. – 2018. – № 10. – С. 15-21. Gromov, Yu. Yu. Nejronechetkij klassifikator modelej intellektual'noj geoinformacionnoj sistemy modelirovaniya konturov pozharov / Yu. Yu. Gromov, K. A. Slezin, M. A. Ivanovskij // Promyshlennye ASU i kontrollery. – 2018. – № 10. – S. 15-21. – EDN YLVQHJ. Апарин, А. А. Применение видеомониторинга для информационной поддержки принятия управленческих решений при реагировании на техногенный пожар / А. А. Апарин // Современные проблемы гражданской защиты. – 2022. – № 3(44). – С. 5-11. Aparin, A. A. Primenenie videomonitoringa dlya informacionnoj podderzhki prinyatiya upravlencheskih reshenij pri reagirovanii na tekhnogennyj pozhar / A. A. Aparin // Sovremennye problemy grazhdanskoj zashchity. – 2022. – № 3(44). – S. 5-11. Дамдынчап, Ч. А. Применение нейронных сетей для распознавания дыма и пожара на изображениях / Ч. А. Дамдынчап, А. А. Шарапов // Интерэкспо Гео-Сибирь. – 2021. – Т. 7, № 2. – С. 38-43. Damdynchap, Ch. A. Primenenie nejronnyh setej dlya raspoznavaniya dyma i pozhara na izobrazheniyah / Ch. A. Damdynchap, A. A. Sharapov // Interekspo Geo-Sibir'. – 2021. – T. 7, № 2. – S. 38-43. – EDN QUEEZI. Яковлева, О. В. О выборе метода построения нечеткой модели прогнозирования состояния аккумулятора / О. В. Яковлева, Ю. В. Строганов, И. В. Рудаков // Вестник Московского государственного технического университета им. Н.Э. Баумана. Серия Приборостроение. – 2022. – № 4(141). – С. 36-55. Yakovleva, O. V. O vybore metoda postroeniya nechetkoj modeli prognozirovaniya sostoyaniya akkumulyatora / O. V. Yakovleva, Yu. V. Stroganov, I. V. Rudakov // Vestnik Moskovskogo gosudarstvennogo tekhnicheskogo universiteta im. N.E. Baumana. Seriya Priborostroenie. – 2022. – № 4(141). – S. 36-55. – DOI:10.18698/0236-3933-2022-4-36-55. – EDN TIUVXY. Hurtik P. et al. Binary cross-entropy with dynamical clipping //Neural Computing and Applications. – 2022. – Т. 34. – №. 14. – С. 12029-12041. Hurtik, P. et al. Binary cross-entropy with dynamical clipping //Neural Computing and Applications. – 2022. – T. 34. – №. 14. – S. 12029-12041. – DOI:10.1007/s00521-022-07091-x. Rusiecki A. Trimmed categorical cross‐entropy for deep learning with label noise //Electronics Letters. – 2019. – Т. 55. – №. 6. – С. 319-320. Rusiecki, A. Trimmed categorical cross‐entropy for deep learning with label noise //Electronics Letters. – 2019. – T. 55. – №. 6. – S. 319-320. – DOI:10.1049/el.2018.7980. Mei S. et al. Research on Fabric Defect Detection Algorithm Based on Improved YOLOv8n Algorithm //Electronics. – 2024. – Т. 13. – №. 11. – С. 2009. Mei S. et al. Research on Fabric Defect Detection Algorithm Based on Improved YOLOv8n Algorithm //Electronics. – 2024. – T. 13. – №. 11. – S. 2009. – DOI:10.3390/electronics13112009. Zhou G., Liu X., Bi H. Recognition of UAVs in infrared images based on YOLOv8 //IEEE Access. – 2024. Zhou, G., Liu, X., Bi, H. Recognition of UAVs in infrared images based on YOLOv8 //IEEE Access. – 2024. – DOI:10.1109/ACCESS.2024.3500583 Михайличенко, А. А. Аналитический обзор методов оценки качества алгоритмов классификации в задачах машинного обучения / А. А. Михайличенко // Вестник Адыгейского государственного университета. Серия 4: Естественно-математические и технические науки. – 2022. – № 4(311). – С. 52-59. Mihajlichenko, A. A. Analiticheskij obzor metodov ocenki kachestva algoritmov klassifikacii v zadachah mashinnogo obucheniya / A. A. Mihajlichenko // Vestnik Adygejskogo gosudarstvennogo universiteta. Seriya 4: Estestvenno-matematicheskie i tekhnicheskie nauki. – 2022. – № 4(311). – S. 52-59. – DOI 10.53598/2410-3225-2022-4-311-52-59. – EDN FVSMBM. Горячкин, Б. С. Анализ чувствительности метрик бинарной классификации к дисбалансу данных / Б. С. Горячкин, А. А. Чечнев // E-Scio. – 2021. – № 4(55). – С. 23-34. Goryachkin, B. S. Analiz chuvstvitel'nosti metrik bi-narnoj klassifikacii k disbalansu dannyh / B. S. Goryachkin, A. A. CHechnev // E-Scio. – 2021. – № 4(55). – S. 23-34. – EDN FQSJTV.