Apprentissage profond et traitement d'images pour la détection de fumée

Early smoke detection using deep learning and image processing

• Auteur / Autrice : Rabeb Kaabi
• Direction : Éric Moreau
• Type : Thèse de doctorat
• Discipline(s) : Génie électrique : traitement du signal et d'image
• Date : Soutenance le 15/12/2020
• Etablissement(s) : Toulon en cotutelle avec École nationale d'ingénieurs de Tunis (Tunisie)
• Ecole(s) doctorale(s) : École doctorale Mer et Sciences (Toulon ; 2012-....)
• Partenaire(s) de recherche : Laboratoire : Laboratoire d’Informatique et Systèmes (LIS) (Marseille, Toulon) - Laboratoire Signal- Image et Maitrise de l’Energie [Tunis] / SIME-ENSIT
• Jury : Examinateurs / Examinatrices : Éric Moreau, Afef Oueslati-Elloumi, Noureddine Zerhouni, Imed Jabri, Olivier Meste, Mohamed Ali Mahjoub, Moez Bouchouicha, Mounir Sayadi
• Jury : Rapporteurs / Rapporteuses : Afef Oueslati-Elloumi, Noureddine Zerhouni

Mots clés

Mots clés contrôlés

Algorithmes

Incendies -- Extinction -- Appareils et matériel

Analyse des données

Classification automatique

Apprentissage profond

Traitement d'images -- Techniques numériques

Fumée

Détecteurs d'incendie

Mots clés libres

Réseau de croyance profond

Détection de la fumée

Calcul des métriques

Localisation des incendies de forêt

DBN (Deep Belief Network)

Smoke detection

Robustness

Metrics

Localisation

Résumé

Cette thèse aborde le problème de la détection des feux de forêt par des outils de traitement d’images et apprentissage machine. Un incendie de forêt est un feu qui se propage sur une étendue boisée. Il peut être d'origine naturelle (dû à la foudre ou à une éruption volcanique) ou humaine. Dans le monde entier, l’impact des feux de forêts sur de nombreux aspects de notre vie quotidienne se fait de plus en plus apparente sur l’écosystème entier. De nombreuses méthodes ont montré l’efficacité pour la détection des incendies de forêt. L’originalité du présent travail réside dans la détection précoce des incendies par la détection de la fumée de forêt et la classification des régions de fumée et de non fumée à l’aide d’apprentissage profond et des outils de traitement d’image. Un ensemble de techniques de prétraitement nous a aidé à avoir une base de donnée importante (ajout du bruit aux entrées, augmentation des données) qui nous a permis après de tester la robustesse du modèle basée sur le DBN qu’on a proposé et évaluer la performance en calculant les métriques suivantes (IoU, Précision, Rappel, F1 score). Finalement, l’algorithme proposé est testé sur plusieurs images afin de valider son efficacité. Les simulations de notre algorithme ont été comparées avec celles traités dans l’état de l’art (Deep CNN, SVM…) et ont fourni de très bons résultats.

This thesis deals with the problem of forest fire detection using image processing and machine learning tools. A forest fire is a fire that spreads over a wooded area. It can be of natural origin (due to lightning or a volcanic eruption) or human. Around the world, the impact of forest fires on many aspects of our daily lives is becoming more and more apparent on the entire ecosystem.Many methods have been shown to be effective in detecting forest fires. The originality of the present work lies in the early detection of fires through the detection of forest smoke and the classification of smoky and non-smoky regions using deep learning and image processing tools. A set of pre-processing techniques helped us to have an important database which allowed us afterwards to test the robustness of the model based on deep belief network we proposed and to evaluate the performance by calculating the following metrics (IoU, Accuracy, Recall, F1 score). Finally, the proposed algorithm is tested on several images in order to validate its efficiency. The simulations of our algorithm have been compared with those processed in the state of the art (Deep CNN, SVM...) and have provided very good results. The results of the proposed methods gave an average classification accuracy of about 96.5% for the early detection of smoke.