Данная статья посвящена вопросу применимости нейронных сетей для автоматического анализа изображений с камер видеонаблюдения в режиме реального времени для оперативного реагирования на чрезвычайные ситуации (далее - ЧС), возникающие от схода оползней и селей. Для проектирования архитектуры нейронной сети и управления её параметрами была использована высокоуровневая программная платформа tensorflow keras(далее - платформа). Для компенсации малого объёма набора обучающих данных при решении задачи была показана применимость десятикратной аугментации изображений, использование чередования свёрточных слоёв и определённые значения оптимизатора Adam. Метрика полноты (recall) на уровне 94.4% показывает успешность выбранного подхода. Результаты данной работы могут быть использованы при разработке специализированного программного обеспечения для предупреждения чрезвычайных ситуаций в селе- и лавиноопасных регионах и в разработке цифровой системы мониторинга общей обстановки ЧС в мирное время, благодаря которой ускорится обработка информации, а также уменьшится время доведения оперативной информации до органов управления и спасательных подразделений МЧС России
нейронная сеть, чрезвычайная ситуация, программная платформа, ограниченный набор обучающих данных
1. Модели машинного обучения производственного уровня. [Электронный ресурс] URL: http://www.tensorflow.org.
2. Ф.М.Гафаров, А.Ф.Галимянов "Искусственные нейронные сети и их приложения" Казань - 2018.
3. Высокоуровневый framework keras tensorflow [Электронный ресурс] URL: http://www keras.io.
4. Ростовцев В.С. Искусственные нейронные сети: учебник / В.С. Ростовцев. - Киров: Изд-во ВятГУ,2014. EDN: https://elibrary.ru/YMKOXD
5. Сайт министерства МЧС России [Электронный ресурс] URL: http://www https47.mchs.gov.ru.
6. Motion Blur Identification in Noisy Images Using Feed-Forward Back Propagation Neural Network By: Cho, C.-M. Don, H.-S. In: [Proceedings] 1991 IEEE International Joint Conference on Neural Networks Neural Networks, 1991.
7. Fruit Disease Classification using Convolutional Neural Network By: N, Pradheep G, Praveen Raj K Chanduru N M, Purna N, Kalaivani V, Nandalal. In: 2022 3rd International Conference on Electronics and Sustainable Communication Systems (ICESC) pp.1052-1057 Aug, 2021. DOI: https://doi.org/10.1109/ICESC54411.2022.9885440
8. Performance Evaluation of Low-Precision Quantized LeNet and ConvNet Neural Networks By: Tatar, Guner Bayar, Salih Cicek, Ihsan. In: 2022 International Conference on INnovations in Intelligent SysTems and Applications (INISTA) INnovations in Intelligent SysTems and Applications (INISTA), 2022 International Conference on.:1-6 Aug, 2022. DOI: https://doi.org/10.1109/INISTA55318.2022.9894261
9. Convolutional neural network model for gait classification of flexible lower limb exoskeleton By: Sun, Lei Li, Chenghui. In: 2022 IEEE International Conference on Mechatronics and Automation (ICMA) pp.1178-1182 Aug, 2022. DOI: https://doi.org/10.1109/ICMA54519.2022.9855973
