Logo SeaTech

Soutenance de thèse de Monsieur Sébastien FRIZZI



Monsieur Sébastien FRIZZI, doctorant au laboratoire LIS rattaché à l’École Doctorale 548 « Mer & Sciences », sous la direction de M. Eric MOREAU, Professeur des Universités, SeaTech, Université de Toulon (France) & M. Moez BOUCHOUICHA, Maitre de Conférences, Université de Toulon (France), Co-encadrant de thèse, soutiendra sa thèse en vue de l’obtention du Grade de Docteur en Automatique, Signal, Productique, Robotique sur le thème suivant :

« Apprentissage profond en traitement d’images : application pour la détection de fumée et de feu »

le vendredi 22 octobre 2021 à 14h00, dans l’Amphithéâtre X.300 du bâtiment X de SeaTech.

Le jury de thèse sera composé de :

Résumé :

Les chercheurs ont établi une forte corrélation entre les étés chauds et la fréquence ainsi que l’intensité des incendies de forêt. Ils détruisent des millions d’hectares de zones forestières, des écosystèmes abritant de nombreuses espèces et ont un cout important pour nos sociétés. La prévention et les moyens de maîtrise des incendies doivent être une priorité pour arrêter cette spirale infernale. Dans ce cadre, la détection de la fumée est très importante, car elle est le premier indice d’un début d’incendie. Le feu et surtout la fumée sont des objets difficiles à détecter dans les images visibles en raison de leur complexité en termes de forme, de couleur et de texture. Cependant, l’apprentissage profond couplé à la surveillance vidéo peut atteindre cet objectif. L’architecture des réseaux de neurones convolutifs (CNN) est capable de détecter avec une très bonne précision la fumée et le feu dans les images RVB. De plus, ces structures peuvent segmenter la fumée ainsi que le feu en temps réel. La richesse de la base de données d’apprentissage des réseaux profonds est un élément très important permettant une bonne généralisation. Ce manuscrit présente différentes architectures profondes basées sur des réseaux convolutifs permettant de détecter et localiser la fumée et le feu dans les images vidéo dans le domaine du visible.

Mots clés : Apprentissage profond , CNN, détection du feu et de la fumée.

Deep learning in image processing : application to smoke and fire detection

Abstract :

Researchers have found a strong correlation between hot summers and the frequency and intensity of forest fires. They destroy millions of hectares of forest areas, ecosystems sheltering numerous species and have a significant cost for our societies. The prevention and control of fires must be a priority to stop this infernal spiral. In this context, smoke detection is very important because it is the first clue of an incipient fire. Fire and especially smoke are difficult objects to detect in visible images due to their complexity in terms of shape, color and texture. However, deep learning coupled with video surveillance can achieve this goal. Convolutional neural network (CNN) architecture is able to detect smoke and fire in RGB images with very good accuracy. Moreover, these structures can segment smoke as well as fire in real time. The richness of the deep network learning database is a very important element allowing a good generalization. This manuscript presents different deep architectures based on convolutional networks to detect and localize smoke and fire in video images in the visible domain.   

Keywords : Deep learning, CNN, smoke and fire detection.


SeaTech - https://seatech.univ-tln.fr/Soutenance-de-these-de-Monsieur-Sebastien-FRIZZI.html - info.seatech@univ-tln.fr