Développement d’une méthode de détection d'incendie par des techniques de traitement numérique des images

Abstract

Au cours de la dernière décennie le nombre d’incendies a augmenter dans les industries, les bâtiments, les zones urbaines et les forêts entraînant des conséquences graves, notamment des pertes humaines, des dégâts matériels, ainsi que des impacts environnementaux, sociaux et économiques. Dans ce contexte, la prévention et la détection rapide des incendies représentent des enjeux majeurs pour la protection des vies humaines et des infrastructures. Une solution efficace pour lutter contre les incendies repose sur l’utilisation de systèmes d’alerte précoce permettant une détection rapide des zones affectées, ce qui limite la propagation du feu et réduit les risques. Avec le développement rapide des caméras numériques et de l’Internet des objets (IoT), les caméras de surveillance sont désormais largement déployées, ce qui a encouragé les chercheurs à développer des systèmes intelligents de détection d’incendie. Ces systèmes visent à détecter les incendies dès leur apparition, pour déclencher une alarme et d’envoyer des alertes aux responsables de la sécurité. L’apprentissage profond représente aujourd’hui une méthode performante pour la classification d’images et la détection d’objets. Les réseaux de neurones convolutifs (CNN), en particulier, se distinguent comme l’une des approches les plus efficaces pour la détection d’incendie permettant d’améliorer considérablement la précision de détection. Cependant, la plupart des recherches existants s’appuient sur des architectures CNN très profondes, coûteuses en calculs, nécessitant une grande capacité de mémoire et du matériel puissant. Pour combler ces lacunes, Cette thèse propose quatre nouveaux réseaux CNN simples et légers capables de classer et détecter un incendie dans un stade précoce : CNN_A, CNN_B, CNN_C et CNN_D. De plus, afin d’améliorer la performance de l’algorithme et de réduire le taux d’erreur, une nouvelle approche d’assemblage est appliquée, combinant les prédictions des quatre architectures unique. Les résultats sont évalués selon plusieurs métriques : l’exactitude, la sensibilité, la précision, le score F1, ainsi que les taux de faux positifs (FP %) et de faux négatifs (FN %). Par ailleurs, la complexité computationnelle des modèles est analysée, notamment la taille du modèle (en Mo), la vitesse de détection (en images par seconde – FPS) et le nombre d’opérations en virgule flottante (MFLOP).Une comparaison des algorithmes proposés avec les travaux récents de détection d’incendie montre l’efficacité de l’approche proposée. Parmi les modèles évaluées, le modèle d’ensemble CNN_BC est celui qui a obtenu les meilleurs résultats, avec une excellente précision de 99,69 % et 96,01 % sur deux ensembles de test difficiles, tout en présentant un nombre réduit d’opérations en virgule flottante et une taille plus petite. Par conséquent, le modèle CNN_BC se distingue par sa robustesse et sa capacité à détecter efficacement un incendie a un stade précoce.Over the last decade, the number of fires has increased in industries, buildings, urban areas, and forests, leading to serious consequences, including human losses, material damage, as well as environmental, social, and economic impacts. In this context, fire prevention and early detection represent major challenges for the protection of human lives and infrastructure. An effective solution to fight fires relies on the use of early warning systems that enable rapid detection of the affected areas before the fire becomes uncontrollable, thereby reducing its spread and minimizing risks. With the rapid development of the Internet of Things (IoT), surveillance cameras are now widely deployed, which has encouraged researchers to develop intelligent fire detection systems. These systems aim to detect fires as soon as they appear, to trigger an alarm and send alerts to safety officials. Deep learning has become an effective method for image classification and object detection. Convolutional neural networks (CNNs), in particular, are one of the most advanced approaches for fire detection, by improving detection accuracy. However, most existing research relies on very deep CNN architectures that are computationally expensive, require large memory capacity, and demand powerful hardware. To address these gaps, this thesis proposes four new simple and lightweight CNN networks to classify and detect fires at an early stage: CNN_A, CNN_B, CNN_C, and CNN_D. Furthermore, in order to improve the algorithm’s performance and reduce the error rate, a new ensemble approach is applied, combining the predictions of the four unique architectures. The results are evaluated using several metrics: accuracy, sensitivity, precision, F1-score, false positive rate (FP %) and false negative rate (FN %). In addition, the computational complexity of the models is analyzed, according to model size (in MB), detection speed (in frames per second – FPS), and the number of floating-point operations (MFLOPs). A comparison of the proposed algorithms with recent fire detection approaches shows the effectiveness of the proposed approach. Among the evaluated models, the proposed ensemble model CNN_BC achieved the best results, with excellent accuracy of 99.69% and 96.01% on two challenging testsets, while presenting a reduced number of floating-point operations and a smaller size. Therefore, the CNN_BC model stands out for its robustness and its ability to detect fires at an early stage.خلال الاونة الأخيرة، ازداد عدد الحرائق في الصناعات والمباني والمناطق الحضرية والغابات، مما أدى إلى عواقب خطيرة، من بينها خسائر بشرية وأضرار مادية، بالإضافة إلى التأثيرات البيئية والاجتماعية والاقتصادية. في هذا السياق، تمثل الوقاية والكشف السريع عن الحرائق تحديات رئيسية لحماية الأرواح البشرية والبنى التحتية. وتعتمد إحدى الحلول الفعالة لمكافحة الحرائق على استخدام أنظمة الإنذار المبكر التي تمكّن من الكشف السريع عن المناطق المتضررة قبل أن يصبح الحريق خارج السيطرة، مما يقلل من انتشاره ويحد من المخاطر. ومع التطور السريع للكاميرات الرقمية وإنترنت الأشياء (IoT)، أصبحت كاميرات المراقبة منتشرة على نطاق واسع، وهو ما شجع الباحثين على تطوير أنظمة ذكية للكشف عن الحرائق. وتهدف هذه الأنظمة إلى اكتشاف الحرائق فور ظهورها، لإطلاق الإنذار وإرسال التنبيهات إلى مسؤولي السلامة. ويُعتبر التعلم العميق اليوم طريقة فعالة لتصنيف الصور واكتشاف الأجسام. وتُعد الشبكات العصبية الالتفافية (CNN) على وجه الخصوص من أكثر الأساليب كفاءة للكشف عن الحرائق، حيث تسمح بتحسين كبير في دقة الكشف. ومع ذلك، فإن معظم الأبحاث القائمة تعتمد على هياكل CNN عميقة جداً، مكلفة حسابياً، وتتطلب سعة ذاكرة كبيرة ومعدات قوية. ويظل نشرها في شبكات المراقبة الفعلية صعباً بسبب الموارد الكبيرة المطلوبة أثناء الاستدلال. ولمعالجة هذه الثغرات، تقترح هذه الأطروحة أربعة شبكات CNN جديدة بسيطة وخفيفة قادرة على تصنيف واكتشاف الحرائق في مرحلتها المبكرة: CNN_A وCNN_B وCNN_C وCNN_D. بالإضافة إلى ذلك، ولتحسين أداء الخوارزمية وتقليل معدل الخطأ، يتم تطبيق نهج تجميعي جديد يجمع بين تنبؤات الهياكل الأربعة. وتُقيّم النتائج وفقاً لعدة مقاييس: الدقة، والحساسية، والانضباط (Precision)، ودرجة F1، إضافةً إلى معدلات الإيجابيات الكاذبة (FP%) والسلبيات الكاذبة (FN%). كما يتم تحليل التعقيد الحسابي للنماذج، لا سيما حجم النموذج (بالميغابايت)، وسرعة الكشف وعدد (MFLOP). وتُظهر مقارنة الخوارزميات المقترحة مع الأعمال الحديثة في كشف الحرائق فعالية النهج المقترح. ومن بين النماذج المُقيمة، حصل النموذج التجميعي CNN_BC على أفضل النتائج، بدقة ممتازة بلغت 99.69% و96.01% على مجموعتي اختبار صعبتين. وبالتالي، يتميز نموذج CNN_BC بقدرته على الكشف الفعال عن الحرائق في مرحلة مبكرة