In recent decades, earlier fire detection has become a research priority. Since visible and infrared images cannot produce clear and complete information, we propose in this work to combine two images with an appropriate fusion technique to improve the quality of fire detection, segmentation, and localization. The visible image is at first weighted before being used in the fusion process. The value of the optimal weight is estimated from the mean of the visible image with a second-order polynomial model. The parameters of this model are optimized with the least squares method from the curve of optimal weights according to the mean of visible images. Finally, a major voting method based on deep learning models is used. Experiments include an assessment of the framework’s performance not only with respect to its visual appearance but also across a spectrum of predefined evaluation criteria. The experiments show that the proposed model, which includes an optimized weighted image fusion stage before segmentation, has a high Intersection over Union (IoU) score of more than 94%.

Intersections intelligentes pour le contrôle de véhicules sans pilote. Coordination locale et optimisation globale Smart Intersection for controlling driverless vehicle. Local coordination and global optimiation

Ces dernières décennies, la détection précoce des incendies ainsi que la mise en place de réponses appropriées sont devenues des priorités de recherche. Étant donné que les images visibles et infrarouges utilisées indépendamment les unes des autres, ne peuvent pas fournir des informations claires et complètes, nous proposons dans ce travail de combiner ces deux types d’images avec une technique de fusion appropriée pour améliorer la qualité de la segmentation des incendies. L’image visible est d’abord pondérée avant d’être utilisée dans le processus de fusion. La valeur du poids optimal est estimée à partir de la moyenne de l’image visible avec un modèle polynomial de second ordre. Les paramètres de ce modèle sont optimisés par la méthode des moindres carrés à partir de la courbe des poids optimaux en fonction de la moyenne des images visibles. Enfin, une méthode de vote majoritaire basée sur des modèles d’apprentissage profond est utilisée pour promouvoir la qualité de la segmentation de région d’intérêt correspondant au feu. Une série d’expériences diverses ont été menées pour évaluer les capacités de détection d’incendie dans le cadre de la méthode proposée. Ces expériences incluent une évaluation de la performance de notre méthode non seulement en termes d’apparence visuelle, mais aussi selon un spectre de critères d’évaluation prédéfinis. Les expériences ont montré que le modèle proposé, qui inclut une étape de fusion d’images pondérée optimisée avant la segmentation, obtient un score Intersection over Union (IoU) élevé de plus de 94%.