varianta detectoarele clasice de incendiu. Este bine cunoscut faptul că pot apare turbulenţe ale flăcării atuncicând avem o imaginea cu o frecvenţă de aproximativ 10Hz.Prin urmare, sistemele de detecţie a incendiilor pot fi făcute mai robuste, ţinând cont de acest lucru, prindetectarea frecvenţelor mai înalte din flacără colorată, deplasând pixelii în comparaţie cu sistemele existente dedetectare a incendiilor clasice. În practică, imaginea unei flăcări va avea o frecvenţă care poate fi bineaproximată ca fiind constantă şi, pe o perioadă destul de lungă de timp, nu se modifică. De fapt, variaţiile înflacără ale pixelilor poate fi considerată ca un evenimente aleator. Prin urmare, procesului de modelarea aflăcării, bazat pe Markov, este mai robust în comparaţie cu celelalte sisteme. În cazul în care conturul unuiobiect variază rapid în timp, acest comportament este un factor important, fiind un semn de prezenţă a flăcăriiîn spaţiul de protejat.O altă metodă de identificare a flăcării în cazul supravegherii video are la bază culoarea, sistemul sebazează pe detectarea unui incendiu determinând apariţia acestor regiuni colorate. Dacă aceste regiuni coloratese mută, acestea sunt marcate ca fiind posibile regiuni de foc monitorizate, chiar şi către un aparat defotografiat.În supravegherea video, apariţia unui obiect, în care contururile au crominanţe sau luminozităţi care semodifică repede în timp devin similare cu comportarea flăcării apărute ca urmare a izbucnirii unui incendiu.Modelele Markov sunt modele folosite extensiv în sistemele de recunoaştere şi de curând au fostutilizate şi în aplicaţii de Computer Vision. Forma regiunii de foc este foarte bine reprezentată cu ajutorultransformatei Fourier, deoarece, transformata Fourier nu transportă în orice moment informaţii, acestea fiindcalculate în ferestrele de date, ferestre de dimensiune temporală şi care sunt foarte importante pentru detectareaincendiului.Dacă este prea lungă atunci nu se vor poate obţine prea multe vârfuri în domeniul Fourier, iar dacă esteprea scurtă se poate ca aceste vârfuri să nu fie deloc observate. O altă problemă este că nu se poate detecta ooarecare periodicitate într-o dezvoltare rapidă a unui incendii, deoarece limita de foc din regiunea monitorizatăcreşte pur şi simplu în înregistrarea video. Modelul de culoare pentru determinarea focului şi a flăcării esteutilizat pentru definirea pixelilor din flacără. S-a constatat că în ciuda unei mari diversităţi ale tipurilor deincendii, şi a modelelor de flacără, în special în primele etape ale izbucnirii unui incendiu, în flacără apare ogamă largă de culori de la galben, roşu. În ceea ce priveşte valorile RGB, acest lucru implică apariţia unorrelaţii între R, G şi B, canalele de culoare: R> G şi G> B combinate în condiţiile apariţiei unui incendiu înregiunea de imagine este capturat predominant R> G>B, lucru care scoate în evidenţă faptul că începe săpredomine componenta R, deoarece devine predominantă într-un canal de culoare RGB a imaginii unei flăcări.Mai apare şi o altă condiţie pentru ca R să fie peste un predeterminat Rt, cu toate acestea, în condiţii deiluminare de fundal se poate afecta saturaţia de valori a flăcării rezultate, similare în R, G şi B, iar valorile depixeli pot provoca nonflame, trebuie să fie considerate ca flacără colorată. Prin urmare, saturaţia de valori depixeli în cauză ar trebui să fie, de asemenea, peste pragul de valoare St. Toate aceste condiţii pot fi rezumate înurmătoarele compozite condiţii:R>Rt R>G>B S>(255-R)*St/St/RtDacă cel puţin două din cele trei condiţii sunt îndeplinite de un pixel, va fi considerat un pixel carecaracterizează un incendiu, care apoi este considerat ca un foc de pixeli coloraţi. După cum se ştie, saturaţia vadescreşte cu creşterea valorii R. Aceasta este formulată (255-R)*St/Rt. În cazul incendiului, ambele valori aleRt şi St sunt definite în funcţie de diverse rezultate experimentale, valorile tipice ale lor variază de la 40 la 60 şi170 la 190.Machine VisionMachine Vision (MV Systems) este aplicarea elementelor de computer vision în domeniul de fabricaţiedin cadrul industriei. Întrucât, computer vision este axat în principal pe maşina pe bază de prelucrare deimagine, Machine Vision necesită echipamente digitale de intrare/ieşire şi o serie de dispozitive, reţele decalculatoare pentru a controla alte echipamente de fabricaţie. Machine Vision este un subdomeniu foarte lamodă al ingineriei, care cuprinde ştiinţa calculatoarelor, optică, inginerie mecanică, aplicaţii industriale şi deautomatizare. Una dintre cele mai întâlnite aplicaţii de Machine Vision este aceea de inspecţie a mărfurilorfabricate, cum ar fi cipurile semiconductoare, automobile, produse alimentare şi farmaceutice. La fel cum existăoameni inspectori de calitate la liniile de montaj, care inspectează vizual părţi ale produselor şi pot trageconcluzii legate de calitatea acestora, la fel şi sistemele care utilizează Machine Vision, aparate foto digitale,camere inteligente şi de prelucrare a imaginii, pe baza unui software aferent se utilizează tot mai des pentruefectuarea unor inspecţii similare.134
Machine Vision-Systems sunt programate pentru a efectua sarcini stricte, definite ca proceduri denumărare , citire a unor numere de serie, a codurilor de bare şi pot face analiza vizuală a produselor pentru astabili dacă produsul prezintă defecte de suprafaţă. Producătorii favorizează Machine Vision pentru realizareasistemelor de inspectarea vizuală a produselor, în special acolo unde este nevoie de mare viteză, demonitorizarea procesului de fabricaţie 24 de ore din 24, şi/ sau acolo unde procesul are la bază repetabilitateaunor operaţii. Deseori aceste sarcini extind rolul tradiţional ocupat de fiinţa umană al cărui grad de eşec estemult mai mare la aceste sisteme. Calculatoarele însă au şi ele o limitare şi anume nu pot vedea în acelaşi fel încare fiinţele umane sunt capabile să perceapă realitatea.Camere foto-video nu sunt echivalente cu optica omului şi în timp ce oamenii se pot baza pe sisteme şipe unele ipoteze de calcul trebuie să nu se elimine nici examinarea individuală a produselor. Machine Vision aufost dezvoltate pe baza unor algoritmi puternici pentru a minimiza percepţia vizuală umană şi au fost dezvoltateun număr mare de metode de procesare a imaginilor şi de identificare a caracteristicii relevante ale uneiimagini, într-o manieră eficientă şi consecventă. Machine Vision şi de computer Vision-Systems sunt capabilede prelucrarea de imagini, dar computerele bazate pe sistemele de prelucrare de imagine sunt, de obicei,proiectate pentru a efectua singure sarcinile repetitive, şi în ciuda îmbunătăţiri semnificative în domeniu, nici oMachine Vision sau sistem de computer vision nu poate încă să elimine definitiv viziunea omului în termeni deimagine, toleranţa la variaţii de iluminat şi la degradarea imaginii.Un sistem tipic de Machine Vision are în compunere următoarele componente: unul sau mai multecamere digitale sau analogice (alb – negru şi sau color), un sistem optic adecvat pentru dobândirea de imagini,interfeţe pentru digitizării imagini (cunoscut ca un "frame grabber") un procesor (adesea, un PC sau un procesorîncorporat, cum ar fi un DSP, în unele cazuri, toate cele de mai sus sunt combinate într-un singur dispozitiv,denumit ,,un aparat foto inteligent”), dispozitive hardware de intrare /ieşire sau porturi de comunicaţie (RS-232)pentru a raporta rezultatele, lentilele utilizate care să se concentreze domeniul de vedere pe senzorul deimagine, surse de lumină specializate (lămpi fluorescente sau cu halogen etc), programe de prelucrarea imaginiicu posibilitatea de a detecta caracteristicile relevante, sincronizarea senzorilor pentru detecţie (adesea, unsenzor optic sau magnetic), sistemul de achiziţie şi de prelucrare a imaginii.Camera care culege imagini este capturată de un framegrabber (este un dispozitiv necesar digitizăriiimaginilor, care le converteşte ca date de ieşire ale camerei întru-n format digital, astfel încât imaginile să poatăfi procesate de către soft-ul Machine Vision).Produsul software folosit de obicei, va utiliza mai multe măsurări pentru procesarea unei imagini. De celemulte ori imaginea poate fi afectată de zgomot, iar pentru a reduce efectul acestuia se folosesc imagini albnegrucu nuanţe de gri. Deşi cele mai multe sisteme de Machine Vision se bazează pe camere alb - negru,utilizarea camerelor digitale color devine ceva din ce în ce mai comun. Machine Vision Systems, poate includecamere digitale pentru conexiune directă, ceva mai mult decât un aparat de fotografiat şi separat unframegrabber, reducându-se astfel semnalul de degradare. Camerele digitale cu procesoare de captură sunt dince în ce mai prezente pe piaţă de Machine Vision.Cererile de Machine Vision sunt din ce în ce mai diverse şi încep să acopere domenii din ce în mai variatede activitate, cum ar fi prelucrarea datelor biometrice industriale de mari dimensiuni, fabricarea sistemelor desiguranţă în medii industriale, de inspecţie, de fabricaţie obiecte (de exemplu, controlul calităţii, investigaţie,eşec) controlul vizual al stocului şi ale sistemelor de management (numărătoare, cititoare coduri de bare), înprocesul de fabricaţie ale automobilelor, monitorizarea producţiei agricole, controlul calităţii produseloralimentare automatizare echipamente medicale pentru diagnosticare (în radiologie), sensibilitatea de tip vizualpentru nevăzători (Super Vision System, Artificial Eye-System). Machine Vision-Systems, sunt utilizate pescară largă şi în fabricarea componentelor semiconductoare pentru producţiile de chip-uri, realizarea unor plăcicu implantarea automată a componentelor, ghidarea roboţilor industriali, sistemele de detecţie şi semnalizare aincendiilor etc. În Machine Vision au fost dezvoltate tehnici pentru spectrul vizibil, dar şi în altele cum ar fi îninfraroşu. Se poate considera că domeniul de machine vision este însă diferit de computer vision. Computervision extinde subiectele legate de robotica autonomă. Machine Vision se referă la sisteme automate de preluareşi prelucrare de imagine, inclusiv o gamă largă de sisteme calcul agregate pentru a da o soluţie completăproblemelor vizuale şi poate fi considerat ca un ansamblu format din computer vision şi alte elemente(echipamentele de control, prelucrarea bazelor de date, sisteme de reţele, maşina de interfaţare şi învăţare).Un sistem de vision machine are în principiu în compunere următoarele elemente de bază: de iluminare,de optică, aparatul foto, calculatorul şi de software. La prima vedere, camera este sursa de imagine. Dar, defapt, imaginea este creată de către sistemul de iluminare. Chip-ul CCD transformă fotonii într-un semnalelectric. Camera electronică digitizează acest semnal electric şi o transformă într-o imagine digitală.Computerul execută software-ul folosind această imagine digitală brută, pentru efectuarea a două sarcini de135
- Page 6 and 7:
Noile tehnici de observaţie şi an
- Page 8 and 9:
- GEOLAND (Integrated GMES Project
- Page 10 and 11:
De asemenea, monitorizarea este un
- Page 12 and 13:
Astfel, prin managementul riscurilo
- Page 14 and 15:
Eliminarea riscurilor are scopul de
- Page 16 and 17:
Incendiu - ardere autoîntreţinut
- Page 18 and 19:
Pregătirea controlului presupune:a
- Page 20 and 21:
La structura de prevenire, se verif
- Page 22 and 23:
- analiza trimestrială a activită
- Page 24 and 25:
Controlul se finalizează prin cons
- Page 26 and 27:
Model de carnet cu constatările re
- Page 28 and 29:
d) Este interzis să se depoziteze
- Page 30 and 31:
RISC ŞI SIGURANŢĂ ÎN SOCIETATEA
- Page 32 and 33:
R = H x E x Vîn care: R = risc, H
- Page 34 and 35:
ştiinţifică. Pe de altă parte,
- Page 36 and 37:
A tolera un risc nu înseamnă că
- Page 38 and 39:
Se observă că scala gravităţii
- Page 40 and 41:
Din punct de vedere funcţional, as
- Page 42 and 43:
• locul, mărimea, posibilităţi
- Page 44 and 45:
Pentru micşorarea aprinderii decor
- Page 46 and 47:
Performanţă la foc exterior - Exp
- Page 48 and 49:
Componentele securităţii la incen
- Page 50 and 51:
- când agentul provocator a fost o
- Page 52 and 53:
Cantitatea de dioxid de carbon în
- Page 54 and 55:
Proprietăţile fizice ale substan
- Page 56 and 57:
Fig. 3. Detector dual în spectru i
- Page 58 and 59:
NAF SIII fiind o alternativă pentr
- Page 60 and 61:
Fig. 8 Aplicaţia sistemului ultrar
- Page 62 and 63:
- procesele-verbale de recepţie in
- Page 64 and 65:
IDENTIFICAREA, EVALUAREA ŞI CONTRO
- Page 66 and 67:
B. Metode de evaluare a riscului de
- Page 68 and 69:
- asigurarea mijloacelor tehnice de
- Page 70 and 71:
g) comportare la foc - schimbarea s
- Page 72 and 73:
apă, ceea ce conduce la distrugere
- Page 74 and 75:
cu apă de la hidranţi (fără ins
- Page 76 and 77:
Tipul cabluluiTensiunea nominalăU
- Page 78 and 79:
Note:i. Limita de rezistenţă la f
- Page 80 and 81:
de pericolul faţă de viaţa oamen
- Page 82 and 83:
- separarea cu un perete (cel mult
- Page 84 and 85: Tabel pe baza căruia se poate face
- Page 86 and 87: scenariul A (SA) poate fi considera
- Page 88 and 89: ANEXA 1Clasificarea sistemelor surs
- Page 90 and 91: ANEXA 2Stabilirea scării de apreci
- Page 92 and 93: Grilă / Scară Probabilitate - Gra
- Page 94 and 95: Implementarea sistemului s-a realiz
- Page 96 and 97: TERORISMUL CHIMIC, BIOLOGIC, RADIOL
- Page 98 and 99: Dacă organizaţiile teroriste n-au
- Page 100 and 101: Gazele neuroparalizante acţioneaz
- Page 102 and 103: Iperitele reacţionează violent cu
- Page 104 and 105: altor ţări, popoare şi religii.
- Page 106 and 107: PERFORMANŢE COMUNE CONSTRUCŢIILOR
- Page 108 and 109: Toate elementele principale ale con
- Page 110 and 111: Atunci când o clădire civilă (pu
- Page 112 and 113: Golurile de acces la căile de evac
- Page 114 and 115: De regulă, construcţiile cu func
- Page 116 and 117: Evacuarea fumului (desfumarea) în
- Page 118 and 119: În situaţiile în care este oblig
- Page 120 and 121: Evaluarea riscului şi analiza situ
- Page 122 and 123: - operatorul menţine şi exploatea
- Page 124 and 125: STUDIU PRIVIND POSIBILITATEA UTILIZ
- Page 126 and 127: a) pentru fiecare setare corespunz
- Page 128 and 129: h - distanţa faţă de focar.Princ
- Page 130 and 131: Sistemul de prelucrare a semnalelor
- Page 132 and 133: Utilizarea sistemelor video pentru
- Page 136 and 137: ază vizualizare şi/ sau analizare
- Page 138 and 139: Activ View nu este doar un instrume
- Page 140 and 141: Ca urmare a prezentării produsului
- Page 142 and 143: unei incinte să fie condiţionate
- Page 144 and 145: Spectrele de curgere prezentate ant
- Page 146 and 147: Se defineşte lungimea de penetrare
- Page 148 and 149: monitoriza continuu, nivelul de bio
- Page 150 and 151: vântului, geometria clădirii cu b
- Page 152 and 153: Se pune problema determinării temp
- Page 154 and 155: 2 4Nod 3:T2 − T3+ T6= −400;2 8N
- Page 156 and 157: ESTIMAREA INTENSITĂŢII DISTRUCTIV
- Page 158 and 159: Iată împărţirea pe categorii a
- Page 160 and 161: Valoarea curentului smuls [4] depin
- Page 162 and 163: u t= u 0+ k ⋅t, (4)unde:u0- este
- Page 164 and 165: ELEMENTE GENERALE ŞI SPECIFICE REF
- Page 166 and 167: Activitatea de cercetare şi stabil
- Page 168 and 169: Generarea fenomenului de scurtcircu
- Page 170 and 171: Relaţia (9) are valoare de adevăr
- Page 172 and 173: - folosirea unor condiţii de front
- Page 174 and 175: În cazul bi-dimensional intervine
- Page 176 and 177: Simularea focului în pădure folos
- Page 178 and 179: Înainte de înfiinţarea formaţie
- Page 180 and 181: În anul 1861, efectivul a fost mă
- Page 182 and 183: REZOLVAREA SUBIECTELOR LA DISCIPLIN
- Page 184 and 185:
v − vt = 0 g(11)Prin înlocuire
- Page 186 and 187:
Particularizând pentru problema da
- Page 188:
Redactare: Elena CIOPONEATehnoredac