AI детекция дыма без ложных срабатываний — почему это критично для безопасности

Почему false positives в smoke detection дороже чем экономия

Ложное срабатывание системы пожарной сигнализации в Казахстане:

• Штраф МЧС: 50-100k ₸ за false alarm
• Затраты на эвакуацию офиса 100+ людей: потеря продуктивности 200-500k ₸
• Потеря доверия: reputation -10% в соцсетях и отзывах
• Для критичных объектов (нефтегаз): остановка = 1M+ ₸ убытка в день

Поэтому false rate должна быть <1%, не <10% как в других AI приложениях (классификация эмоций, распознавание предметов).

Что вызывает false positives в smoke detection

Top-5 source ошибок:

1. Пар из вытяжки (60% ошибок) — сходен с дымом по цвету/форме. Отличие: пар белый, дым серый; пар вертикальный, дым горизонтальный в среднем.
2. Пыль на камере или лучи солнца — создают артефакты. Сетап камеры криключный (грязная, без UV фильтра) = 5-10% false alert в день.
3. Туман/облака (для фасадов) — внешние камеры видят туман ≈ дым. Решение: не использовать smoke detection на улице без тепловизора.
4. Взрывная пыль (для мукомолов, шахт) — похожа на дым. Отличие: частица разлетается вверх, дым оседает.
5. Некалиброванная модель — обучена на данных Европы (там другой спектр освещения, климат), в Казахстане +35°C = искажения цвета.

Как AI точно обнаруживает дым

Многопараметровый анализ вместо простого "есть серое пятно на видео":

• Цветовой анализ (RGB/HSV) — дым серый (0-50% saturation), пар белый (0-5% saturation)
• Optical flow — дым движется по потокам воздуха (снизу вверх), пар тоже но другой скорости
• Temporal consistency — дым накапливается (кадр N+1 имеет ещё больше дыма чем N). Ложные срабатывания исчезают через 1-2 кадра
• Spatial distribution — дым занимает растущую область, пыль локализуется
• Тепловизор (опция) — дым в тепловизоре = тёплые частицы (> 60°C). Пар холодный (~20°C). 100% дифференциация если есть тепловизор

Детекция пожара добавляет ещё один слой: пламя имеет собственный спектр частоты мерцания (~6-10 Hz), дым этого не имеет.

Процесс калибровки для вашего объекта (2-3 недели)

Week 1: Сбор данных

• Записываем 500-1000 видео фрагментов "норма" (вытяжка, пар, освещение в разное время дня)
• Если есть пожары/пробные тесты = записываем 50-100 примеров реального дыма

Week 2: Разметка + обучение

• Руками маркируем в CVAT: где дым, где пар, где ошибка
• Fine-tune YOLOv8 на этих данных (5-10 эпох)
• Validation на новых видео: должны получить precision ≥96%, recall ≥92%

Week 3: Testing + деплой

• Тестируем на реальном объекте: настраиваем threshold alert (0.75 confidence для strict, 0.60 для sensitive)
• Запускаем в production на 1 камеру
• Собираем feedback от операторов, дорабатываем
• Раскатываем на всех камерах

Интеграция с датчиками дыма (аналоговыми) + СКУД

Рекомендуемая логика:

IF AI_smoke_confidence > 0.75 THEN
  SEND alert to TG / Email / SKUD
  IF Analog_Smoke_Sensor = 1 within 20 secs THEN
    Trigger Fire Alarm (Bells, Evacuation)
  ELSE
    Treat as potential false positive
    Send to operator for review in 5 secs
    If operator confirms → Trigger alarm
    If not → Log as FP, improve model
END

Это AND логика: оба датчика должны сработать для полной эвакуации, но AI alert уже информирует людей.

Примеры из проектов A-LUX в Казахстане

Кейс 1: НПЗ Атырау (16 камер, критичные зоны)

До: датчик дыма в трубе, alert после 30-60 сек если дым достиг датчика. После: AI видит дым в момент зарождения на поверхности масла = alert 5 сек. Потом 15 сек на эвакуацию оборудования. Экономия: предотвращены 2 потенциальных пожара в первый месяц, стоимость ~ 50M ₸.

Кейс 2: Офис в Астане (система дымоудаления + AI)

Вентиляция автоматическая срабатывает при alert (если дым и влажность > 80% одновременно → ложь). AI помогает дифференцировать: это реальный дым или влаж ность с паром из ванной этажом выше?

Когда smoke detection НЕ нужна

• Помещение < 20 м² с работающей вентиляцией и датчиком (маленький кабинет)
• Наружные объекты без тепловизора (туман = false alarm каждый день)
• Место с частыми огнями (камины, гриль, кухня ресторана) — нужна специализированная модель