Использование систем технического телевидения в составе интеллектуальных беспроводных сенсорных сетей обнаружения очагов пожаров тема диссертации и автореферата по ВАК РФ 00.00.00, кандидат наук Аль Мафтул Омер Али Деяб

• Аль Мафтул Омер Али Деяб
• кандидат наук
• 2025

Оглавление диссертации кандидат наук Аль Мафтул Омер Али Деяб

ВВЕДЕНИЕ

Глава 1. Концепция и архитектура беспроводных сенсорных сетей

1.1 Основные понятия беспроводных сенсорных сетей

1.2 Архитектура беспроводной сенсорной сети

1.3 Топологии беспроводной сенсорной сети

1.4 Стек сетевых протоколов беспроводных датчиков

1.5 Коммуникационные технологии в беспроводных сенсорных сетях

1.5.1. Беспроводные сенсорные сети стандарта WiFi

1.5.2. Технологии беспроводной сенсорной сети ZigBee

1.5.3. Технология беспроводной сенсорной сети LoRa (Long Range)

1.5.4. Узкополосный Интернет вещей (NB-IoT)

1.6 Выводы по главе

Глава 2. Использование искусственного интеллекта для повышения эффективности беспроводных сенсорных сетей

2.1 Общая концепция искусственного интеллекта

2.1.1 Концепция и алгоритмы машинного обучения (ML)

2.1.2 Концепция и рабочие механизмы глубокого обучения

2.1.3 Сравнение машинного обучения и глубокого обучения

2.2 Использование глубокого обучения для решения проблем беспроводной сенсорной сети

2.3 Использование модели глубокого обучения YOLOV5 для повышения скорости и точности измерений в беспроводных сенсорных сетях

2.3.1 Архитектура YOLOv5

2.3.2 Обучение модели YOLOV5 для обнаружения пожара

2.4. Повышение точности системы обнаружения пожара на основе глубокого обучения беспроводных сенсорных сетей

2.5. Методы обработки данных для энергоэффективных беспроводных сенсорных сетей

2.6. Характеристики качества обнаружения пожара

2.6. Разработка алгоритма повышения точности обнаружения пожара с помощью глубокого обучения и беспроводных сенсорных сетей

2.7 Выводы по главе

Глава 3 Разработка территориальной беспроводной сенсорной сети с использованием глубокого обучения для обнаружения и оповещения о пожарах

3.1. Использование видеокамеры в беспроводных сенсорных сетях

3.1.1. Поле зрения камеры

3.2. Камеры WiFi и передача данных

3.3. Разработка оптической сенсорной сети для обнаружения пожара для использования в городской среде

3.4. Разработка алгоритма обнаружения пожара LoRaWAN и глубокого обучения для беспроводных сенсорных сетей

3.5. Разработка алгоритма уменьшения объема данных, передаваемых в беспроводных сенсорных сетях, с помощью глубокого обучения

3.6 Выводы по главе

Глава 4. Оптимизация автоматических систем пожаротушения с помощью облачных вычислений и глубокого обучения в беспроводных сенсорных сетях

4.1 Система автоматического пожаротушения

4.2. WiFi-интерфейс для дистанционного управления

4.2.1. Удаленный терминальный блок (RTU)

4.2.2. ESP8266 Ардуино

4.2.3. Raspberry Pi

4.3. Концепция стереокамеры

4.5 Оценка параметров пожара для автоматической калибровки распыла воды в автоматических системах пожаротушения

4.6 Улучшение эффективности пожарных водометов за счет использования глубокого обучения и беспроводной сенсорной сети

4.7 Использование беспроводных сенсорных сетей и облачных вычислений для управления системой автоматического пожаротушения

4.8 Выводы по главе

ЗАКЛЮЧЕНИЕ

ОСНОВНЫЕ СОКРАЩЕНИЯ

СПИСОК ЛИТЕРАТУРЫ

Введение диссертации (часть автореферата) на тему «Использование систем технического телевидения в составе интеллектуальных беспроводных сенсорных сетей обнаружения очагов пожаров»

ВВЕДЕНИЕ

Актуальность темы исследования. Телевидение, являясь по своей природе технической системой, призванной осуществлять формирование, передачу и воспроизведение изображений окружающей действительности, оказывается способным принимать деятельное участие в реализации функций мониторинга регистрируемых ситуаций. Опираясь на это, системы промышленного или технического телевидения могут служить и в качестве самостоятельных систем, и как отдельные компоненты в составе более сложных систем управления техпроцессами, являясь своеобразным дополнительным фактором верификации всего происходящего. Детальный анализ изображений, сформированных средствами телевидения, можно считать сложной самостоятельной задачей, которая на современном этапе может быть решена за счет использования технологий искусственного интеллекта (ИИ). Объединить упомянутые подсистемы в единое целое оказывается возможным средствами беспроводных систем связи, ставшими в последние годы неотъемлемой частью повседневной жизни.

С этих позиций актуальность исследований, касающихся возможностей практического применения интеллектуальных радиосистем, в которых подсистемы телевизионного видеомониторинга объединены с технологиями искусственного интеллекта средствами широкополосной пакетной радиосети, не вызывает сомнений.

Конечно, далеко не все события, наблюдаемые воочию или средствами телевидения, несут положительные эмоции, особенно те, которые относятся к чрезвычайным ситуациям (ЧС). В этой связи высокую практическую значимость исследований, проведенных в диссертационной работе (ДР), подчеркивают возможности применения рассмотренных технологий в качестве эффективного средства по обнаружению пожаров, занимающие одно из первых мест в перечне ЧС, требующих непрерывного мониторинга. Именно поэтому вопросам раннего обнаружения пожаров

и технологиям их быстрого тушения, имеющих решающее значение для снижения потенциального ущерба, в диссертационной работе уделено максимальное внимание.

В качестве одной из базовых компонент построения, исследуемых в ДР радиотелевизионных систем, используемых в роли средств противопожарной защиты, предложено задействовать совокупность оптических датчиков -ТВ-видеокамер. Передача полученных таким образом изображений в центр принятия решений осуществляется по радиоканалу, далее называемому беспроводной сенсорной сетью (БСС). В наиболее общем случае датчики в составе БСС кроме изображений могут дополнительно измерять такие параметры, как температура, задымленность и влажность, что значительно облегчает обнаружение пожаров на ранних стадиях. Размеры зон радиопокрытия подобных сетей могут варьироваться от нескольких десятков метров до нескольких километров, в том числе и в зависимости от пропускной способности каналов связи между узлами, а также характеристик окружающей среды. Достаточно многочисленные преимущества, свойственные БСС, позволяют обеспечить быструю и эффективную связь, необходимую для принятия оперативных решений.

Для создания именно интеллектуальных систем противопожарной защиты в ДР были разработаны алгоритмы обнаружения очагов возгораний на основе технологий искусственного интеллекта, которые используют БСС с телевизионными видеокамерами, передающими изображение по сети Wi-Fi (Wi-Fi камерами) в качестве оптических датчиков. Подобные сетевые топологии позволяют эффективно передавать изображение потенциальной зоны пожара или транслировать видео контролируемой зоны в режиме реального времени, сжимая передаваемые данные, что увеличивает эффективность использования беспроводного канала связи.

Степень разработанности темы. Вопросам использования ИИ для анализа и классификации изображений посвящено достаточно большое количество научных работ. Такие зарубежные исследователи, как A. B. Abdusalomov, Y. Li, M. Logeshwaran,

Y. Sun, J. Zhao, V. Bharathi, T. Zhou и многие другие использовали различные подходы при разработке интеллектуальных систем анализа изображений, используя в том числе и методы глубокого обучения ИИ. Однако при этом вопросам оценки качества классификации анализируемых событий, сходных друг с другом во многих отношениях, не уделялось должного внимания.

Российские исследователи А. А. Лебедев, А. А. Поздеев, И. Г. Зубов, П. Н. Сконников и многие другие использовали телевизионные технологии и технологии обработки изображений средствами ИИ для повышения эффективности систем поддержки принятия решений в задачах медицинской эндоскопии, а также при создании систем управления беспилотными транспортными средствами для повышения точности оценок их пространственной ориентации. Работы отдельных авторов посвящены использованию обработки изображений при проведении поисково-спасательных операций и предполагают реализацию алгоритмов совмещения изображений, полученных в разных спектральных диапазонах.

Объектом исследований являются интеллектуальные БСС (ИБСС), использующие в качестве оптических датчиков ТВ-камеры видимого диапазона, ориентированные на применение в составе противопожарных систем.

Предметом исследования служат методы построения и алгоритмы использования интеллектуальных систем технического телевидения, позволяющих реализовать технологии глубокого обучения в составе БСС для повышения эффективности обнаружения пожаров и обеспечения функционирования автоматических систем пожаротушения.

Целью данного диссертационного исследования является изучение возможностей применения подсистем технического телевидения в составе интеллектуальных БСС с использованием облачных вычислений и глубокого обучения для повышения эффективности обнаружения пожаров и управления системами автоматического пожаротушения.

Основные задачи диссертационной работы:

1. Разработка топологий ИБСС для обнаружения очагов пожаров с использованием технологий широкополосной связи, ИИ и беспроводных камер видеонаблюдения в качестве оптических датчиков.

2. Оптимизация объема данных, передаваемых между основными компонентами системы обнаружения очагов пожара, с использованием методов глубокого обучения средствами беспроводной широкополосной сети связи.

3. Интеграция подсистемы телевизионных камер видеонаблюдения, используемых в качестве оптических датчиков беспроводных телекоммуникационных технологий и облачных вычислений с автоматической системой пожаротушения.

Научная новизна:

1. Предложена модель ИБСС, которая отличается от известных моделей тем, что использует телевизионные Wi-Fi камеры в качестве оптических датчиков и методы интеллектуальной обработки изображений для повышения точности обнаружения и уменьшения вероятности ложного обнаружения возгорания. Показана возможность применения глубокого обучения для классификации изображений пожаров на реальные пожары и иные события с высокой точностью в режиме реального времени.

2. Разработана топология территориальной БСС для обнаружения пожаров в режиме реального времени с использованием инфраструктуры распределенных видеокамер, что увеличивает эффективность использования исходной видеоинформации и повышает общий уровень безопасности.

3. Предложен метод обнаружения изображений пожаров на ранней стадии, предполагающий использование глубокого обучения и реализующий сжатие исходных видеоданных, что позволяет эффективно уменьшить объем видеоданных, отправляемых от систем обнаружения пожара в центр пожаротушения.

4. Разработан метод идентификации изображений пожаров в режиме реального времени и отправки сигналов тревоги в центр пожаротушения в радиоканале беспроводной сети связи стандарта LoRaWAN на территориях районов,

где недостает необходимой инфраструктуры традиционных сетей связи общего пользования.

5. Предложен вариант построения автоматических систем пожаротушения путем их интеграции с ИБСС и облачными вычислениями для увеличения дальности наблюдения и управления, точности обнаружения пожара, скорости обработки данных и тушения пожара.

Теоретическая значимость работы:

1. Получены оценки необходимого объема обучения интеллектуальной БСС, построенной на основе №-камер и технологий ИИ для обнаружения изображений определенного содержания с заданными параметрами качества обнаружения.

2. Определены правила формирования и дальнейшего использования априорной информации в границах зон мониторинга, осуществляемого с помощью №-камер оптического диапазона, позволяющие минимизировать объем данных, передаваемых внутри ИБСС для последующей обработки методами ИИ.

3. Сформулированы принципы оценки размеров и пространственного положения реальных объектов и событий на основе анализа изображений, полученных ^-камерами в составе ИБСС, ориентированные на анализ пожароопасных ситуаций и позволяющие интегрировать ИБСС с робототехническими системами пожаротушения.

Практическая значимость полученных результатов:

1. Использование телевизионной системы компьютерного зрения в составе БСС, обученной для обнаружений случаев возгорания, позволило существенно увеличить возможности правильного обнаружения моментов возникновения реальных пожаров при низких уровнях ложных обнаружений, связанных с возникновением ситуаций, близких по содержанию к потенциально опасным.

2. Применение в составе БСС решающих устройств, позволивших реализовать методы глубокого обучения, сделало возможным обработку видеопотоков с

телевизионных камер в режиме реального времени и обнаружение случаев возгорания на ранних стадиях с вероятностями правильного обнаружения РПО >0.90.

3. Использование методов ИИ для извлечения наиболее значимой информации из изображения пространства, контролируемого средствами видеомониторинга, позволило сократить объем данных, передаваемых между основными компонентами БСС, обученных для обнаружения пожаров, более чем на 90 % по сравнению с объемом данных, занимаемых исходным изображением.

4. Интеграция интеллектуальной системы обработки изображений с автоматическими системами пожаротушения повысила скорость и точность локализации очага пожара и позволила приступить к тушению пожара менее чем через 2,5 секунды. Кроме того, использование облачных вычислений позволяет расширить суммарную площадь зоны мониторинга и повысить эффективность обработки изображений и видео.

Методология и методы исследования - методы статистического анализа, математического моделирования и моделирования с использованием прикладного программного обеспечения MATLAB, Python и GNS3, методы машинного обучения, статистической теории приема сигналов.

Основные положения, выносимые на защиту:

1. Применение технологий глубокого обучения в составе систем обнаружения пожаров, использующих в качестве сенсоров оптические телевизионные видеокамеры, объединенные беспроводной сетью и работающие в режиме реального времени, позволяет в реальных ситуациях обнаружить изображение пламени пожара среди других возможных видов пламени за время менее 155 мс, с вероятностью правильного обнаружения (РПО>0.9) и вероятностью ложного обнаружения (РЛО<0.02).

2. Использование процедуры выбора наиболее информативной части исходного изображения наблюдаемого объекта, находящегося в зоне обзора телевизионных видеосенсоров, и ее последующее сжатие с использованием различных алгоритмов

позволяет на 90 % сократить объем данных, передаваемых по беспроводной сети в интеллектуальной системе обнаружения очагов пожаров.

3. Интеграция технологий телевизионного видеонаблюдения, беспроводных сетей, глубокого обучения и облачных вычислений с автоматическими системами пожаротушения позволяет получить эффективную оценку размеров и пространственного положения очага возгорания, а также увеличить суммарную площадь зоны видеомониторинга от 4 до 7 раз, с учетом сохранения необходимого временного интервала беспроводной передачи информации о возгорании в центр пожаротушения порядка 1 сек и сохранении качественных характеристик обнаружения возгорания.

Соответствие диссертации паспорту научной специальности Решаемые в диссертационной работе исследовательские задачи соответствуют трем положениям в паспорте специальности 2.2.13 - Радиотехника, в том числе системы и устройства телевидения, а именно:

п. 9: Исследование и разработка телевизионных систем и устройств, включая матричные фотоприемники, телевизионные камеры, в том числе с 1Р-интерфейсами, цифровые кодеки, модемы и устройства передачи и воспроизведения изображений и звука, а также методов и алгоритмов модуляции, демодуляции, сжатия информации, помехоустойчивого кодирования и декодирования сигналов.

п. 10: Разработка и исследование методов и устройств передачи, приема, обработки, отображения, регистрации, хранения и информации, включая беспроводные, космические, эфирные, кабельные и мобильные системы передачи информации.

п. 11: Разработка информационных технологий, в том числе цифровых, а также с использованием нейронных сетей для распознавания сигналов, изображений и речи в интеллектуальных радиотехнических, робототехнических системах технического зрения. Исследования, проведенные в ДР соответствуют формуле специальности 2.2.13.

Апробация результатов. Основные положения диссертационной работы докладывались на следующих научных конференциях:

1. XXIII Всероссийская научно-техническая конференция «Современные проблемы радиоэлектроники», г. Красноярск, 2022.

2. 5th International Conference on Control Systems, Mathematical Modeling, Automation and Energy Efficiency, Lipetsk, 2023 (Scopus).

3. VII Международная научно-практическая «Инновации в информационных технологиях, машиностроении и автотранспорте», г. Кемерово, 2023.

4. XXIV Всероссийская научно-техническая конференция с международным участием «Современные проблемы радиоэлектроники», г. Красноярск, 2024.

5. XXV Всероссийская (национальная) научная конференция «Научные исследования в современном мире. Теория и практика», г. Санкт-Петербург, 2024.

6. XX Международная научная конференция «Перспективные прикладные исследования и инновации», г. Санкт-Петербург, 2024.

7. XCVIII Международная научно-практическая конференция «Экспериментальные и теоретические исследования в современной науке», г. Новосибирск, 2024.

8. Всероссийская научная конференция с международным участием «Енисейская фотоника - 2024», г. Красноярск, 2024.

9. IX Международная научно-техническая конференция «Актуальные проблемы радио- и кинотехнологий», г. Санкт-Петербург, 2024.

10. 14-я школа-семинар «Инфокоммуникационные технологии в цифровом мире», г. Санкт-Петербург, 2024.

Реализация результатов работы. Основные результаты диссертационной работы были использованы при выполнении научно-исследовательской работы по созданию Автономного Подвижного Комплекса Управления (АПКУ) тушением лесных пожаров (СФУ, г. Красноярск, 2023-2024 г.), а также в учебном процессе

кафедры инфокоммуникаций Института инженерной физики и радиоэлектроники Сибирского федерального университета (г. Красноярск).

Публикации. Результаты исследования были представлены в 16 научных работах, 7 из которых опубликованы в журналах, признанных ВАК РФ, одна публикация индексирована Scopus и 8 опубликованы в материалах международных и всероссийских конференций. Получено 1 свидетельство о государственной регистрации программы для ЭВМ.

Личный вклад автора заключается в постановке, планировании и непосредственном проведении теоретических и экспериментальных работ, а также в публикации результатов в журналах, включенных в перечень ВАК России.

Структура и объем диссертации. Диссертационная работа включает в себя содержание, список используемых сокращений, глоссарий, введение, четыре главы, заключение, список литературы. Объем пояснительной записки - 143 страницы, 85 иллюстраций, 6 таблиц, список использованной литературы насчитывает 112 наименований.

Глава 1. Концепция и архитектура беспроводных сенсорных сетей

БСС сегодня являются наиболее важной технологией для многих отраслей промышленного производства. Эти сети представляют собой интегрированные группы небольших и разнообразных устройств, известных как датчики, используемые для измерений и мониторинга окружающей среды [21]. БСС обладают множеством характеристик для сбора данных в режиме реального времени [22]. Сформированные таким образом записи преобразуются в статистическую выборку, которая помогает оценить сложившуюся ситуацию и сделать краткий и правильный выбор. БСС используют различные технологии связи в зависимости от возможного расположения и необходимой скорости для передачи информации между устройствами. Этот метод исключает необходимость в удлинителях или кабелях, что делает его подходящим для суровых условий и удаленных территорий, а также в тех случаях, где датчики должны быть мобильными. Датчики небольшие и экономичные, что позволяет использовать их одновременно в нескольких приложениях. Кроме того, они потребляют меньше энергии, а значит, могут работать дольше без замены батарей [23]. Обширные сенсорные сети могут быть настроены для покрытия больших территорий и предоставления полной информации о протяженном объекте мониторинга.

Несколько устройств можно разместить в разных местах для сбора и эффективного анализа различных типов данных. БСС используются во многих областях, таких как мониторинг окружающей среды, умное сельское хозяйство, умный транспорт, умные дома, здравоохранение, мониторинг безопасности и т. д. Эти приложения повышают важность БСС в жизни человека и улучшают качество предоставления большого числа услуг [24, 25]. БСС — это современный и эффективный подход, который собирает статистику и факты в режиме реального времени, предоставляя ценную информацию для улучшения операций и принятия разумных решений во многих областях. Эти сети используют технологические достижения в области зондирования и беспроводной связи и являются одним из

важных устройств, способствующих виртуальной трансформации в будущем [26]. В этой главе рассматривается концепция БСС, топологии их построения и использование распространенных технологий беспроводной связи для соединения сетевых компонентов.

1.1 Основные понятия беспроводных сенсорных сетей

Беспроводные сенсорные сети (БСС) состоят из сенсорного поля, которое относится к физической области, где широко распространены сенсорные узлы или устройства. БСС были достаточно тщательно исследованы для реализации многих приложений, включая мониторинг окружающей среды и научные наблюдения. На рисунке 1.1 показана общая архитектура БСС [27].

Рисунок 1.1. - Общая архитектура беспроводной сенсорной сети

Система функционирует путем распределения множества беспроводных датчиков по всей обозначенной области или окрестностям. Каждый датчик обычно оснащен модулем беспроводной связи, позволяющим им устанавливать соединение с центральным концентратором или шлюзовым устройством. Датчики непрерывно наблюдают и количественно определяют конкретные физические параметры окружающей среды, за наблюдением которой они предназначены. Данные, собранные датчиками, передаются по беспроводной сети на главный сервер или шлюзовое устройство, где подвергаются обработке, анализу и впоследствии становятся доступными для дополнительных действий или принятия решений.

БСС состоит из датчиков и сетевой архитектуры (рисунок 1.1). Датчики являются важными элементами, которые обнаруживают переменные окружающей среды и преобразуют их в электрические сигналы. Они выполняют решающую функцию по сбору данных в сети. На рисунке 1.2 показаны части сенсорного узла.

г- \ Источник питания (батарея) V У

Сенсорной блок Блок обработки ( ч Память ^ Г *\ Мтжр опроцессор или мпкр о ко нтролиер V ) Блок связи

1 Датчик АЦП |—^ 1 /--\] 1 ^ А

Рисунок 1.2. - Структура части сенсорного узла

Источник питания: Аккумуляторные батареи, заменяемые батарейки или солнечные элементы, вырабатывающие электричество, которые являются источником питания, необходимым датчикам для работы. Одной из самых больших проблем с датчиками

является управление питанием, поскольку для обеспечения устойчивости и длительного срока службы батареи необходимо минимальное энергопотребление. Сенсорный блок: состоит из датчика и аналого-цифрового преобразователя (АЦП). Аналоговые данные собираются датчиком и преобразуются в цифровой формат с помощью АЦП. Сенсорные узлы помимо измерения выполняют функции обработки, хранения и связи. Физические данные собираются и анализируются сенсорным узлом, который затем объединяет их с информацией от дополнительных датчиков. Процессорный блок: Процессорный блок состоит из памяти и микропроцессора. Он отвечает за управление процессом получения данных от датчиков и преобразования их в подходящий формат для передачи.

Система связи: датчики могут подключаться к беспроводной сети и отправлять данные в точку сбора данных благодаря технологиям беспроводной связи, включенным в их коммуникационный модуль. В зависимости от потребностей приложения могут использоваться такие технологии, как WiFi, Bluetooth и сотовые сети [28].

1.2 Архитектура беспроводной сенсорной сети

На рисунке 1.3 представлена сетевая архитектура БСС [29].

область считывания данных

Пользователь

С енс орны е узлы

Рисунок 1.3. - Сетевая архитектура беспроводной сенсорной сети.

Объединение этих сенсорных узлов в сеть также имеет решающее значение, когда большое их количество развернуто в большом регионе для совместного мониторинга физической среды. В БСС сенсорный узел использует беспроводную связь для взаимодействия не только с другими сенсорными узлами, но и с базовой станцией (БС). Сенсорные узлы взаимодействуют друг с другом для выполнения задач после получения команд от базовой станции. Сенсорные узлы доставляют информацию обратно на базовую станцию после сбора необходимых данных. Кроме того, базовая станция служит интернет-шлюзом для доступа к другим сетям. Базовая станция получает данные от сенсорных узлов, обрабатывает их и использует Интернет для доставки пользователю самой последней информации. Сетевая архитектура с одним переходом используется, когда каждый сенсорный узел связан с базовой станцией. Передача на большие расстояния возможна, но для связи потребуется гораздо больше энергии, чем для сбора и обработки данных [30]. На рисунке 1.4 показана архитектура сети с одним переходом.

Рисунок 1.4. - Архитектура сети с одним переходом

Часто используется многоскачковая сетевая архитектура. Данные передаются через один или несколько промежуточных узлов, а не по одному каналу между базовой

С енс орны й уз ел

О

Базовая станция

станцией и сенсорным узлом [31]. На рисунке 1.5 показана архитектура многоскачковой сети.

Рисунок 1.5. - Архитектура многоскачковой сети

Существует два типа сетевой архитектуры: иерархическая и плоская. Базовая станция выдает команды каждому сенсорному узлу в плоской конструкции, но сенсорный узел, имеющий соответствующий запрос, будет отвечать, используя многопереходный путь со своими одноранговыми узлами [32]. На рис. 1.6 показана сетевая архитектура плоского дизайна.

Рисунок 1.6. - Плоская конструкция сетевая архитектура

Кластер сенсорных узлов создается в иерархической архитектуре, и сенсорные узлы предоставляют данные соответствующим главам кластера. Затем данные могут быть переданы на базовую станцию головками кластера [33]. На рисунке 1.7 показана иерархическая структура сетевой архитектуры.

Рисунок 1.7. - Иерархическая структура сетевая архитектура.

1.3 Топологии беспроводной сенсорной сети

Существуют различные типы топологий сетей БСС, и их реализация влияет на задержку, пропускную способность и надежность. Это связано с тем, что маршрутизация и обработка данных различаются в зависимости от топологии сети. Перед установкой структуры БСС важно иметь полное представление о требованиях и характеристиках приложения. Узлы также могут быть подключены к Интернету и передавать данные на облачную платформу для последующего анализа. Существует несколько различных топологий, которые можно использовать в БСС, например, сетчатая топология, звездчатая топология и древовидная топология.

В сетчатой топологии каждый узел в ячеистой архитектуре служит ретранслятором данных других связанных узлов, а также передает свои собственные

данные. Сетчатые топологии бывают двух разновидностей: полностью связные и частично связные. Таким образом, в полностью связанной ячеистой топологии каждый узел соединен с каждым другим узлом. Узел соединен с одним или несколькими соседними узлами в частично связанной сетчатой структуре [34]. На рисунке 1.8 показана структура топологии сетки.

Топологии звезда: В топологии «звезда» каждый узел подключен непосредственно к шлюзу, образуя топологию связи. Отправка и получение сообщений на несколько удаленных узлов возможно через один шлюз. Узлам не разрешается взаимодействовать друг с другом в звездообразной топологии. Между удаленным узлом и шлюзом (базовой станцией) это обеспечивает соединения с малой задержкой. Шлюз должен находиться в пределах диапазона радиопередачи каждого узла, поскольку он полагается на этот узел для администрирования сети. Одним из преимуществ является то, что энергопотреблением удаленных узлов можно легко и минимально управлять. Количество подключений к концентратору определяет размер сети [35]. На рисунке 1.9 показана структура топологии звезды.

Список литературы диссертационного исследования кандидат наук Аль Мафтул Омер Али Деяб, 2025 год

СПИСОК ЛИТЕРАТУРЫ

1. Kaur P. Early Forest Fire Detection Using a Protocol for Energy-Efficient Clustering with Weighted-Based Optimization in Wireless Sensor Networks / P. Kaur, K. Kaur, K. Singh, S. Kim // Applied Sciences (Switzerland). - 2023. -Vol. 13, no. 5 - P. 3048.-DOI 10.3390/app13053048.

2. Wang L. Risk identification of FPSO oil and gas processing system based on an improved FMEA approach / L. Wang, L. Sun, J. Kang, Y Wang, H. Wang // Applied Sciences. - 2021. -Vol. 11, no. 8 - P. 567. DOI 10.3390/app11020567.

3. Gaidukova O. Pool Fire Suppression Using CO2 Hydrate / O. Gaidukova, S. Misyura, I. Donskoy, V. Morozov, R. Volkov // Energies. - 2022. -Vol. 15, no. 24 - P. 9585. Doi 10.3390/en15249585.

4. Gulati K. A review paper on wireless sensor network techniques in Internet of Things (IoT) / K. Gulati, R.S. Boddu, D. Kapila, S.L. Bangare, N. Chandnani, G. Saravanan // Materials Today: Proceedings - 2022. -Vol. 51. - P. 161-165.

5. Dheyab, O. A. Using the City's Surveillance Cameras to Create a Visual Sensor Network to Detect Fires / O. A. Dheyab, D. Yu. Chernikov, A. S. Selivanov // Journal of Siberian Federal University. Engineering and Technologies. - 2024. - Vol. 17, No. 2. - P. 266-275.

6. Dheyab, O. A. Integration of Deep Learning and Wireless Sensor Networks for Accurate Fire Detection in Indoor Environment / O. A. Dheyab, D. Yu. Chernikov, A. S. Selivanov // Journal of Siberian Federal University. Engineering and Technologies. - 2024. - Vol. 17, No. 1. - P. 124-135.

7. Деяб, О. А. Улучшение эффективности пожарных водометов за счет использования глубокого обучения и беспроводной сенсорной сети / О. А. Деяб, Д. Ю. Черников, А. С. Селиванов // Автоматизация и информатизация ТЭК. - 2024. - № 8(613). - С. 26-33.

8. Jayapandian N. Cloud enabled smart firefighting drone using internet of things / N. Jayapandian // 2019 International Conference on Smart Systems and Inventive Technology (ICSSIT). IEEE, 2019, - pp. 1079-1083. DOI 10.1109/ICSSIT46314.2019.8987873.

9. Деяб, О. А. Эффективное обнаружение пожара с использованием технологии lorawan и глубокого обучения в беспроводных сенсорных сетях / О. А. Деяб, А. С. Селиванов, Д. Ю. Черников // Информационные системы и технологии. -2024. - № 2(142). - С. 70-79.

10. Abdusalomov A. B. An Improved Forest Fire Detection Method Based on the Detectron2 Model and a Deep Learning Approach / A. B. Abdusalomov, B. Md. S. Islam, R. Nasimov [et al.] // Sensors. - 2023. - Vol. 23, No. 3. - P. 1512. - DOI 10.3390/s23031512.

11. Li Y. Real-Time Early Indoor Fire Detection and Localization on Embedded Platforms with Fully Convolutional One-Stage Object Detection / Y. Li, J. Shang, M. Yan [et al.] // Sustainability. - 2023. - Vol. 15, No. 3. - P. 1794. - DOI 10.3390/su15031794.

12. Logeshwaran M. Designing an IoT based Kitchen Monitoring and Automation System for Gas and Fire Detection / M. Logeshwaran, J. Joselin// 2022 6th International Conference on Computing Methodologies and Communication (ICCMC). IEEE, 2022. - P. 346-353.

13. Sun, Yu. Fire and smoke precise detection method based on the attention mechanism and anchor-free mechanism / Yu. Sun, J. Feng // Complex and Intelligent Systems. - 2023. - Vol. 9, No. 5. - P. 5185-5198. - DOI 10.1007/s40747-023-00999-4.

14. Zhao J. Application of improved YOLO v4 model for real time video fire detection / J. Zhao, Wei, H., Zhao, X., Ta, N., & Xiao, M. // Basic & clinical pharmacology & toxicology,USA. - 2021. - Vol. 128. - P. 47.

15. Bharathi V. A CUSTOM YOLOV5-BASED REAL-TIME FIRE DETECTION SYSTEM: A DEEP LEARNING APPROACH / V. Bharathi, M. Vishwaa, K. Elangkavi, and V. H. Krishnan // Journal of Data Acquisition and Processing. - 2023. - Vol. 38, No. 2. - P. 441. -DOI 10.5281/zenodo.7766359.

16. Zhou T. Research on fire protection system based on deep learning / T. Zhou, P. Liang, Z. Zhang, Z. Dai, G. Li and H. Guo // 3rd International Conference on Robotics, Automation and Intelligent Control (ICRAIC), Zhangjiajie, China. - 2023, - P. 362-367,

17. Лебедев, А. А. Исследование нейросетевых алгоритмов обнаружения объектов на видеоизображениях в медицинских системах прикладного телевидения : специальность 05.12.04 "Радиотехника, в том числе системы и устройства телевидения" : диссертация на соискание ученой степени кандидата технических наук / Лебедев Антон Александрович, 2022. - 131 с.

18. Поздеев, А. А. Методы анализа и обработки изображений видимого оптического диапазона в системах поддержки врачебных решений : диссертация на соискание ученой степени кандидата технических наук / Поздеев Александр Анатольевич, 2023. - 169 с.

19. Зубов, И. Г. Обработка и анализ видеоданных в системе управления беспилотного автомобиля : специальность 2.2.13. : диссертация на соискание ученой степени кандидата технических наук / Зубов Илья Геннадьевич, 2022. - 134 с.

20. Сконников, П. Н. Алгоритмы комплексирования изображений различных спектральных диапазонов в телевизионных системах улучшенного видения для поисково-спасательных работ : диссертация на соискание ученой степени кандидата технических наук / Сконников Пётр Николаевич. - Рязань, 2022. - 162 с.

21. Raja A. A Review on Wireless Sensor Networks: Routing / A. Raja Basha // Wireless Personal Communications. - 2022. - Vol. 125, No. 1. - P. 897-937. - DOI 10.1007/s11277-022-09583-4.

22. Amutha, J. WSN Strategies Based on Sensors, Deployment, Sensing Models, Coverage and Energy Efficiency: Review, Approaches and Open Issues / J. Amutha, S. Sharma, Ja. Nagar // Wireless Personal Communications. - 2020. - Vol. 111, No. 2. - P. 1089-1115. - DOI 10.1007/s11277-019-06903-z.

23. Al-Qurabat, A. K. M. Two-level energy-efficient data reduction strategies based on SAX-LZW and hierarchical clustering for minimizing the huge data conveyed on the

internet of things networks / A. K. M. Al-Qurabat, S. A. Abdulzahra, A. K. Idrees // The Journal of Supercomputing. - 2022. - Vol. 78, No. 16. - P. 17844-17890. - DOI 10.1007/s11227-022-04548-7.

24. Al-Qurabat A. K. An overview of periodic wireless sensor networks to the internet of things / A. K. Al-Qurabat, S. A. Abdulzahra // In IOP conference series: materials science and engineering. IOP Publishing. - 2020. - Vol. 928, No. 3. - P. 032055.

25. Prasanth A. Implementation of efficient intra-and inter-zone routing for extending network consistency in wireless sensor networks / A. Prasanth S. Pavalarajan //Journal of Circuits, Systems and Computers. - 2020. - Vol. 29, No. 08. - P. 2050129.

26. Lavanya S. A Tuned classification approach for efficient heterogeneous fault diagnosis in IoT-enabled WSN applications / S. Lavanya, A. Prasanth, S. Jayachitra, A. Shenbagarajan // Measurement. - 2021. - Vol. 183. - P. 109771.

27. Ma K. Reliability-constrained throughput optimization of industrial wireless sensor networks with energy harvesting relay / K. Ma, Z. Li, P. Liu, J. Yang, Y. Geng, B. Yang, X. Guan // IEEE Internet of Things Journal. - 2021. - Vol. 8, No. 17. - P. 1334313354.

28. Nakas C. Energy Efficient Routing in Wireless Sensor Networks: A Comprehensive Survey / C. Nakas, D. Kandris, G. Visvardis // Algorithms. - 2020. - Vol. 13, No. 3. - P. 72.

29. Singh A. P. Evolution of wireless sensor network design from technology centric to user centric: an architectural perspective / A. P. Singh, A. K. Luhach, X. Z. Gao, S. Kumar, D. S. Roy // International Journal of Distributed Sensor Networks. - 2020. - Vol. 16, No. 8. - P. 1550147720949138.

30. Taranath, N. L. Design and development of efficient secure routing mechanism for wireless sensor network / N. L. Taranath, H. R. Roopashree, A. C. Yogeesh, L. M. Darshan // Energy conservation solutions for fog-edge computing paradigms. - 2022. - P. 233-266.

31. Arioua, M. Multi-hop cluster based routing approach for wireless sensor networks / M. Arioua, Y. El Assari, I. Ez-Zazi, A. El Oualkadi // Procedia Computer Science.

- 2016. - Vol. 83. - P. 584-591.

32. Sharma I. Performance evaluation of PEGASIS protocol for WSN using NS2 / I. Sharma, R. Singh, M. Khurana // International Conference on Advances in Computer Engineering and Applications. IEEE, 2015. - P. 926-929

33. Choudhary A. FEHCA: A Fault-Tolerant Energy-Efficient Hierarchical Clustering Algorithm for Wireless Sensor Networks / A. Choudhary, S. Kumar, S. Gupta, M. Gong, A. Mahanti // Energies. - 2021. - Vol. 14, No. 13. - P. 3935.

34. Oroza C. A. Wireless-sensor network topology optimization in complex terrain: A bayesian approach / C. A. Oroza, J. A. Giraldo, M. Parvania, T. Watteyne // IEEE Internet of Things Journal. - 2021. - Vol. 8, No. 24. - P. 17429-17435.

35. Nourildean, Sh. W. Internet of things based wireless sensor network: a review / Sh. W. Nourildean, M. D. Hassib, Y. A. Mohammed // Indonesian Journal of Electrical Engineering and Computer Science. - 2022. - Vol. 27, No. 1. - P. 246. - DOI 10.11591/ijeecs.v27.i1.pp246-261.

36. Ahmad R. Optimization Algorithms for Wireless Sensor Networks Node Localization: An Overview / R. Ahmad, W. Alhasan, R. Wazirali, N. Aleisa // IEEE Access.

- 2024. - Vol. 12. - P. 50459-50488. - DOI 10.1109/access.2024.3385487.

37. Fahmy H. M. Protocol stack of WSNs / H. M. Fahmy, H. M. Fahmy // Concepts, Applications, Experimentation and Analysis of Wireless Sensor Networks. - 2021. - P. 5366.

38. Tournier J. A survey of IoT protocols and their security issues through the lens of a generic IoT stack/ J. Tournier, F. Lesueur, F. Le Mouel, [et al.] // Internet of Things. -2021. - Vol. 16. - P. 100264.

39. Sharma P. K. Low power communication in wireless sensor networks and IoT / P. K. Sharma, J. Singh, V. Pal // Smart Sensor Networks Using AI for Industry 4.0. CRC Press, 2021. - P. 221-233.

40. Wu Ch. Wi-Fi Can Do More: Toward Ubiquitous Wireless Sensing / Ch. Wu, B. Wang, O. C. Au, K. J. R. Liu // IEEE Communications Standards Magazine. - 2022. -Vol. 6, No. 2. - P. 42-49. - DOI 10.1109/mcomstd.0001.2100111.

41. Hu Y. Throughput analysis of low-latency IoT systems with QoS constraints and finite blocklength codes. / Y. Hu, Y. Li, M. C. Gursoy, S. Velipasalar, A. Schmeink // IEEE Transactions on Vehicular Technology. - 2020. - Vol. 69, No. 3. - P. 3093-3104.

42. Samijayani, O. N. Hybrid ZigBee and WiFi wireless sensor networks for hydroponic monitoring / O. N. Samijayani, R. Darwis, S. Rahmatia, A. Mujadin, D. Astharini // International Conference on Electrical, Communication, and Computer Engineering (ICECCE). IEEE, 2020. - P. 1-4

43. Devalal S. LoRa technology-an overview / S. Devalal, A. Karthikeyan // second international conference on electronics, communication and aerospace technology (ICECA). IEEE, 2018. - P. 284-290.

44. Farhad, A. LoRaWAN Meets ML: A Survey on Enhancing Performance with Machine Learning / A. Farhad, Ja. Y. Pyun // Sensors. - 2023. - Vol. 23, No. 15. - P. 6851.

- DOI 10.3390/s23156851.

45. Кузьмин, Д. А. Обзор технологии LoRaWAN / Д. А. Кузьмин // Интеграция наук. - 2018. - № 7(22). - С. 138-139.

46. Almuhaya M. A. M. A Survey on LoRaWAN Technology: Recent Trends, Opportunities, Simulation Tools and Future Directions / M. A. M. Almuhaya, W. A. Jabbar, N. Sulaiman, S. Abdulmalek // Electronics. - 2022. - Vol. 11, No. 1. - DOI 10.3390/electronics11010164.

47. Li H. Enhancing the Performance of 802.15.4-Based Wireless Sensor Networks With NB-IoT / H. Li, W. Dong, Y. Wang [et al.] // IEEE Internet of Things Journal. - 2020.

- Vol. 7, No. 4. - P. 3523-3534. - DOI 10.1109/JIOT.2020.2972512.

48. Koshariya A. K. Ai-enabled iot and wsn-integrated smart agriculture system / A. K. Koshariya, D. Kalaiyarasi, A. A. Jovith, T. Sivakami, D. S. Hasan // Artificial

Intelligence Tools and Technologies for Smart Farming and Agriculture Practices. IGI Global. - 2023.- P. 200-218.

49. Osamy W. Recent Studies Utilizing Artificial Intelligence Techniques for Solving Data Collection, Aggregation and Dissemination Challenges in Wireless Sensor Networks: A Review / W. Osamy, A. A. El-Sawy, A. M. Khedr [et al.] // Electronics. - 2022.

- Vol. 11, No. 3. - p.313. - DOI 10.3390/electronics11030313.

50. Redmon J. You only look once: Unified, real-time object detection / J. Redmon, S. Divvala, R. Girshick, A. Farhadi // Proceedings of the IEEE conference on computer vision and pattern recognition - 2016.- P. 779-788.

51. Yu N. Video flame detection method based on twostream convolutional neural network / N. Yu, Y. Chen // Proceedings of 2019 IEEE 8th Joint International Information Technology and Artificial Intelligence Conference, ITAIC 2019 : 8, Chongqing, 24-26 мая 2019 года. - Chongqing, 2019. - P. 482-486. - DOI 10.1109/ITAIC.2019.8785841.

52. Jain P. A review of machine learning applications in wildfire science and management / P. Jain, S. C. P. Coogan, M. D. Flannigan [et al.] // Environmental Reviews. -2020. - Vol. 28, No. 4. - P. 478-505. - DOI 10.1139/er-2020-0019.

53. Turner S. Security vulnerabilities of the top ten programming languages: C, Java, C++, Objective-C, C#, PHP, Visual Basic, Python, Perl, and Ruby / S. Turner // Journal of Technology Research. - 2014. - Vol. 5. - P. 1.

54. Giorgi, F. M. The R Language: An Engine for Bioinformatics and Data Science / F. M. Giorgi, C. Ceraolo, D. Mercatelli // Life. - 2022. - Vol. 12, No. 5. - P. 648. - DOI 10.3390/life12050648.

55. Gao K. Julia language in machine learning: Algorithms, applications, and open issues / K. Gao, G. Mei, F. Piccialli, S. Cuomo, J. Tu, Z. Huo // Computer Science Review.

- 2020. - Vol. 37. - P. 100254.

56. Zhang, C. Study on artificial intelligence: The state of the art and future prospects / C. Zhang, Y. Lu // Journal of Industrial Information Integration. - 2021. - Vol. 23. - P. 100224. - DOI 10.1016/j.jii.2021.100224.

57. Sworna N. S. Towards development of IoT-ML driven healthcare systems: A survey / N. S. Sworna, A. K. M. M. Islam, S. Shatabda, S. Islam // Journal of Network and Computer Applications. - 2021. - Vol. 196. - P. 103244. - DOI 10.1016/j.jnca.2021.103244.

58. Mohamed, N. Current trends in AI and ML for cybersecurity: A state-of-the-art survey / N. Mohamed // Cogent Engineering. - 2023. - Vol. 10, No. 2. - p.2272358. - DOI 10.1080/23311916.2023.2272358.

59. Ozbayoglu A. M. Deep learning for financial applications: A survey / A. M. Ozbayoglu, M. U. Gudelek, O. B. Sezer // Applied soft computing. - 2020. - Vol. 93. - P. 106384.

60. Ren P. A Survey of Deep Active Learning / P. Ren, Y. Xiao, X. Chen [et al.] // ACM Computing Surveys. - 2022. - Vol. 54, No. 9. - p. 1-40. - DOI 10.1145/3472291.

61. Heidari A. Applications of ML/DL in the management of smart cities and societies based on new trends in information technologies: A systematic literature review / A. Heidari, N. Ja. Navimipour, M. Unal // Sustainable Cities and Society. - 2022. - Vol. 85.

- P. 104089. - DOI 10.1016/j.scs.2022.104089.

62. Alafif T. Machine and deep learning towards COVID-19 diagnosis and treatment: survey, challenges, and future directions / T. Alafif, A. M. Tehame, S. Bajaba, A. Barnawi, S. Zia // International journal of environmental research and public health. - 2021.

- Vol. 18, No. 3. - P. 1117.

63. Qiu Ya. Deep Learning Challenges and Prospects in Wireless Sensor Network Deployment / Ya. Qiu, L. Ma, R. Priyadarshi // Archives of Computational Methods in Engineering. - 2024. -p.1-24. - DOI 10.1007/s11831-024-10079-6.

64. Kim, T. Machine learning for advanced wireless sensor networks: A review / T. Kim, L. F. Vecchietti, K. Choi, S. Lee, D. Har // IEEE Sensors Journal. - 2020. - Vol. 21, No. 11. - P. 12379-12397.

65. Ahmad, R. Machine Learning for Wireless Sensor Networks Security: An Overview of Challenges and Issues / R. Ahmad, R. Wazirali, T. Abu-Ain // Sensors. - 2022.

- Vol. 22, No. 13. - P. 4730. - DOI 10.3390/s22134730.

66. Kim. H. Object Detection and Classification Based on YOLO-V5 with Improved Maritime Dataset / Ju. H. Kim, N. Kim, Y. W. Park, Ch. S. Won // Journal of Marine Science and Engineering. - 2022. - Vol. 10, No. 3. - P. 377. - DOI 10.3390/jmse10030377.

67. Mathew, M. P. Leaf-based disease detection in bell pepper plant using YOLO v5 / M. P. Mathew, T. Ya. Mahesh // Signal, Image and Video Processing. - 2022. - Vol. 16, No. 3. - P. 841-847.

68. Wu T. Real-Time Vehicle and Distance Detection Based on Improved Yolo v5 Network / T. Wu, T. Wang, Y. Liu // 3rd World Symposium on Artificial Intelligence (WSAI), Guangzhou, China, - 2021. - P. 24-28

69. Омер, А. Д. Использование глубокого обучения для повышения эффективности беспроводных сенсорных сетей / А. Д. Омер, Д. Ю. Черников, А. С. Селиванов // Радиотехнические и телекоммуникационные системы. - 2024. - № 3(55).

- С. 34-42.

70. Xu R. A forest fire detection system based on ensemble learning / R. Xu, H. Lin, K. Lu [et al.] // Forests. - 2021. - Vol. 12, No. 2. - P. 1-17. - DOI 10.3390/f12020217.

71. Abdusalomov A. B. Improved Real-Time Fire Warning System Based on Advanced Technologies for Visually Impaired People / A. B. Abdusalomov, M. Mukhiddinov, A. Kutlimuratov, T. K. Whangbo // Sensors. - 2022. - Vol. 22, No. 19. - P. 7305. - DOI 10.3390/s22197305.

72. Toulouse T. Computer vision for wildre research: An evolving image dataset for processing and analysis / T. Toulouse, L. Rossi, A. Campana, T. Celik, M. Akhloufi / Fire Safety Journal. - 2017. - Vol. 92. - P. 188-194.

73. Bhalerao, R. Sign Language Detection using Machine Learning / R. Bhalerao // INTERANTIONAL JOURNAL OF SCIENTIFIC RESEARCH IN ENGINEERING AND MANAGEMENT. - 2022. - Vol. 06, No. 11. - P. 135-143.

74. Li S. YOLO-FIRI: Improved YOLOv5 for Infrared Image Object Detection / S. Li, Y. Li, M. Li, X. Xu // IEEE Access. - 2021. - Vol. 9. - P. 141861-141875. - DOI 10.1109/ACCESS.2021.3120870.

75. Анализ отдельных требований СП 484.1311500.2020 / Д. А. Степаненко, К. А. Попонин, С. А. Сурков [и др.] // Актуальные проблемы пожарной безопасности : материалы XXXV Международной научно-практической конференции, Москва, 31 мая 2023 года. - Москва: Всероссийский ордена "Знак Почета" научно-исследовательский институт противопожарной обороны Министерства Российской Федерации по делам гражданской обороны, чрезвычайным ситуациям и ликвидации последствий стихийных бедствий, 2023. - С. 275-278.

76. Wehling P. Probability of Detection (POD) as a Statistical Model for the Validation of Qualitative Methods/ P. Wehling, R. A. LaBudde, S. L. Brunelle, M. T. Nelson // Journal of AOAC INTERNATIONAL. - 2011. - Vol. 94, No. 1. - P. 335-347.

77. Mukherjee A. Survey on internet of things based intelligent wireless sensor network for fire detection system in building / A. Mukherjee, S. K. Shome, P. Bhattacharjee // Communication and Control for Robotic Systems. - 2022. - P. 193-200.

78. Moussa, N. A novel approach of WSN routing protocols comparison for forest fire detection / N. Moussa, A. El Belrhiti El Alaoui, C. Chaudet // Wireless Networks. - 2020. - Vol. 26, No. 3. - P. 1857-1867. - DOI 10.1007/s11276-018-1872-3.

79. Sharma A. An integrated fire detection system using IoT and image processing technique for smart cities / A. Sharma, P. K. Singh, Y. Kumar // Sustainable Cities and Society. - 2020. - Vol. 61. - P. 102332.

80. Mahgoub A. Fire alarm system for smart cities using edge computing / A. Mahgoub, N. Tarrad, R. Elsherif, L. Ismail, A. Al-Ali // 2020 IEEE International Conference on Informatics, IoT, and Enabling Technologies (ICIoT). - P. 597-602.

81. Nozick V. Application sensors in smart cities deployment / V. Nozick // Big data and computing visions. - 2023. - Vol. 3, No. 1. - P. 32-38.

82. Jouhari M. A Survey on Scalable LoRaWAN for Massive IoT: Recent Advances, Potentials, and Challenges / M. Jouhari, N. Saeed, M. S. Alouini, El. M. Amhoud // IEEE Communications Surveys & Tutorials. - 2023. - Vol. 25, No. 3. - P. 1841-1876. -DOI 10.1109/comst.2023.3274934.

83. Brito T. Data Acquisition Filtering Focused on Optimizing Transmission in a LoRaWAN Network Applied to the WSN Forest Monitoring System / T. Brito, B. F. Azevedo, J. Mendes [et al.] // Sensors. - 2023. - Vol. 23, No. 3. - P. 1282. - DOI 10.3390/s23031282.

84. Tao X. Integrating UAV and LoRaWAN in WSN for intelligent monitoring in large-scale rural farms / X. Tao, S. Silvestri // 2023 IEEE international conference on pervasive computing and communications workshops and other affiliated events (PerCom Workshops). - 2023. - P. 166-167.

85. Hilmani A. Automated real-time intelligent traffic control system for smart cities using wireless sensor networks / A. Hilmani, A. Maizate, L. Hassouni // Wireless Communications and mobile computing. - 2020. -Vol. 2020, No. 1. - P. 8841893.

86. Nurlan Z. Wireless Sensor Network as a Mesh: Vision and Challenges / Z. Nurlan, T. Zhukabayeva, M. Othman [et al.] // IEEE Access. - 2022. - Vol. 10. - P. 46-67. -DOI 10.1109/ACCESS.2021.3137341.

87. Zahra, M. M. A. Artificial intelligent smart home automation with secured camera management-based GSM, cloud computing and arduino / M. M. A. Zahra, M. J. Mohsin, L. A. Abdul-Rahaim // Periodicals of Engineering and Natural Sciences. - 2020. -Vol. 8, No. 4. - P. 2160-2168.

88. Wu K. Do You See What I See?Detecting Hidden Streaming Cameras Through Similarity of Simultaneous Observation / K. Wu, B. Lagesse // 2019 IEEE International Conference on Pervasive Computing and Communications (PerCom, Kyoto, Japan, 2019). - P. 1-10. DOI 10.1109/PERCOM.2019.8767411.

89. Ji Zh. Perovskite Wide-Angle Field-Of-View Camera / Zh. Ji, Yu. Liu, Ch. Zhao [et al.] // Advanced Materials. - 2022. - Vol. 34, No. 41. - DOI 10.1002/adma.202206957.

90. Dziarki K. Selection of the size of field of view in thermal imaging observations of small areas / K. Dziarki, A. Hulewicz, Z. Krawiecki // ITM Web of Conferences. EDP Sciences 2019. - Vol. 28. - P. 01040.

91. Barmpoutis P. A review on early forest fire detection systems using optical remote sensing / P. Barmpoutis, P. Papaioannou, K. Dimitropoulos, N. Grammalidis // Sensors. - 2020. - Vol. 20, No. 22. - P. 6442. - DOI 10.3390/s20226442.

92. Dheyab, O. A. Fire Size Calculation for Automatic Calibration of Water Spray Nozzle in Firefighting Robots / O. A. Dheyab, D. Chernikov, A. Selivanov // IEEE Proccedings of 5th International Conference on Control Systems, Mathematical Modeling, Automation and Energy Efficiency (SUMMA), Lipetsk, 08-10 ноября 2023 года. - Lipetsk: Lipetsk State Technical University, 2023. - P. 231-234. - DOI 10.1109/SUMMA60232.2023.10349438.

93. Yar H. An efficient deep learning architecture for effective fire detection in smart surveillance / H. Yar, Z. A. Khan, I. Rida [et al.] // Image and Vision Computing. -2024. - Vol. 145. - P. 104989. - DOI 10.1016/j.imavis.2024.104989.

94. Zhou X. Evaluation of automatic water cannon for fire protection of low-piled storage in high-clearance facilities / X Zhou, Y Xin, S. Dorofeev // Fire Safety Journal. -2021. - Vol. 854. - P. 103080. - DOI 10.1016/j.firesaf.2020.103080.

95. Yang W. Brief Talk on Fire-fighting Water Cannon / W. Yang // Technology Innovation and Application. - 2016. - Vol. 15. - P. 287.

96. Gao D. A Control Method for Water Cannon of Unmanned Fireboats Considering Wind and Ship Motion Disturbances / D. Gao, W. Xie, Ch. Bao [et al.] // Journal of Marine Science and Engineering. - 2023. - Vol. 11, No. 2. - P. 445. - DOI 10.3390/jmse11020445.

97. Xiang Q. Influence of splitter plate on the hydraulic performance of the curved barrel of firefighting water cannon / Q. Xiang, Ju. Liu, D. Ye, X. Wang // Journal of

Mechanical Science and Technology. - 2022. - Vol. 36, No. 2. - P. 775-784. - DOI 10.1007/s12206-022-0125-7.

98. Duan L. Review of automatic fire water monitor system / L. Duan, X. Hou // Journal of Physics. Conference Series. - 2021. - Vol. 1894, No. 1. - P. 012013.

99. Gilang R. F. Implementation and Analysis of WiFi Human Interface Device (HID) USB Using ATMEGA32U4 and ESP8266 / Gilang R. F, Ika M. L. // Jurnal E-Komtek. - 2023. - Vol. 7, No. 2. - P. 329-335. - DOI 10.37339/e-komtek.v7i2.1478.

100. Yin S. Interconnecting WiFi Devices with IEEE 802.15.4 Devices without Using a Gateway / S. Yin, Q. Li, O. Gnawali // 2015 International Conference on Distributed Computing in Sensor Systems, Fortaleza, Brazil. - 2015. - P. 127-136.

101. Toma C. I. Application of SCADA System in an Electrical Substation and Remote Terminal Unit Parametrization / C. I. Toma, M. Popescu, I. C. Popa // 2023 International Conference on Electromechanical and Energy Systems (SIELMEN), Craiova,Romania. - 2023. - P. 1-6. - DOI /10.1109/SIELMEN59038.2023.10290773.

102. Salahuddin B. Development of a High Performance Remote Terminal Unit (RTU) of Wireless SCADA System for Monitoring Performance of Micro Hydro Power Plant / B Salahuddin, F. Yusman // IOP Conference Series: Materials Science and Engineering. - 2020. - Vol. 854, No. 1. - P. 012009.

103. Lekidis A. Predictive Maintenance Framework for Fault Detection in Remote Terminal Units / A. Lekidis, A. Georgakis, Ch. Dalamagkas, E. I. Papageorgiou // Forecasting. - 2024. - Vol. 6, No. 2. - P. 239-265. - DOI 10.3390/forecast6020014.

104. Деяб, О. А. Использование беспроводных сенсорных сетей и облачных вычислений для управления системой автоматического пожаротушения / О. А. Деяб, Д. Ю. Черников, А. С. Селиванов // Автоматизация и информатизация ТЭК. - 2024. -№ 12(617). - С. 22-30.

105. Thopate K. Enhancing Ultrasonic Sensor Goggles for Blinds Using Node MCU ESP8266 Microprocessor / K. Thopate, K. Shirbavikar, R. V. Kulkarni, R Phursule, V Kale,

S Karjule, K Suhas, S. Kale // International Journal of Intelligent Systems and Applications in Engineering. - 2024. - Vol. 12, No. 1. - P. 611-618.

106. Zinkevich, A. V. ESp8266 microcontroller application in wireless synchronization tasks / A. V. Zinkevich // Proceedings - 2021 International Conference on Industrial Engineering, Applications and Manufacturing, ICIEAM 2021, Sochi, 17-21 мая 2021 года. - Sochi, 2021. - P. 670-674. - DOI 10.1109/ICIEAM51226.2021.9446411.

107. Jolles, J. W. A Broad-scale applications of the Raspberry Pi: A review and guide for biologists / J. W. Jolles // Methods in Ecology and Evolution. - 2021. - Vol. 12, No. 9. -P. 1562-1579.

108. Ghael H. D. A review paper on raspberry pi and its applications / H. D. Ghael, L. Solanki, G. Sahu. // International Journal of Advances in Engineering and Management (IJAEM). - 2020. - Vol. 2, No. 12. - P. 4.

109. Karthikeyan S. A Systematic Analysis on Raspberry Pi Prototyping: Uses, Challenges, Benefits, and Drawbacks / S. Karthikeyan, R. A. Raj, M. V. Cruz [et al.] // IEEE Internet of Things Journal. - 2023. - Vol. 10, No. 16. - P. 14397-14417. - DOI 10.1109/jiot.2023.3262942.

110. Kahmen O. Impact of stereo camera calibration to object accuracy in multimedia photogrammetry / O. Kahmen, R. Rofallski, T. Luhmann // Remote Sensing. -2020. - Vol. 12, No. 12. - P. 2057.

111. Fischer M. Stereo Camera Setup for 360° Digital Image Correlation to Reveal Smart Structures of Hakea Fruits / M. Fischer, M. D. Mylo, L. S. Lorenz [et al.] // Biomimetics. - 2024. - Vol. 9, No. 3. - P. 191. - DOI 10.3390/biomimetics9030191.

112. Pons M. Utilization of 5G Technologies in IoT Applications: Current Limitations by Interference and Network Optimization Difficulties—A Review / M. Pons, E. Valenzuela, B. Rodríguez [et al.] // Sensors. - 2023. - Vol. 23, No. 8. - P. 3876. - DOI 10.3390/s23083876.