딥러닝을 이용한 실시간 화재 감지기
Deep Learning Based Fire And Smoke Detection Systems in Camera
0
조회
0
다운로드
4
인용
0
참고문헌
키워드
초록
기존에 존재하는 화재 감지기는 센서를 이용한 방식으로 많은 오작동과 유지 비용이 발생했다. 이런 문제점들을 보완하기 위해 딥러닝 기반의 새로운 방식의 화재 감지기를 제안한다. 화재 이미지, 화재가 발생하지 않은 정상 이미지, 연기 또는 연무 이미지를 각각 900장씩 넣어 모델을 훈련하였다. 각 클래스의 사진들에 특징을 읽어 모델은 해당 이미지가 어떤 상태인지를 판단한다. 이를 실시간 카메라를 이용하여 화재가 발생하는 즉시 화재 유무를 판단하는 화재 감지기로 활용하는 것이다. 해당 모델을 훈련하고 성능을 검사한 결과 화재(Fire) 클래스의 F1-score는 90%, 0.98의 AUC를 얻었다.
Abstract
Fires causes a lot of property damage and death. Therefore, early detection of fires is critical to protect property and life. In order to detect the fires, sensors based fire detection systems have been used. The sensor based detection systems contain smoke or/and heat detection sensors. However, the sensors are very sensitive to dust, moisture, and the other chemical pollutant, resulting in malfunction and false alarm. To improve the problems, this paper proposes deep learning algorithm based fire detection systems. Moreover, besides fire and neutral modes, a function of smoke detection is additionally developed because smoke comes first before fires. Therefore, in this research, three classes, i.e., fire, neutral, and smoke. To construct balanced datasets, 900 images for each classes are used. 80 percentage of the dataset is used for train mode and remaining dataset is used for validation mode. To optimize the proposed neural network in train mode, adaptive moment estimation (Adam) is used. In addition, as for hyper parameters in train mode, we used 8192, 128, and 0.0005 as for batch size, epochs, and learning rate. With the trained model, performance evaluation was conducted, we obtained fire f1 score of 0.901, neutral f1-score of 0.821, and smoke f1-score of 0.782, resulting in average f1-score of 0.835. In the area under receiver operating characteristic (ROC) curve (AUC) tests, we achieved fire AUC of 0.98, neutral AUC of 0.95, and smoke AUC of 0.93.
참고문헌 (18)
- "Number of fires and property damage"[URL]
- 이복영, "이온화식 연기감지기의 기류응답특성 연구", 한국화재소방학회 논문지, 17(2) (2003), 한국화재소방학회
- 김시국, "광전식연기감지기 현장점검기기의 문제점에 관한 연구", 한국화재소방학회 논문지, 23(4), pp.137~144 (2009), 한국화재소방학회
- 류호철, "열감지기의 설치위치에 따른 동작 시간 분석", 한국방재학회논문집, 14(5), pp.267~274 (2014), 한국방재학회
- 이형대, "Rack형 창고에서의 연기감지기와 영상처리를 이용한 고 신뢰성 화재 감지 시스템 개발", 한국지식정보기술학회 논문지, 15(1), pp.1~10 (2020), 한국지식정보기술학회[DOI]
- 김경배, "머신러닝 기반의 화재 피해 예측 모델 비교 - 재산피해와 인명피해를 중심으로", 한국지식정보기술학회 논문지, 17(4), pp.647~655 (2022), 한국지식정보기술학회[DOI]
- 백동현, "무선통신기능을 갖는 화재감지기 회로에 대한 연구", 한국화재소방학회 논문지, 24(1), pp.111~115 (2010), 한국화재소방학회
- 백승현, "화재감지기를 사용한 발화점추적기반의 자동소방시스템 설계 및 구현", 대한임베디드공학회논문지, 8(3), pp.155~161 (2013), 대한임베디드공학회
- K. Chen, "Research on image fire detection based on support vector machine", 9th International Conference on Fire Science and Fire Protection Engineering (ICFSFPE), pp.1~7 (2019)
- M. Dua, "An improved approach for fire detection using deep learning models", International Conference on Industry 4.0Technology (I4Tech), pp.171~175 (2020)
- A. Jha, "Early fire detection using deep learning", International Conference on Artificial Intelligence and Machine Vision (AIMV), pp.1~6 (2021)
- H. N. Vu, "Investigation of deep learning method for fire detection from videos", International Conference on Information and Communication Technology Convergence (ICTC), pp.593~595 (2021)
- I. Lee, "Multiple-scale fire detection based on one-stage deep learning model", International Conference on Electronics, Information, and Communication (ICEIC), pp.1~3 (2022)
- J. Han, "Predictive models of fire via deep learning exploiting colorific variation", International Conference on Artificial Intelligence in Information and Communication (ICAIIC), pp.579~581 (2019)
- X. Wu, "An adaptive threshold deep learning method for fire and smoke detection", IEEE International Conference on Systems, Man, and Cybernetics (SMC), pp.1954~1959 (2017)
- "Fire-Smoke-Dataset"[URL]
- "Fire and Smoke Dataset"[URL]
- 서상민, "감시 카메라를 이용한 딥러닝 기반의 화재 경보 시스템", 한국지식정보기술학회 논문지, 16(3), pp.423~432 (2021), 한국지식정보기술학회[DOI]