在资源受限的物联网环境中视觉传感器实时火灾探测

文摘

火灾探测和管理是非常重要的,防止社会、生态和经济损失。然而,实现实时火灾探测精度较高的物联网环境中是一项非常具有挑战性的任务,由于有限的存储、传输和计算资源。为了克服这些挑战,早期火灾探测和自动反应是非常重要的。因此,我们开发一种新型的框架基于一个轻量级的卷积神经网络(CNN),需要更少的培训时间,适用于资源受限的设备上。的内部架构提出的模型是基于块的启发VGG16架构明显减少了参数的数量,输入大小,推理时间,相对早期火灾探测的精度高。在提出的模型中,小型制服卷积过滤器是使用专门捕捉细节的顺序输入火灾图像越来越多的渠道帮助有效的特征提取。该模型评估基准福贾等两个数据集的数据集和新创建的小型火灾探测与极具挑战性真实图像数据集包含一个高级的多样性。实验结果对数据集进行的更好的性能相比,该模型的准确性,假阳性率,模型大小,和运行时间,这表明其鲁棒性和可行的安装在真实的场景中。

1。介绍

野火,非常灾难性的灾难,导致森林的破坏,人类的资产,收益降低土壤肥力,土地资源,是全球变暖的主要原因。火灾是一个毁灭性的自然灾害,对生物和生态环境带来的不利影响。住的地方通常是建筑包围,耕地和森林火灾事件的发生可以威胁到人类的生命和财产。纵观全球,野火,建筑火灾,车辆火灾对全球变暖产生巨大影响,生态系统,和经济,导致生物的损失。根据2018年世界火灾统计报告,在1993 - 2016,-450万- 2.5结构(建筑)火灾发生和来自57个国家的近62000名消防死亡报告(1]。根据国家消防数据系统(NFDS),在韩国,共有24539个结构消防病例报告,造成250人死亡,1646人受伤,直接财产损失705960美元从2020年9月到2021年9月2]。从2020年9月到2021年9月,在韩国,78219车辆发生火灾,造成461人死亡,1875人受伤,财产损失357609美元(3]。

与建筑和车辆火灾,火灾是最危险的自然灾害影响的生命周期。有许多森林大火的原因如气温升高,气候变化,从云,闪电火花掉落岩石,或擦干树在夏天(4]。森林大火造成的灾难已过去二十年在美国和全球其它国家。自2000年以来,平均72200森林大火烧毁周围七百万亩,每年和英亩的数量翻了一番自1990年代(5]。2016年、1161年南欧人受到森林大火导致损失55亿美元(6]。在北美和俄罗斯森林大火损坏100000公里²植被的土地。受火灾影响的人数在2016年是158290年,自2006年以来第三,但远非100万年从2007年的森林火灾在马其顿。加州林业部和防火报告说,在加州的历史,2018年被认为是最糟糕的一年,他们观察到7500大火几乎烧毁了1670000英亩的土地,影响超过100人的生命6]。这些惊人的事实促使研究人员开发一个有效的早期火灾探测和其管理的机制。为此,一些研究人员提出了软计算技术,以防止火灾扩大基于传统的火灾报警系统(cfa)和视觉传感器(7]。在cfa,研究者使用不同种类的标量传感器等火灾探测的光学传感器,火焰传感器和烟雾传感器,需要靠近火。标量传感器系统失败的上下文中提供额外信息,如覆盖的区域,燃烧程度,位置,和火的大小。此外,这些传感器人工交互的需求,即。,to visit a fire location for confirmation in case of any fire alarm. Considering such limitations, the researchers proposed different techniques based on visual sensors [7]。应用系统在火灾探测中发挥重要的作用,传统火灾探测(TFD)方法和DL-based方法用于监测系统的自动监测火灾灾害(8- - - - - -10]。这些算法快速反应的优势,减少人工干预,成本负担能力,更大的覆盖范围。但是,使用TFD-based火灾探测方法是一个具有挑战性和耗时的过程,因为TFD-based方法需要手工特征提取,特征工程和选择是乏味的工作,需要领域专家。特别是TFD-based方法,早期火灾探测和报警一代也挑战由于光照条件的变化,阴影,和较低的检测精度7]。考虑到DL的势模型在不同的领域,我们使用他们在我们的研究中,例如,火灾探测监控视频。DL提供端到端特征提取机制,但它需要大量的训练数据,计算昂贵。因此,在本文中,我们开发了一个轻量级(LW-CNN)模型有更好的检测精度,低误报率,可能被部署在资源受限的设备上(RCD)。本研究的主要贡献工作总结如下:(我)解决有限的计算资源的挑战真实世界的物联网设备,我们引入一个轻量级深模型,在实时恢复功能。该模型达到更好的准确性与数量有限的学习参数,即。,2。01和0.94million reduced parameters when compared to famous lightweight NASNetMobile and MobileNetV1 networks.(2)现有火灾探测数据集本质上是统一的,产生有限的模型的泛化,而我们收集一组不同的样本实际self-recorded视频、Facebook、新闻频道、YouTube视频。(3)我们执行不同的实验对福贾和新创建的火灾探测数据集使用AlexNet等不同的基线模型(11],VGG16 [12],ResNet50 [13],MobileNetV1 [14],NASNetMobile [15]。实验结果表明,该模型揭示了更好的结果的准确性,假警报率和时间复杂度比SOTA模型。

剩下的工作是结构如下:在部分2,我们提供了一个简短的解释文学及其优缺点,部分3解释该模型的内部体系结构,提出了数据集的细节和实验结果的解释部分4最后,我们总结论文部分5有几个研究社区未来的发展方向。

2。相关工作

在最近的文献中,一些研究人员展示他们的贡献在火灾探测领域包括cfa和视觉传感器系统。在cfa,不同的环境传感器,如烟雾、温度、和光敏用于火灾探测(16- - - - - -21]。然而,cfa方法需要近距离火如室内环境和失败等大型火灾探测距离的户外环境。此外,cfa不能提供额外的信息状态和燃烧的火。cfa系统需要人工干预,例如,访问一个火位置确认,以防任何警报。应对这些限制,许多视觉传感器火灾探测系统已经在文献[22,23]。

应用火灾探测系统分为两大类包括TFD和DL-based方法。TFD-based方法函数使用数字图像处理和模式识别技术。例如,刘等人使用三种不同的方法如时间、空间、光谱分析检测火灾区域在一个图像24]。然而,他们的方法是基于考虑火灾的不规则形状的假设,这并非总是如此移动对象也可以改变他们的形状。TFD方法包括小波分析和快速傅里叶变换(25)、火像素分类算法使用基于规则的通用的颜色(26]。此外,福贾等人应用运动分析,形状变化,颜色特征,bag-of-word火灾分类(27]。现有的方法还应用灰度共生矩阵法和直方图的梯度与支持向量机(28),背景减法,和颜色空间选择候选人火焰区域提取(29日]。TFD-based方法,手工制作的特征提取是一个非常繁琐,费时的过程,和这些方法未能实现高层次的准确性。DL-based方法使用闭路电视(CCTV)火灾探测监控系统发挥了重要作用,在端到端自动特征提取过程使这些模型更方便、可靠。

TFD相比,DL模型实现更好的性能而言,增加了准确性和减少了假警报。例如,Frizzi等人提出了一个自定义CNN-based架构烟雾和火灾探测30.]。他们利用一个非常有限的图像结果评价,不与任何SOTA方法比较他们的结果。2017年,夏尔马等人使用两个pretrained SOTA CNN模型对火灾探测,即。,VGG16 ResNet50。CNN-based模型对火灾探测监控系统用于监测灾害管理(10),作者使用pretrained AlexNet模型框架。除此之外,他们提出了一个智能相机选择基于优先级的机制。在本研究工作中,主要问题是他们的建议的体系结构的时间复杂度RCD难以部署。克服时间复杂度,提高了模型的性能,一组研究人员延长他们的工作和GoogLeNet类似神经结构用于高效的火灾探测监控视频(31日]。他们做实验在两个基准数据集,取得了更好的准确性比SOTA方法。在接下来的方法,汗等人提出了一个轻量级SqueezeNet架构有效的火灾探测和定位在监视32]。在这工作,他们也决定的强度检测火灾和观察的对象。汗等人提出了一项节能计划基于深CNN,可以有效地检测早期烟雾在雾蒙蒙的和正常的环境(8]。此外,在不确定的环境中,火灾探测汗等人提出轻量级深模型(14,33基于MobileNetV2 []34),一个轻量级的DCNN没有茂密的完全连接层是用来计算便宜的。他们减少了训练模型3 MB的大小,在不影响其性能和实现SOTA精度两个基准数据集(14]。阿斯兰等人开发的深卷积生成对抗神经网络的火灾探测(35]对真实图像和噪声向量训练;这里,鉴频器使用烟雾缭绕的图片没有发电机单独训练。提出的下一个方法是Hashemzadeh Zademehdi,健壮的颜色模型的候选人火灾探测区域。在他们提出的工作,motion-intensity-aware技术用于运动分析,时空特性用于区分火灾和非火灾区域(36]。许等人提出了一个深刻的特点网络探测森林火灾区域在一个图像37]。他们融合像素从cnn模型和对象级别的显著区域提取烟雾缭绕的凸起地图。比起舍希德和华愿景的基于变压器火灾探测方法,他们将图像分成大小相似的补丁来获得一个长期的关系。他们评估方法在两个基准数据集后汗et al。31日,33]评价策略;然而,他们的方法是不准确和计算方法相比贵由汗et al .森林火灾探测系统采用模糊熵优化提出的阈值和STN-Based CNN Reddy et al。38),一个空间变压器网络和基于熵函数的阈值操作将softmax层用于火灾现场的分类。在当前的文学,几个DL-based策略开发火灾探测,取得了令人信服的精度。然而,检测精度进一步需要改进假警报率减少到拯救生命和财产损失。此外,这些模型计算昂贵,需要强大的gpu和tpu。为了克服这些问题,在这项工作中,我们开发了一个LW-CNN-based火灾探测模型与检测精度高和低误报率,在恢复可以部署。

3所示。提出的方法

拟议的框架包括数据预处理和我们的模型定义、数据准备数据预处理技术用于训练和测试。此外,数据增强技术,如缩放、旋转,水平翻转,和对比度增强39)是用于生成新的图像从现有的增加培训例子优越的评估结果的大小和更好的泛化。增广数据集被用来训练不同的CNN模型。提出了框架的每一步的细节在后续部分中简要描述和可视化图1。

3.1。数据预处理

对原始数据预处理是指所有的转换之前美联储拟议中的端到端LW-CNN架构。例如,培训CNN对原始数据将减少分类性能的架构。此外,我们增加了输入数据通过数据进行扩展,以产生新的图像不同方向,位置,和规模,如图2和3,这可能会导致分类性能好(39]。在随后的部分,我们提供进一步的细节数据增加的步骤。数据增加:图像的巨大多样性使CNN架构更健壮的对具有挑战性的场景和模型更好地分类势,即。,使其意识到各种各样的数据结构具有不同比例的对象及其方向。这种方式,深度模型来处理所有这些变化,可以通过数据增加(40),这是一个最著名的技术来生成新的图像从现有的运用不同的图像转换和增强技术。在数据增加,模型学习相同的对象在不同角度的图像,提高了模型的泛化能力。为了这个目的,我们使用一些数据扩充和增强技术在训练模型。几何转换:这一步包括旋转、缩放,水平翻转,和我们使用这些步骤在每个图像数据集得到五个单从这个变换图像,如图2。对比度增强:这一步是用于去除图像对比度变化的影响因不同光照条件。中定义的对比度拉伸技术方程(1)是应用于输入图像引入对比变化,如在图3。在方程(1), 是输出图像,在哪里f(x,y)是输入像素值;年代₁,年代₂,r_1,和r₂调整参数的对比;一个₁,一个₂,一个₃是各种灰度区域比例因素。

3.2。该模型描述

cnn广泛应用在复杂的视觉识别等任务行动和活动识别(41),异常检测和识别42,43)、分类(44,45),对象检测(46),和各种其他识别、视频总结和细分任务(41- - - - - -49]。CNN架构包括卷积层(CL)、汇聚层,和完全连接层。深CNN包含一个输入,几个隐藏,完全连接,softmax层。深陷CNN,有几个数量的参数,当地接受字段,和不同的内核用于生成特征图提取显著特征的物体出现在图像。这些特征图主要是通过使用平均子样品,最小值,或maxpooling降维。选择一个合适的CNN模型对于特定的问题也是一个具有挑战性的任务获得准确的预测和平衡的计算复杂度。为此,我们首先分析了著名的性能ImageNet [50)和pretrained CNN架构如AlexNet VGG16, ResNet50, MobileNetV1, NASNetMobile,介绍我们新创建LW-CNN模型。我们的模型是专门设计从视觉数据有效地捕获火灾区域。因此,我们处理降低了输入图像的大小,这与现有的有线电视新闻网(12),捕捉有效火灾区域。此外,小型制服过滤器是部署在我们的模型来捕捉每一种小细节从输入图像,生成分类器学习更具代表性特征。实现细节CNN:体系结构的上下文中设置,每个都有自己的优缺点,如AlexNet和VGG16架构的设计和发展很容易实现,AlexNet架构被视为基线架构在DL,首次出现在ImageNet大赛并取得惊人的成果(11]。的VGG探讨了影响网络中增加CL的数量来提高其性能。作者提出VGG16, 16-layered架构相同的滤波器尺寸,这是一个健壮的特性提取器和大规模数据集上执行更好的和复杂的背景识别任务和显示显著改善分类的任务。尽管几个优点AlexNet VGG16,这些架构计算昂贵的模型的大小和学习参数。MobileNetV1, NASNetMobile ResNet50最近,健壮的、和计算更便宜的CNN架构,MobileNetV1和NASNetMobile RCD的专门设计。考虑恢复资源的动机,克服现有的轻量级模型的局限性,我们设计了CNN的架构,这是更适合RCD因为它的时间复杂度和值得信赖的任务进行调查的结果。找到显著减少在学习参数比较该模型和著名的轻量级NASNetMobile和MobileNetV1网络。LW-CNN学会331万年提出的参数在训练,这是2.01和094万参数少于NASNetMobile MobileNetV1,分别。拟议中的LW-CNN模型包括一个输入层,三个CL,两个完全连接层,和一个softmax层。每个CL后跟一个batch-normalization和二次抽样层(最大池)。 In the first CL, the input image is 128 × 128 having three channels: red, green, and blue with 32 different filters for deep features extraction, the size of each filter is 3 × 3, and we set a 1-pixel stride. In the second and third CL, the number of filters is increased to 64 and 128, respectively, and the remaining parameters are similar to the ones in the first CL. In the proposed model, we used the ReLu activation function in each layer. Next, in the first and second fully connected layer, 128 and 64 neurons are selected based on different experiments, and the output is fed into a softmax layer which produces a distribution over the two class labels such as fire and non-fire. The training parameters of the proposed model are given in Table1。

4所示。结果与讨论

本节提供了一个详细的讨论,评价指标,数据集,和视觉效果。首先,我们解释了实验装置和性能指标,接下来,我们提供的数据集的解释,最后给出评估结果。培训细节。所有的模型(消融研究)包括我们被训练使用30时代小学习速率,这样可以保留先前获得的大部分的知识网络。pretrained模型适度更新学习参数实现最佳目标数据集的结果。我们的烧蚀实验中使用的各种hyperparameters展示在表2。因此,我们使用默认的输入大小的每个网络再培训一批32岁的大小和随机梯度下降优化器动量(SGD-M)设置为1e4和0.9的势头。实验上执行NVIDIA GTX 2060图形处理单元(GPU)和16字节(GB)板载内存使用Keras DL框架TensorFlow后端。该模型的性能评价等几个评价矩阵精度,精度,还记得,F1-measure,假阴性率(FNR),假阳性率(玻璃钢)(也称为假警报率)32),在以下方程:

4.1。数据和结果评价

在本节中,我们简要解释这项工作中所使用的数据集,如福贾的视频数据集(27)和新创建的火灾探测的数据集。我们与各种CNN模型进行不同的实验,评估拟议的工作的性能。

以下4.4.1。结果评估使用福贾的数据集

我们选择福贾的数据集评估和比较的性能提出用SOTA LW-CNN架构方法。福贾的数据集是一个广泛使用的公开可用的基准数据集组成的31个室内和室外环境的视频,14个视频包含火灾场景,其余相关非火灾场景。总共14036张图片得到了从这些视频,然后均匀分布如火、不燃、两类,每个类由7018年的图像。我们70%的图像用于训练,验证为20%,剩下的10%是用于测试。福贾样本图像的数据集在图所示4。该模型的准确性和损失图如图福贾的数据集5。在实验中,模型训练30多个时代使用SGD优化器。培训和验证精度呈现在图5(一个),图5 (b)代表的培训和验证的损失。如图5,培训和验证准确性是每个时代后逐渐增加。在15^th时代,模型聚合与99%的训练,97%验证精度。

该模型的分类报告测试数据表3,精度、召回和F1-score火类0.97,0.98,和0.97,分别和精度,还记得,和不燃类F1-score 0.96, 0.97,和0.96,分别。

该模型的混淆矩阵测试数据使用福贾的数据集如图6,真正的优点是强度高的类别;该模型实现了99%和96%的准确率,不燃类,分别证明了该模型的效率在福贾的数据集。

该模型的性能与ANetFire [7],GNetFire [31日],CNNFire [32],ICA_K [36),维生素b / 32 [51],STN-CNN [38]。福贾的实验结果数据集而言,玻璃钢,FNR和精度表4。我们可以观察到ANetFire玻璃钢得分9.07和FNR 2.13的准确性达94.39%。玻璃钢、FNR和准确性通过GNetFire是0.054,1.5和94.43%,分别。CNNFire达到玻璃钢8.87,2.12 FNR,精度为94.50%。同样,ICA_K获得4.83,4.53,95.32%玻璃钢,FNR,分别和准确性。STN-CNN达到96.23%的准确度,玻璃钢,FNR是3.68和2.46,分别。玻璃钢、FNR和准确性的维生素b / 32是2.15,1.02和94.03%,分别。我们建议的模型被SOTA技术而且实现错误报警率最低和最高精度如0、0.92和97.15%玻璃钢,FNR,分别和准确性。

提供的数据集福贾et al。27)由31个火和非火灾视频、数据集是巨大的,而且它不够多样化的使用完全训练一个网络对于现实世界的场景,许多深模型可以实现更高的训练和测试精度,但在推广他们的预测失败(52]。在限制泛化的原因是有限的这个数据集的多样性,因为它包含大量的类似的图像,从视频中提取一个较小的连续帧之间的帧数跳过,生产几乎类似的图像进行训练和测试。因此,我们开发一个不同的数据集用于森林火灾检测。虽然数据集可能似乎很小,它是极其多样化;节中给出一个详细的解释4.1.2。

4.1.2。结果评估使用该数据集

新创建的数据集上的实验执行,包括森林火灾和不燃类总数2000的图片,和每个类由1000张图片。火灾图像从不同来源收集,即。,re一个l-world self-recorded videos, Facebook, news channel, and YouTube videos. The source- and country-wise percentages of collected data are given in Figure7视频的长度,信息及其对应的帧在表中提取5。为不燃类,我们选择了107从Bowfire非火灾图像数据集53]。是一个小的数据集组成的两个火和不燃类,图像Bowfire数据集的总数是226,在火类包括119个图像而其他的图像属于不燃类。与其BowFire数据集,我们收集了893图像从谷歌,不燃类极具挑战性等模型训练fire-colored照明、素纸包阳光,和fire-colored对象在不同的建筑。我们的代码和数据是可用的https://github.com/Hikmat-Yar。

此外,数据集分为三个亚组,即。,training, validation, and testing, and the training set consists of 70% of the total dataset, where 20% is used for validation and the remaining 10% is considered for testing. Some sample images of the proposed dataset are given in Figure8。该模型的分类报告给出了一个自定义数据集表6,它与SOTA CNN模型在表7,训练精度和损失图如图所示9。在实验中,我们训练有素的每个模型30时代,该模型实现了最高的精度比其他模型。每个模型的详细分析可以从混乱中提取矩阵如图10。蓝色的对角线对应真阳性,饱和度显示准确的分类。

该模型提供了良好的分类结果相比其他模型和准确归类为火和非火灾图像。有些样品在两个类别,即。森林大火,不燃,反之亦然。是可以理解保持视图的视觉相似性在这两个类别。

该模型的准确性和损失图显示在图9。水平轴代表时代的数量,纵轴表示的是准确性和损失。

在图9,它可以观察到,提出了森林火灾探测模型表现良好。在模型的训练和验证,随着迭代次数的增加,模型精度和损失值变化,如图9(一个)。该模型融合时代28日,训练和验证准确性达到98%和96%,分别。同样,训练和验证提出模型的损失达到0.1和0.22,分别如图9 (b)。

图10显示了每个模型的混淆矩阵提出了数据集,图10 ()代表AlexNet,图10 (b)代表ResNet50,图10 (c)代表NASNetMobile,图10 (d)代表MobileNetV1,图10 (e)代表VGG16,和图10 (f)代表了该模型。在实验中,图的正确预测模型10 ()火和不燃类是0.93和0.78,分别在误分类分别为0.07和0.22,。同样,数据的正确预测模型10 (b)- - - - - -10 (d)和图10 (e)消防类0.96,0.95,0.99,和0.93,分别;为不燃类,这些模型的正确预测为0.77,0.88,0.86,和0.94,分别。该模型是由图表示10 (f),火和不燃的正确预测类是0.98和0.91,分别。模型的误分类图10 (f)火和不燃类是0.02和0.09,分别。因此,所有这些模型的混淆矩阵证实该模型主导我们所有提到的模型实验。

该模型的分类报告提出的数据集在桌子上6,精度、召回和F1-score森林大火的(积极的)类和非火灾(消极的)类测量。我们提出了森林火灾模型实现精度,回忆,和F1-scores 0.91, 0.98,和0.95,分别对非火灾,该模型实现了精密,回忆,和F1-scores 0.98, 0.91,和0.94,分别。

该模型的比较与其他baseline-CNN模型使用玻璃钢,FNR和表中给出了精度7,AlexNet ResNet50模型遇到的过度拟合,取得了最糟糕的结果而言,玻璃钢,FNR,和准确性,同时该模型更高的精度达到9%和7.83%的AlexNet和ResNet50模型,分别。与NASNetMobile相比,玻璃钢和FNR NASNetMobile的4和12,虽然不如该模型精度达到3%。此外,与MobileNetV1相比,玻璃钢MobileNetV1相似的模型。然而,该模型实现了2.1%的精度高于MobileNetV1 7 FNR值。该模型取得了良好的结果比重VGG16模型由于相对较小的数据集是不足以调整极其大量的参数。结果VGG16接近该模型;对于FNR, VGG16模型实现了低FNR但的玻璃钢高,取得了减少1.33%对该模型精度。在实验中,引入AlexNet和ResNet50模型过度拟合19和22时代后,分别NASNetMobile, MobileNetV1,和VGG16聚集在21日24日和26时代,分别,然而,在图9可以看出,该模型是聚集在28时代。

从表7,可见,AlexNet模型实现最低85.50%的准确率是在我们的实验中,VGG16并提出模型达到93.17%和94.50%,分别VGG16模型精度最高,但由于模型不适合RCD大小和处理时间。该模型取得了良好结果的准确性,玻璃钢,FNR和恢复更适合。拟议的模型是在RCD近实时功能,统一的卷积过滤器使用在我们的网络是专门设计来捕捉细节的顺序输入火灾图像越来越多的渠道帮助有效的特征提取。更好的精度,玻璃钢,FNR利率通过该模型确认过滤器的大小的小,一致性模型提取丰富的功能训练。

4.2。时间复杂度分析

评估模型的效率,重要的是要检查它的性能和在不同的设备上部署势实时如GPU, CPU和恢复。GPU和CPU的规范培训细节部分中给出4恢复,用于我们的实验是覆盆子π4 (RPI)。Broadcom BCM2711,四核Cortex-A72 (v8) 64位SoC @ 1.5 GHz系统,拥有4 GB的更快。考虑到这三个不同的设置,我们检查我们的帧每秒(FPS)模型,该模型利用GPU的FPS, CPU,零售物价指数是200.35,21.02,和16.02帧/秒。我们提出的比较工作的FPS与表中给出了不同的基准模型8。

在我们的实验中,使用GPU AlexNet模型的FPS, CPU,零售物价指数是95.22,4.88,和0.90,分别。原文的FPS VGG16模型是78.06,2.96和0.60分别ResNet50模型有101.31,6.35,和1.07帧/秒。NASNetMobile模型给出了110.57、12.76和3.24帧/秒,分别虽然MobileNetV1模型过程130.88,15.47,和9.05,分别。该模型的时间复杂度是更好的比其他基线模型,该模型是适用于实时实现恢复。除此之外,我们可以使用英特尔Movidius神经计算的FPS坚持增加我们建议的工作。神经计算棒是一个小的,基于usb的低功率协处理器,用于部署不同的CNN模型恢复。nc是由Myriad2视觉处理单元(VPU)和支持c++或Python API (54]。在推理过程中,VPU显示性能比零售物价指数3快40倍(55]。此外,该模型的可视化结果图中可以看到11。

5。结论

在早期火灾现场使用智能监测系统分类,CNN起着至关重要的作用,防止社会、生态和经济损失。然而,当前文献集中提高火灾探测的准确性不考虑计算成本和泛化能力在实际场景。因此,我们提出了一个LW-CNN架构,可以部署在RCD利用嵌入式RCD对火灾探测的能力。灵感来自于小尺寸均匀VGG16卷积过滤器,我们设计了一个卷积LW-CNN建筑有三层,两层致密,softmax层体积小制服卷积滤波顺序与越来越多的渠道是用来从输入图像中提取细节。该模型评估基准等两个数据集”福贾的“数据集和火新创建的数据集实验评估。该模型更高的精度达到1.33% SOTA基线CNN模型提出数据集而且提高了SOTA准确性高达1.83%福贾的数据集。FNR和玻璃钢LW-CNN模型提出的数据集是1.2和7,福贾的数据集是0和0.92,分别。该模型揭示了好结果的准确性,假警报率和运行时间的数据集。另外,我们达到了200.35,21.02和16.02帧/ GPU, CPU、和RCD,分别表示该模型的鲁棒性和可行的安装智能监测系统

该系统包括几层卷积,这减少了计算复杂度和恢复非常适合。然而,这个系统可以overfit同时增加数据集类的数量,可以在一个不确定的环境中失败有雾,阴霾,雪,等。此外,FNR和玻璃钢拟议的模型仍然很高我们新创建的数据集由于巨大的多样性在我们的数据集和高层的视觉相似性火和非火灾图像。

在未来,我们的目标是使用修剪和量化技术使该模型更高效的使用更少的学习参数和模型尺寸与在线学习更有效地部署在RCD非平稳环境的能力。我们也旨在减少FNR和进一步扩展该数据集通过添加新的图像有雾,雪,阴霾,等和添加新类,清楚地识别火灾下的对象,如车辆火灾,建筑火灾、森林大火,火电杆。

数据可用性

数据及相关材料(代码和实现)可以找到https://github.com/Hikmat-Yar。

的利益冲突

作者宣称没有利益冲突。

确认

这项工作是由韩国国家研究基金会(NRF)授予由韩国政府资助(MSIT)(没有。2019 r1a2b5b01070067)。

引用

1. r . Rathnayake、p . Sridarran和m . Abeynayake“服装制造建筑的火灾风险在斯里兰卡,”《设施管理,2021年。视图:出版商的网站|谷歌学术搜索
2. Nordenfjeldske开发服务(NFDS),“火灾统计数据,2021年,https://www.nfds.go.kr/stat/general.do。视图:谷歌学术搜索
3. 保险信息研究所,2021年,https://www.iii.org/fact-statistic/facts-statistics-wildfires。
4. 诉Dubey、p·库马尔和n . Chauhan“森林火灾检测系统使用物联网和人工神经网络,”国际会议上创新的计算和通信、网络和系统的课堂讲稿施普林格,柏林,德国,2019年。视图:出版商的网站|谷歌学术搜索
5. c .种加州大火肆虐:野火的事实国家地理,华盛顿,美国,2019年。
6. d . Guha-Sapir p . Hoyois p Wallemacq, r .下面,“年度灾害统计评估,”2016年。视图:谷歌学术搜索
7. j·艾哈迈德·k·穆罕默德,s . w . Baik”早期火灾探测中使用卷积神经网络监测有效的灾害管理,“Neurocomputing卷。288年,30-42,2018页。视图:出版商的网站|谷歌学术搜索
8. 汗,k·默罕默德,美国泰姬,s . w . Baik和v . h·c·德·阿尔伯克基”节能深CNN感烟探测在雾蒙蒙的物联网环境中,“IEEE物联网》第六卷,没有。6,9237 - 9245年,2019页。视图:出版商的网站|谷歌学术搜索
9. x z阴,b .广域网,f .元,夏,j·史,“深正常化和卷积神经网络图像感烟探测,”IEEE访问5卷,第18438 - 18429页,2017年。视图:出版商的网站|谷歌学术搜索
10. j·沙玛,符合。Granmo, m·古德温,j . t . Fidje“深卷积神经网络的火灾探测图像,”神经网络的工程应用、通信计算机和信息科学施普林格,柏林,德国,2017年。视图:谷歌学术搜索
11. a . Krizhevsky i Sutskever, g·e·辛顿“ImageNet分类与深卷积神经网络,”先进的神经信息处理系统25卷,第1105 - 1097页,2012年。视图:谷歌学术搜索
12. k . Simonyan和a . Zisserman”很深的卷积网络大规模图像识别,”2014年,https://arxiv.org/abs/1409.1556。视图:谷歌学术搜索
13. k . x张,他任美国,j .太阳,“深残余学习图像识别,”学报2016年IEEE计算机视觉与模式识别会议(CVPR)拉斯维加斯,页770 - 778年,NV,美国,2016年6月。视图:出版商的网站|谷歌学术搜索
14. a·g·霍华德·m·朱b . Chen等人“Mobilenets:高效移动视觉卷积神经网络应用程序,”2017年,https://arxiv.org/abs/1704.04861。视图:谷歌学术搜索
15. b . Zoph诉Vasudevan, j . Shlens诉勒,“学习转移体系结构可伸缩图像识别”学报2018年IEEE / CVF计算机视觉与模式识别会议,页8697 - 8710,盐湖城犹他,美国,2018年6月。视图:谷歌学术搜索
16. l, n .王、孟x”与无线传感器网络实时森林火灾探测,”学报2005年国际会议上无线通信、网络和移动计算武汉,页1214 - 1217年,中国,2005年9月。视图:谷歌学术搜索
17. r·c·罗和k·l·苏”,使用自适应自动火警探测系统感觉融合智能安全机器人,”Ieee / Asme举办,12卷,不。3、274 - 281年,2007页。视图:出版商的网站|谷歌学术搜索
18. p . Podržaj h .桥本,“智能空间作为火灾探测和疏散的框架,“消防技术,44卷,不。1,第76 - 65页,2008。视图:谷歌学术搜索
19. h·简·h·纱线,j .伊克巴尔·h·法曼,z汗和a . Koubaa“覆盆子π协助老年人安全系统:智能家居的应用程序”2020年第一次国际会议的程序智能系统和新兴技术(SMARTTECH),页155 - 160,利雅得,沙特阿拉伯,2020年11月。视图:谷歌学术搜索
20. g·罗克和v . s .帕迪拉,”LPWAN为室外火灾探测,建立物联网监测系统”IEEE访问,8卷,第114909 - 114900页,2020年。视图:出版商的网站|谷歌学术搜索
21. h .纱线,a·s·伊姆兰汗z . a, m·萨贾德,z . Kastrati”对智能家居自动化使用IoT-enabled计算范例,”传感器,21卷,不。14,4932年,页2021。视图:出版商的网站|谷歌学术搜索
22. m·a·f·Malbog l . l . Lacatan r . m . Dellosa y . d .奥地利和c f . Cunanan“边缘检测可燃的混合特征提取比较火分割:一位精明的vs Sobel性能分析,”学报2020年11日IEEE控制和系统研究生研究讨论会(ICSGRC)莎阿南,页318 - 322年,马来西亚,2020年8月。视图:谷歌学术搜索
23. r·a·汗j . Uddin s Corraya和j·金,“基于机器视觉的室内火灾探测使用静态和动态特性,”国际期刊的控制和自动化,11卷,不。6,87 - 98年,2018页。视图:谷歌学术搜索
24. C.-B。刘和n . Ahuja“基于愿景的火灾探测,”17模式识别国际会议上,学报》2004(2004年ICPR)剑桥大学,页134 - 137年,英国,2004年8月。视图:谷歌学术搜索
25. z, j .赵瞿c, d . Zhang y柯,和b Cai,“基于轮廓森林火灾探测使用FFT和小波,”《2008年计算机科学和软件工程国际会议武汉,页760 - 763年,中国,2008年12月。视图:谷歌学术搜索
26. t·侯赛因和h·德米雷尔“火灾探测在视频序列中使用一个通用的颜色模型,”消防安全》杂志,44卷,不。2、147 - 158年,2009页。视图:出版商的网站|谷歌学术搜索
27. p·福贾,a . Saggese和m . Vento“实时火灾探测使用相结合的视频监控应用程序专家基于颜色,形状,和运动,”IEEE电路和系统视频技术,25卷,不。9日,第1556 - 1545页,2015年。视图:出版商的网站|谷歌学术搜索
28. d . Jayashree s Pavithra、g .利和j .方面”系统来探测火灾监测区域,”学报2017年第三科技工程与管理国际会议(ICONSTEM)钦奈,页214 - 219年,印度,2017年3月。视图:谷歌学术搜索
29. m·a . i马哈茂德·h . Ren,“森林火灾探测和识别使用图像处理和支持向量机,”杂志的信息处理系统,15卷,不。1,第168 - 159页,2019。视图:谷歌学术搜索
30. s . Frizzi r . Kaabi m . Bouchouicha人类。基·e·莫罗,f . Fnaiech“卷积神经网络视频火灾和烟雾检测”《第42 IEEE工业电子协会的年会(IECON 2016)882年,页877 -佛罗伦萨,意大利,2016年10月。视图:谷歌学术搜索
31. j·艾哈迈德·k·穆罕默德,Mehmood, s .ρ和s . w . Baik“卷积神经网络为基础的火灾探测监控视频中,“IEEE访问》第六卷,第18183 - 18174页,2018年。视图:出版商的网站|谷歌学术搜索
32. j·艾哈迈德·k·穆罕默德,z Lv, p .贝拉·杨和s . w . Baik”高效深CNN-based火灾探测和定位在视频监控应用中,“IEEE系统,人,和控制论:系统卷,49号7,1419 - 1434年,2018页。视图:谷歌学术搜索
33. k .穆罕默德汗,m . Elhoseny s哈桑•艾哈迈德和美国钟旭Baik,“有效的火灾探测不确定监测环境,”IEEE工业信息,15卷,不。5,3113 - 3122年,2019页。视图:出版商的网站|谷歌学术搜索
34. m·桑德勒a .霍华德·m·朱a . Zhmoginov L.-C。陈,“Mobilenetv2:倒残差和线性瓶颈,”学报2018年IEEE / CVF计算机视觉与模式识别会议,页4510 - 4520,盐湖城犹他,美国,2018年6月。视图:谷歌学术搜索
35. 美国阿斯兰,Gudukbay, b . Toreyin,和a . e . Cetin”早期火灾烟雾检测基于动态几何图像变换和卷积生成对抗网络深处,”学报2019年IEEE国际会议音响、演讲和信号处理(ICASSP)布莱顿,页8315 - 8319年,英国,2019年5月。视图:谷歌学术搜索
36. m . Hashemzadeh和a . Zademehdi火灾探测视频监控应用程序使用ICA K-medoids-based颜色模型和高效的时空视觉特性,”专家系统与应用程序卷。130年,60 - 78、2019页。视图:出版商的网站|谷歌学术搜索
37. 徐,y,问:Zhang et al .,“视频烟雾检测基于深卓越网络,”消防安全》杂志卷,105年,第285 - 277页,2019年。视图:出版商的网站|谷歌学术搜索
38. g . Reddy s Avula, s .巴蒂尼”小说森林火灾检测系统利用模糊熵优化阈值和STN-based CNN,“2021人。视图:谷歌学术搜索
39. j·艾哈迈德·b·简、h·法曼w·艾哈迈德和a . Ullah”疾病检测在李子使用卷积神经网络在真实场条件下,“传感器,20卷,不。19日,第5569页,2020年。视图:出版商的网站|谷歌学术搜索
40. m·萨贾德汗,k .穆罕默德•吴(george w . bush), a . Ullah和s . w . Baik“多级脑肿瘤分类使用深CNN和大量的数据,”计算机科学期刊,30卷,第182 - 174页,2019年。视图:出版商的网站|谷歌学术搜索
41. t·侯赛因k·穆罕默德,a Ullah et al .,“视点总结和活动识别满足边缘计算在物联网环境中,“IEEE物联网,8卷,不。12日,第9644 - 9634页,2021年。视图:出版商的网站|谷歌学术搜索
42. w·Ullah a . Ullah。哈克,k .默罕默德·m·萨贾德,s . w . Baik“CNN特性与双向LSTM实时监测网络异常检测,”多媒体工具和应用程序,卷80,不。11日,第16995 - 16979页,2021年。视图:出版商的网站|谷歌学术搜索
43. a·侯赛因h . Ullah a Ullah et al .,“基于异常的相机优先级在大规模监控网络,”2021年。视图:谷歌学术搜索
44. l·b·马里奥j·s·阿尔梅达,j·w·m·Souza诉h·c·阿尔布开克和p . p . Reboucas球场,“一种新颖的基于拓扑地图的移动机器人定位方法使用分类和拒绝选项全向图像中,“专家系统与应用程序卷。72年,1卷,2017页。视图:出版商的网站|谷歌学术搜索
45. h .纱线:阿巴斯,t .任职,伊克巴尔,“肺结节检测和分类使用2 d和3 d卷积神经网络(cnn),“人工智能和物联网施普林格,柏林,德国,2021年。视图:出版商的网站|谷歌学术搜索
46. p . Narkhede r . Walambe s Mandaokar p .昌德尔k . Kotecha和g . Ghinea”气体探测和识别使用基于多通道人工智能传感器融合,“应用制度创新,4卷,不。1,p。2021。视图:出版商的网站|谷歌学术搜索
47. k·穆罕默德,t·侯赛因·m·Tanveer g . Sannino和v . h·c·德·阿尔伯克基”具有成本效益的视频摘要使用深CNN和分层加权融合物联网监控网络,”IEEE物联网,7卷,不。5,4455 - 4463年,2019页。视图:谷歌学术搜索
48. m . Agarwal, s·古普塔和k . k . Biswas”一个新的conv2d模型修改RELU激活函数识别疾病的类型和严重性在黄瓜植株,”可持续的计算:信息和系统ID 100473条,卷。30日,2021年。视图:出版商的网站|谷歌学术搜索
49. h . j . Li z Wang Dong, g . Ghinea”Outlier-resistant远程为复发性具有混合时滞神经网络的状态估计,“IEEE神经网络和学习系统,32卷,不。5,2266 - 2273年,2020页。视图:谷歌学术搜索
50. j .邓w .咚,r . Socher L.-J。李,李k和l .菲菲”ImageNet:大规模的分层图像数据库,2009页。视图:谷歌学术搜索
51. m·舍希德和K.-l。华,“火灾探测使用变压器网络”,第630 - 627页,2021年。视图:谷歌学术搜索
52. a·米伦m . Omama a . Varshney m·s·安萨里和r·沙玛,“安全网:专门的轻量级火和烟检测模型实时物联网应用,”2019年,https://arxiv.org/abs/1905.11922。视图:谷歌学术搜索
53. d . y .斜纹棉布裤l . p . Avalhais j·f·罗德里格斯和a·j·Traina”Bowfire:检测火还通过集成图像像素的颜色和纹理分析,“2015人。视图:谷歌学术搜索
54. 英特尔,”英特尔®神经计算棒2 (Intel®NCS2),”2021年,https://software.intel.com/content/www/us/en/develop/hardware/neural-compute-stick.html。视图:谷歌学术搜索
55. k . Banumathi b . Bharathi s Priya, p . Gogulalakshmi“实时车辆分类使用movidius神经计算棒,”国际工程研究和技术杂志》上》第六卷,没有。8、1 - 6,2018页。视图:谷歌学术搜索

版权

版权©2021 Hikmat纱线等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。