[論文レビュー] FireNet: A Specialized Lightweight Fire & Smoke Detection Model for Real-Time IoT Applications

Arpit Jadon, Mohd Omama+3 more|arXiv (Cornell University)|May 28, 2019

Fire Detection and Safety SystemsEngineering被引用数 17

ひとこと要約

FireNetは、Raspberry Pi 3Bなどの低価格なIoTデバイスでリアルタイムの火災および煙検出を実現する、軽量でカスタム設計の畳み込みニューラルネットワークである。実世界の多様なデータセットで訓練された本モデルは、95%のF-measureと24 FPSの推論性能を達成し、既存のモデルよりも精度と効率性に優れ、視覚的検出とセンサー検出を統合することで誤検知を低減している。

ABSTRACT

Fire disasters typically result in lot of loss to life and property. It is therefore imperative that precise, fast, and possibly portable solutions to detect fire be made readily available to the masses at reasonable prices. There have been several research attempts to design effective and appropriately priced fire detection systems with varying degrees of success. However, most of them demonstrate a trade-off between performance and model size (which decides the model's ability to be installed on portable devices). The work presented in this paper is an attempt to deal with both the performance and model size issues in one design. Toward that end, a `designed-from-scratch' neural network, named FireNet, is proposed which is worthy on both the counts: (i) it has better performance than existing counterparts, and (ii) it is lightweight enough to be deploy-able on embedded platforms like Raspberry Pi. Performance evaluations on a standard dataset, as well as our own newly introduced custom-compiled fire dataset, are extremely encouraging.

研究の動機と目的

• 低消費電力の組み込みデバイスに適した、高効率でリアルタイムの火災および煙検出システムの開発。
• 従来のセンサー基盤の火災検出器の限界、例えば誤検知や検知遅延の是正。
• 低価格のカメラで実際の撮影状況をよりよく反映するよう、実世界の多様な火災データセットをカスタムで作成。
• 視覚的ディープラーニングと物理的煙センサーを統合することで、検出の信頼性を向上させ、誤検知を低減。
• MMSを用いた視覚フィードバック付きで、ユーザーへの即時アラートを可能にするリモート監視を実装。

提案手法

• 計算負荷を最小限に抑えるために、トレーニング可能なパラメータがたった646,818個の、独自に設計された軽量でカスタムの畳み込みニューラルネットワーク（FireNet）をゼロから設計。
• 標準の公開データセット（Foggiaら）と、困難な条件下で収集された新規に構築された多様な実世界データセットの組み合わせでFireNetを訓練。
• 一般化を保証するため、重複のない70/30のトレーニング・バリデーション分割を実施。訓練およびバリデーション損失と精度の曲線を用いて検証。
• 視覚検出のみのシステムに比べ、信頼性を向上させ、誤検知を低減するために、物理的煙センサーを視覚モデルと統合。
• Raspberry Pi 3B（1.2GHz CPU、1GB RAM）にモデルをデプロイし、24フレーム/秒のリアルタイム推論を実現。
• 検出時にMMSを介して視覚フィードバックとアラートをユーザーに送信する、IoTベースのリモートアラートシステムを実装。

実験結果

リサーチクエスチョン

• RQ1 Raspberry Pi 3Bのような低コストの組み込みハードウェア上で、軽量でカスタム設計のCNNが、リアルタイムの火災および煙検出において高い精度を達成できるか？
• RQ2 標準のベンチマークデータセットと比較して、カスタムで作成された実世界データセット上での性能は、精度と耐性の面でどのように異なるか？
• RQ3 視覚的ディープラーニングと物理的煙センサーを統合することで、火災検出システムにおける誤検知の発生確率をどの程度低減できるか？
• RQ4 高フレームレート（例：24 FPS）を維持しながら、高精度の検出と小型のモデルサイズを両立できるか？
• RQ5 IoT対応のリモートアラートシステムは、エンドユーザーにタイムリーに視覚的およびテキストベースの火災アラートを提供するのにどの程度効果的か？

主な発見

• カスタム実世界テストデータセット上で、FireNetは93.91%の精度、97%の適合率、94%の再現率、95%のF-measureを達成した。
• 標準のFoggiaデータセットでは、FireNetは96.53%の精度、95.54%の適合率、97.46%の再現率、96.49%のF-measureを達成し、優れた一般化性能を示した。
• モデルはRaspberry Pi 3B上で24フレーム/秒で正常に動作し、ライブ動画ストリームに適したリアルタイム検出を可能にした。
• トレーニングおよびバリデーション曲線から、過学習の顕著な兆候は認められず、トレーニングとバリデーションの性能差が最小限に抑えられ、一般化性能が強いことが示された。
• 物理的煙センサーの統合により、視覚のみのシステムと比較して誤検知が顕著に低減され、システムの信頼性が向上した。
• IoTベースのリモートアラートシステムは、視覚フィードバック付きMMSと火災アラートを正常に送信し、ユーザーの即時の対応を可能にした。