[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)|Sep 4, 2019

Fire Detection and Safety Systems参考文献 21被引用数 87

ひとこと要約

FireNetは、Raspberry Pi 3Bのような低コストのIoTデバイスでリアルタイムの火災および煙検出を可能にする軽量でカスタム設計された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、93.91%の精度と24 FPSの推論速度を達成し、従来のモデルよりも速度と効率性に優れ、視覚的検出とセンサー検出を統合することで誤検出を低減している。

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プラットフォーム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。
• 既存の火災検出システムにおけるモデル性能とサイズのトレードオフを解決すること。
• 従来のセンサー基盤の火災アラームで一般的な誤検出と検出遅延を低減すること。
• 視覚的検出と低コストのハードウェアセンサーを統合して信頼性を向上させること。
• IoTを活用したリモート監視を可能にし、リアルタイムの緊急アラートを提供すること。

提案手法

• モデルサイズとパラメータ数（646,818パラメータ）を最小限に抑えるために、FireNetと名付けられた独自設計の浅いCNNアーキテクチャを完全に新規に開発した。
• 実世界の火災および非火災シーンを含む多様な自作データセットを用いてモデルを訓練した。このデータセットには、Raspberry Piカメラが撮影するのと同様の低品質な画像も含まれている。
• 視覚的CNN推論と物理的煙センサーを組み合わせたハイブリッド検出戦略を採用し、精度向上と誤検出の低減を実現した。
• MMSアラートをリアルタイムでユーザーに送信できるIoTプラットフォームと統合した。
• トレーニングには70/30のトレーニング/バリデーション分割を採用し、一般化性能の向上を図るために早期停止とデータ拡張を適用した。
• モデルはRaspberry Pi 3Bにデプロイされ、24 FPSの推論速度を達成した。

実験結果

リサーチクエスチョン

• RQ1 軽量でカスタム設計されたCNNは、低コストの組み込みハードウェア上で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 実世界の低品質画像データセットにおける性能は、標準ベンチマークデータセットと比較して火災検出においてどのように異なるか？
• RQ3 視覚的検出と物理的煙センサーを組み合わせることで、誤検出をどの程度低減できるか？
• RQ4 本モデルの推論速度とリソース効率は、Raspberry Pi 3B上でどの程度か？
• RQ5 本システムは、緊急対応のためのリアルタイムのリモートアラートをIoT経由で提供できるか？

主な発見

• FireNetは、画像品質が低いが実世界のテストデータセット上で93.91%の精度、97%の適合率、94%の再現率、95%のF-measureを達成した。
• Foggiaデータセットでは96.53%の精度と96.49%のF-measureを達成し、画像の多様性が低いにもかかわらず優れた一般化性能を示した。
• Raspberry Pi 3B上で24フレーム/秒で動作し、ライブ動画ストリームに適したリアルタイム検出を実現した。
• 物理的煙センサーの導入により、火災と煙イベントの区別が可能になり、誤検出が顕著に低減された。
• トレーニングおよびバリデーション曲線から過学習の兆候が確認されず、未学習データに対しても一般化性能と頑健性が高く保たれていることが示された。
• モデルの小型化（7.45 MB）とパラメータ数の少なさ（646,818）のおかげで、リソース制限のあるIoTデバイスへのデプロイに最適である。