[논문 리뷰] FireNet: A Specialized Lightweight Fire & Smoke Detection Model for Real-Time IoT Applications

Arpit Jadon, Mohd Omama외 3명|arXiv (Cornell University)|2019. 05. 28.

Fire Detection and Safety SystemsEngineering인용 수 17

한 줄 요약

FireNet는 라즈베리 파이 3B와 같은 저비용 IoT 기기에서 실시간 화재 및烟火 탐지에 적합한 경량이며 맞춤 설계된 합성곱 신경망(CNN)이다. 다양한 실제 환경 데이터셋으로 훈련된 FireNet은 95%의 F-측정치와 24 FPS의 추론 성능를 기록하며, 기존 모델 대비 정확도와 효율성에서 뛰어나면서도 비전 기반과 센서 기반 탐지의 융합을 통해 오류 경고를 줄였다.

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.

연구 동기 및 목표

• 저전력 임베디드 장치에 적합한 고도로 효율적이고 실시간으로 작동하는 화재 및烟火 탐지 시스템을 개발한다.
• 기존 센서 기반 화재 감지기의 한계, 예를 들어 오진 경고와 지연된 탐지 문제를 해결한다.
• 저비용 카메라에서 실제 영상 조건을 더 잘 반영하기 위해 실생활 조건에서 촬영한 다양한 화재 데이터셋을 자체적으로 구축한다.
• 비전 기반 딥 러닝과 물리적烟火 센서를 융합하여 탐지 신뢰도를 향상시키고 오진 경고를 줄인다.
• MMS를 통해 시각 피드백을 제공하는 IoT 기반 원격 모니터링을 통해 사용자에게 즉각적인 경고를 전송할 수 있도록 한다.

제안 방법

• 저연산 오버헤드를 보장하기 위해 총 646,818개의 학습 가능한 파rameter만을 가진 경량이며 맞춤 설계된 합성곱 신경망(FireNet)을 처음부터 설계하였다.
• 표준 공개 데이터셋(Foggia et al.)과 도전적인 조건에서 촬영한 새로 구축된 다양한 실생활 데이터셋을 조합하여 FireNet을 훈련시켰다.
• 일치하지 않는 70/30 훈련-검증 분할을 사용하여 일반화 능력을 보장하였으며, 훈련 및 검증 손실과 정확도 곡선을 통해 검증하였다.
• 비전 모델과 함께 물리적烟火 센서를 통합하여 신뢰도를 향상시키고 비전 전용 탐지에서 발생하는 오진 경고를 줄였다.
• 라즈베리 파이 3B(1.2GHz CPU, 1GB RAM)에 모델을 구현하여 실시간 추론을 24 프레임/초 속도로 구현하였다.
• 화재 탐지 시 사용자에게 MMS를 통해 시각 피드백과 경고를 전송하는 IoT 기반 원격 경고 시스템을 구현하였다.

실험 결과

연구 질문

• RQ1 경량이며 맞춤 설계된 CNN이 라즈베리 파이 3B와 같은 저비용 임베디드 하드웨어에서 실시간 화재 및烟火 탐지에 높은 정확도를 달성할 수 있는가?
• RQ2 기존 표준 벤치마크 데이터셋 대비 자체적으로 구축한 실생활 데이터셋에서의 성능는 정확도와 강건성 측면에서 어떻게 비교되는가?
• RQ3 비전 기반 딥 러닝과 물리적烟火 센서를 융합할 경우, 화재 탐지 시스템에서 오진 경고 발생을 어느 정도 줄일 수 있는가?
• RQ4 제안된 시스템은 고정밀도 탐지 성능과 낮은 모델 크기를 유지하면서도 고프레임 레이트(예: 24 FPS)를 유지를 할 수 있는가?
• RQ5 IoT 기반 원격 경고 시스템은 최종 사용자에게 시각적 및 텍스트 기반 화재 경고를 적시에 전달하는 데 얼마나 효과적인가?

주요 결과

• FireNet은 자체적으로 구축한 실생활 테스트 데이터셋에서 93.91% 정확도, 97% 정밀도, 94% 재현율, 95% F-측정치를 기록하였다.
• 표준 Foggia 데이터셋에서 FireNet은 96.53% 정확도, 95.54% 정밀도, 97.46% 재현율, 96.49% F-측정치를 기록하여 강력한 일반화 능력을 입증하였다.
• 모델은 라즈베리 파이 3B에서 24 프레임/초 속도로 성공적으로 실행되어 실시간 탐지 및 실시간 영상 스트림에 적합하다.
• 훈련 및 검증 곡선에서 명백한 과적합이 관찰되지 않아, 훈련 성능와 검증 성능 간 격차가 최소화되어 강력한 일반화 능력을 보였다.
• 물리적烟火 센서의 통합은 비전 전용 시스템 대비 오진 경고를 크게 줄여 시스템 신뢰도를 향상시켰다.
• IoT 기반 원격 경고 시스템은 시각 피드백과 함께 MMS를 성공적으로 전송하여 사용자의 즉각적인 대응을 가능하게 하였다.