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

Arpit Jadon, Mohd Omama외 3명|arXiv (Cornell University)|2019. 09. 04.

Fire Detection and Safety Systems참고 문헌 21인용 수 87

한 줄 요약

FireNet는 라즈베리 파이 3B와 같은 저비용 IoT 기기에서 실시간 화재 및 연기 탐지용으로 가볍고 맞춤 설계된 컨볼루션 신경망이다. 다양한 실제 환경 데이터셋으로 훈련된 FireNet은 93.91%의 정확도와 24 FPS 추론 속도를 기록하며, 기존 모델보다 빠른 속도와 효율성을 확보하고, 시각 기반 탐지와 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 플랫폼에 적합한 고성능 실시간 화재 및 연기 탐지 시스템을 개발하기 위해.
• 기존 화재 탐지 시스템에서 모델 성능과 크기 간의 상충 관계를 해결하기 위해.
• 기존 센서 기반 화재 경보기에서 흔히 발생하는 오진 및 탐지 지연 문제를 줄이기 위해.
• 시각 기반 탐지와 저비용 하드웨어 센서를 융합하여 신뢰도를 향상시키기 위해.
• 실시간 원격 모니터링을 가능하게 하여 비상 경고를 즉시 전송할 수 있도록 하기 위해.

제안 방법

• 모델 크기와 파rameter 수를 최소화하기 위해, FireNet이라는 이름의 맞춤 설계된 얕은 CNN 아키텍처를 처음부터 개발하였다. (646,818개의 파라미터).
• 실제 환경의 다양한 화재 및 비화재 장면을 포함한 자체 구축한 데이터셋으로 모델을 훈련시켰으며, 라즈베리 파이 카메라가 촬영한 것과 유사한 저품질 이미지도 포함되었다.
• 시각 기반 CNN 추론과 물리적 연기 센서를 조합한 하이브리드 탐지 전략을 통해 정확도를 향상시키고 오진을 줄였다.
• 사용자에게 실시간으로 시각 피드가 포함된 MMS 경고를 전송할 수 있도록 IoT 플랫폼과 통합하였다.
• 훈련에는 훈련/검증 데이터를 70/30 비율로 분할하였으며, 일반화 능력을 향상시키기 위해 조기 정지와 데이터 증강 기법을 사용하였다.
• 모델는 라즈베리 파이 3B에 배포되어 24 FPS의 추론 속도를 달성하였다.

실험 결과

연구 질문

• RQ1 가벼운 맞춤 설계 CNN이 저비용 임베디드 하드웨어에서 실시간 화재 및 연기 탐지에 높은 정확도를 달성할 수 있는가?
• RQ2 실제 환경의 저품질 이미지 데이터셋에서의 성능은 표준 기준 데이터셋과 비교해 어떻게 다른가?
• RQ3 시각 기반 탐지와 물리적 연기 센서를 융합함으로써 오진은 어느 정도 감소하는가?
• RQ4 라즈베리 파이 3B에서 제안된 모델의 추론 속도와 자원 효율성은 어떠한가?
• RQ5 시스템은 비상 대응을 위한 실시간 원격 경고를 IoT를 통해 지원할 수 있는가?

주요 결과

• FireNet는 도전적인 이미지 품질을 가진 자체 제작 실생활 테스트 데이터셋에서 93.91% 정확도, 97% 정밀도, 94% 재현율, 95% F-측정치를 기록하였다.
• 표준 Foggia 데이터셋에서 FireNet는 96.53% 정확도와 96.49% F-측정치를 기록하여, 낮은 이미지 다양성에도 불구하고 강력한 일반화 능력을 입증하였다.
• 라즈베리 파이 3B에서 24 프레임/초의 속도로 실행되어 실시간 탐지가 가능하며, 실시간 영상 스트림에 적합하다.
• 물리적 연기 센서의 통합으로 오진이 크게 감소하여 화재와 연기 사건을 명확히 구분할 수 있었다.
• 훈련 및 검증 곡선에서 과적합이 관찰되지 않아, 새로운 데이터에 대해서도 강력한 일반화 능력과 강인성을 보였다.
• 작은 모델 크기(7.45 MB)와 낮은 파라미터 수(646,818) 덕분에 자원 제약이 있는 IoT 기기에서의 배포에 이상적이다.