[论文解读] 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 17

一句话总结

FireNet 是一种轻量级、专为实时火焰和烟雾检测而设计的卷积神经网络，适用于树莓派 3B 等低成本物联网设备。在多样化的真实世界数据集上进行训练后，其 F1 值达到 95%，推理速度为 24 FPS，相较于现有模型在准确率和效率方面表现更优，同时通过视觉与传感器结合的检测方式显著降低了误报率。

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.

研究动机与目标

• 开发一种高效、实时的火焰和烟雾检测系统，适用于在低功耗嵌入式设备上部署。
• 解决传统基于传感器的火灾探测器存在的局限性，如误报和检测延迟。
• 构建一个定制的、多样化的现实世界火焰数据集，以更真实地反映低成本摄像头在实际环境中的成像条件。
• 将基于视觉的深度学习与物理烟雾传感器相结合，以提高检测可靠性并减少误报。
• 通过物联网实现远程监控，利用 MMS 提供视觉反馈并即时向用户发送警报。

提出的方法

• 从零开始设计了一种轻量级、定制的卷积神经网络（FireNet），仅包含 646,818 个可训练参数，以确保计算开销极低。
• 在标准公开数据集（Foggia et al.）与新收集的、多样化的真实世界数据集组合上训练 FireNet，后者在具有挑战性的条件下采集。
• 采用 70/30 的训练-验证划分，且无重叠，以确保模型泛化能力，并通过训练与验证损失及准确率曲线进行验证。
• 在视觉模型之外集成物理烟雾传感器，以增强系统可靠性并减少纯视觉检测带来的误报。
• 将模型部署在树莓派 3B（1.2GHz CPU，1GB 内存）上，实现每秒 24 帧的实时推理。
• 实现基于物联网的远程警报系统，检测到火灾时通过 MMS 发送带有视觉反馈的火灾警报，通知用户。

实验结果

研究问题

• RQ1 轻量级、定制设计的 CNN 是否能在树莓派 3B 等低成本嵌入式硬件上实现高精度的实时火焰和烟雾检测？
• RQ2 在自定义的真实世界数据集上的性能与在标准基准数据集上的性能相比，在准确率和鲁棒性方面有何差异？
• RQ3 将基于视觉的深度学习与物理烟雾传感器结合，能在多大程度上减少火灾检测系统中的误报触发？
• RQ4 所提出的系统是否能在保持高帧率（如 24 FPS）的同时，确保高检测准确率和极小的模型尺寸？
• RQ5 基于物联网的远程警报系统在向最终用户及时传递视觉与文本火灾警报方面，效果如何？

主要发现

• 在自定义的真实世界测试数据集上，FireNet 的准确率为 93.91%，精确率为 97%，召回率为 94%，F1 值为 95%。
• 在标准 Foggia 数据集上，FireNet 的准确率为 96.53%，精确率为 95.54%，召回率为 97.46%，F1 值为 96.49%，表现出强大的泛化能力。
• 该模型可在树莓派 3B 上以每秒 24 帧的速度稳定运行，支持实时检测，适用于实时视频流。
• 训练与验证曲线显示无显著过拟合现象，表明模型泛化能力强，且训练与验证性能之间的差距极小。
• 物理烟雾传感器的集成显著降低了误报率，相比纯视觉系统，显著提升了系统可靠性。
• 基于物联网的远程警报系统成功实现了带有视觉反馈的 MMS 消息与火灾警报的传输，使用户能够及时响应。