[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)|Sep 4, 2019

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

一句话总结

FireNet 是一种轻量级、专为实时火灾与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训练，其准确率达到 93.91%，推理速度达 24 FPS，相较于现有模型在速度与效率方面表现更优，同时通过视觉与传感器融合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、适用于低功耗嵌入式平台的实时火灾与烟雾检测系统。
• 解决现有火灾检测系统中模型性能与大小之间的权衡问题。
• 减少传统基于传感器的火灾报警系统中常见的误报与检测延迟。
• 通过视觉检测与低成本硬件传感器的结合，提升系统可靠性。
• 通过物联网实现远程监控，支持实时应急警报。

提出的方法

• 从零开始设计了一种名为 FireNet 的定制浅层 CNN 架构，以最小化模型大小与参数数量（646,818 个参数）。
• 在包含真实世界火灾与非火灾场景的多样化自建数据集上训练模型，其中包含与树莓派摄像头拍摄图像质量相似的低质量图像。
• 采用混合检测策略，结合基于视觉的 CNN 推理与物理烟雾传感器，以提高准确率并减少误报。
• 系统与物联网平台集成，可实时传输带视觉反馈的 MMS 警报信息。
• 训练采用 70/30 的训练集与验证集划分，结合早停法与数据增强技术以提升泛化能力。
• 在树莓派 3B 上部署并基准测试模型，实现 24 FPS 的推理速度。

实验结果

研究问题

• RQ1 轻量级、专为特定需求设计的 CNN 是否能在低成本嵌入式硬件上实现高精度的实时火灾与烟雾检测？
• RQ2 在真实世界低质量图像数据集上的表现与标准基准数据集相比，在火灾检测任务中表现如何？
• RQ3 将视觉检测与物理烟雾传感器结合，能在多大程度上减少误报？
• RQ4 该模型在树莓派 3B 上的推理速度与资源效率如何？
• RQ5 该系统是否能够通过物联网实现实时远程警报，以支持应急响应？

主要发现

• FireNet 在包含挑战性图像质量的自建真实世界测试数据集上，达到 93.91% 的准确率、97% 的精确率、94% 的召回率与 95% 的 F-measure。
• 在标准 Foggia 数据集上，FireNet 达到 96.53% 的准确率与 96.49% 的 F-measure，表明尽管图像多样性较低，仍具备出色的泛化能力。
• 模型在树莓派 3B 上以 24 帧每秒的速度运行，支持实时检测，适用于实时视频流处理。
• 引入物理烟雾传感器显著减少了误报，通过区分真实火灾与烟雾事件提升了系统可靠性。
• 训练与验证曲线显示无过拟合现象，表明模型具备良好的泛化能力与对未见数据的鲁棒性。
• 模型体积小（7.45 MB），参数量少（646,818 个），非常适合部署于资源受限的物联网设备。