$\require{mediawiki-texvc}$

연합인증

연합인증 가입 기관의 연구자들은 소속기관의 인증정보(ID와 암호)를 이용해 다른 대학, 연구기관, 서비스 공급자의 다양한 온라인 자원과 연구 데이터를 이용할 수 있습니다.

이는 여행자가 자국에서 발행 받은 여권으로 세계 각국을 자유롭게 여행할 수 있는 것과 같습니다.

연합인증으로 이용이 가능한 서비스는 NTIS, DataON, Edison, Kafe, Webinar 등이 있습니다.

한번의 인증절차만으로 연합인증 가입 서비스에 추가 로그인 없이 이용이 가능합니다.

다만, 연합인증을 위해서는 최초 1회만 인증 절차가 필요합니다. (회원이 아닐 경우 회원 가입이 필요합니다.)

연합인증 절차는 다음과 같습니다.

최초이용시에는
ScienceON에 로그인 → 연합인증 서비스 접속 → 로그인 (본인 확인 또는 회원가입) → 서비스 이용

그 이후에는
ScienceON 로그인 → 연합인증 서비스 접속 → 서비스 이용

연합인증을 활용하시면 KISTI가 제공하는 다양한 서비스를 편리하게 이용하실 수 있습니다.

영상기반의 화재 검출에 효과적인 CNN 심층학습의 커널 특성에 대한 연구
A Study of Kernel Characteristics of CNN Deep Learning for Effective Fire Detection Based on Video 원문보기

한국전자통신학회 논문지 = The Journal of the Korea Institute of Electronic Communication Sciences, v.13 no.6, 2018년, pp.1257 - 1262  

손금영 (경성대학교 전자공학과) ,  박장식 (경성대학교 전자공학과)

초록
AI-Helper 아이콘AI-Helper

본 논문에서는 보안 감시 카메라 영상을 활용하여 화재 검출을 위한 효과적인 심층학습 방안을 제안한다. AlexNet 모델을 기준으로 효과적인 화재 검출을 위한 커널 크기와 커널 이동 간격의 변화에 따른 분류 성능을 비교 분석한다. 학습을 위한 데이터셋은 정상과 화재 2가지 클래스로 분류한다, 정상 영상에는 구름과 안개 낀 영상을 포함하고, 화재 영상에는 연기와 화염을 각각 포함한다. AlexNet 모델의 첫 번째 계층의 커널 크기와 이동 간격에 따른 분류 성능 분석 결과 커널의 크기는 크고, 이동 간격은 작을수록 화재 분류 성능이 우수한 것을 확인할 수 있다.

Abstract ▼ AI-Helper 아이콘AI-Helper

In this paper, a deep learning method is proposed to detect the fire effectively by using video of surveillance camera. Based on AlexNet model, classification performance is compared according to kernel size and stride of convolution layer. Dataset for learning and interfering are classified into tw...

주제어

#화재 검출   #심층 학습   #커널 크기   #이동 간격  

표/그림 (9)

AI 본문요약
AI-Helper 아이콘 AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

  • 본 논문에서 커널의 크기와 이동 간격이 영상 분류 및 검출 성능에 영향을 주기 때문에 화재 검출에 효과적인 커널 크기와 이동 간격을 설정하는 방안을 제안한다.
  • 본 논문에서는 CNN 심층학습으로 효과적인 화재검출을 위하여 적합한 커널의 크기와 이동 간격을 설정하는 방법을 실험으로 보였다. 2,553건의 화재 영상데이터셋을 이용하여 정상, 화재 2가지로 분류하는 학습을 수행하는 실험을 수행하였다.
  • 본 논문에서는 심층학습 기반의 효율적인 화재 검출을 위하여 영상 분류(classification)에 널리 활용되고 있는 AlexNet 모델을 활용하여 정상과 화재를 분류하는 성능을 비교 분석한다. AlexNet의 첫 번째 컨벌루션 계층(convolution layer)의 커널 크기(kernel size)와 이동 간격(stride)에 따라 화재 분류 성능을 비교 분석하고, 화재 검출에 적합한 커널 설정 방안을 제안한다.
본문요약 정보가 도움이 되었나요?

질의응답

핵심어 질문 논문에서 추출한 답변
센서를 이용한 화재 검출의 단점은? 03초 이내에 누전을 차단하는 저항성 누전 차단기의 연구[7] 등이 진행되고 있다. 대체로 센서를 이용한 화재 검출은 초기 화재의 위치, 연기 전파 방향, 화재의 규모 정보를 제공할 수 없는 단점이 있다.
센서를 이용한 화재 검출 방법은? 센서를 이용한 검출 방법은 일산화탄소 센서와 광전자 연기 검출 센서로 다중 센서 화재 검출시스템을 구현하고 화재 발생 및 위치를 전파하는 연구[2]와 배열 가스 검출 센서와 융합 알고리즘으로 방해물이 있는 상황에서 화재 검출 성능을 향상시키는 연구가 진행되었다[3]. DTS(: Distributed Temperature Sensing) 기술에 기반한 광섬유 센서를 활용하여 정교한 온도 측정 및 화재 위치 검출[4], 고성능 화재검출시스템 구현을 위해 금속 산화물을 기반으로 한 고감도 가스 센서를 연구[5], 가스 누출 등으로 위험 발생시 사용자에게 알람을 보내는 연구[6], 예방으로는 0.
보안 감시 카메라를 이용한 화재 검출 방법과 관련된 연구의 기대 효과는? CNN(: Convolution Neural Network)으로 기반으로 연기, 화염을 검출하는 연구가 진행되었고[8], 합성곱 신경망을 이용하여 연기 이미지와 불꽃이미지의 특징을 추출하여 분류하는 연구[9], ViBe 알고리즘을 이용하여 동적, 정적 특징을 추출하여 화재 및 연기 영역를 검출하는 연구[10]와 YOLO 모델을 이용하여 불꽃 검출을 구현한 연구[11], 그리고 CNN을 이용하여 실내외 환경에서 화재 조기 검출 및 자동 대응을 위한 재난 관리 시스템 연구도 진행되었다[12]. 영상기반의 화재 상황을 직관적으로 관찰할 수 있으며 오검출을 줄일 수 있다. 또한 방범 등의 다른 용도로 기설치되어 있는 CCTV 장치로 얻는 영상을 이용해 화재 검출 시스템을 구현할 수 있어 비용을 절감할 수 있다[13].
질의응답 정보가 도움이 되었나요?

참고문헌 (16)

  1. National Security Agency, "Fire Safety Policy Implementation Plan for 2017 in accordance with the 1st Basic Fire Safety Policy Basic Plan (2017-2021)," 2017. Announcement No. 2016-344, in Korean. 

  2. H. Hu, G. Wang, and Q. Zhang, "Design wireless multi-sensor fire detection and alarm system based on ARM," In Proc. Int. Conf. on Electronic Measurement & Instruments, Beijing, China Aug. 2009, pp. 285-288. 

  3. A. Solorzano, J. Fonollosa, L. Fernandez, J. Eichmann, and S. Marco, "Fire detection using a gas sensor array with sensor fusion algorithms," In Proc. Int. Symposium on Olfaction and Electronic Nose(ISOEN), Montreal, Canada, May. 2007, pp. 1-3. 

  4. H. Hoff, "Using distributed fibre optic sensors for detecting fires and hot rollers on conveyor belts," In Proc. Int. Conf. for Fibre-optic and Photonic Sensors for Industrial and Safety Applications(OFSIS), Brisbane, Australia, Jan. 2017, pp. 70-76. 

  5. K. Lee, Y. Lee, Y. Shim, Y. Song, S. Han, and C. Kang, "Highly sensitive sensors based on metal-oxide nanocolumns for fire detection," J. of Sensors, vol. 17, no. 2 Feb. 2017, DOI:10.3390/s17020303 

    상세보기 crossref

  6. K. Kim, D. Wang, and S. Han, "Home Security System Based on IoT," J. of the Korea Institute of Electronic Communication Sciences, vol. 12, no. 1, 2017 

  7. H. Lee, "The development of resistive leakage current circuit breaker using a ARM processor," J. of the Korea Institute of Electronic Communication Sciences, vol. 12, no. 4, 2017, pp. 615-620. 

  8. S. Frizzi, R. Kaabi, M. Bouchouicha, J. Ginoux, E. Moreau, and F. Fnaiech, "Convolutional neural network for video fire and smoke detection," In Proc. Annual Conf. of the IEEE Industrial Electronics Society, Florence, Italy, Oct. 2016, pp. 877-882. 

  9. W. Sang, "Implementation of image based fire detection system using convolution neural Network," J. of the Korea Institute of Electronic Communication Sciences, vol. 12, no. 2, 2017, pp. 331-336. 

  10. X. Wu, X. Lu, and H. Leung, "An adaptive threshold deep learning method for fire and smoke detection," In Proc. Int. Conf. on Systems, Man, and Cybernetics(SMC), Banff, Canada, Oct. 2017, pp. 1954-1959. 

  11. D. Shen, X. Chen, M. Nguyen, and W. Q. Yan, "Flame detection using deep learning," In Proc. Int. Conf. on Control, Automation and Robotics(ICCAR), Auckland, New Zealand, Apr. 2018. 

  12. M. Khan, A. Jamil, and B. S. Wook, "Early fire detection using convolutional neural networks during surveillance for effective disaster management," J. of Neurocomputing, vol. 288, May, 2018, pp. 30-42. 

  13. Y. Do, "Visual sensing of fires using color and dynamic features," J. of Sensor Science and Technology, vol. 21, no. 3, 2012, pp. 211-216. 

  14. A. Krizhevsky, I. Sutskever, and G. E. Hinton, "ImageNet classification with deep convolutional neural networks," Advances in Neural Information Processing Systems(NIPS), vol. 1, Lake Tahoe, USA, Dec. 2012, pp. 1097-1105. 

  15. C. Szegedy, W. Liu, Y. Jia, P. Sermanet, S. Reed, D. Anguelov, D. Erhan, V. Vanhoucke, and A. Rabinovich, "Going deeper with convolutions," In Proc. Computer Vision and Pattern Recognition, Boston, USA, Sept. 2014, pp. 1-9. 

  16. X. Zhang, J. Zou, K. He, and J. Sun, "Accelerating very deep convolutional networks for classification and detection", IEEE Trans. Pattern Analysis and Machine Intelligence, vol. 38, Nov. 2015. pp.1943-1955 

저자의 다른 논문 :

관련 콘텐츠

오픈액세스(OA) 유형

FREE

Free Access. 출판사/학술단체 등이 허락한 무료 공개 사이트를 통해 자유로운 이용이 가능한 논문

이 논문과 함께 이용한 콘텐츠

저작권 관리 안내
섹션별 컨텐츠 바로가기

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

AI-Helper 아이콘
AI-Helper
안녕하세요, AI-Helper입니다. 좌측 "선택된 텍스트"에서 텍스트를 선택하여 요약, 번역, 용어설명을 실행하세요.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.

선택된 텍스트

맨위로