[논문]합성곱 신경망을 이용한 선박 기관실에서의 화재 검출에 관한 연구

박경민; 배철오

doi:10.7837/kosomes.2019.25.4.476

합성곱 신경망을 이용한 선박 기관실에서의 화재 검출에 관한 연구
A Study on Fire Detection in Ship Engine Rooms Using Convolutional Neural Network 원문보기

海洋環境安全學會誌 = Journal of the Korean society of marine environment & safety, v.25 no.4, 2019년, pp.476 - 481

박경민 (목포해양대학교 해양경찰학부) , 배철오 (목포해양대학교 해양경찰학부)

초록
AI-Helper

화재의 초기 검출은 인명과 재화의 손실을 최소화하기 위한 중요한 요소이다. 불꽃과 연기를 신속하면서 동시에 검출해야 하며 이를 위해 영상 기반의 화재 검출에 관한 연구가 다양하게 진행되고 있다. 기존의 화재 검출은 불꽃과 연기의 특징을 추출하기 위해 여러 알고리즘을 거쳐서 화재의 검출 유무를 판단하므로 연산량이 많이 소모되었으나, 딥러닝 알고리즘인 합성곱 신경망을 이용하면 별도의 과정이 생략되므로 신속하게 검출할 수 있다. 본 논문에서는 선박 기관실에서 화재 영상을 녹화한 데이터로 실험을 수행하였다. 불꽃과 연기의 특징을 외각 상자로 추출한 후 합성곱 신경망 중 하나인 욜로(YOLO)를 이용하여 학습하고 결과를 테스트하였다. 실험 결과를 검출률, 오검출률, 정확도로 평가하였으며 불꽃은 0.994, 0.011, 0.998, 연기는 0.978, 0.021, 0.978을 나타내었고, 연산시간은 0.009s를 소모됨을 확인하였다.

Abstract ▼ AI-Helper

Early detection of fire is an important measure for minimizing the loss of life and property damage. However, fire and smoke need to be simultaneously detected. In this context, numerous studies have been conducted on image-based fire detection. Conventional fire detection methods are compute-intensive and comprise several algorithms for extracting the flame and smoke characteristics. Hence, deep learning algorithms and convolution neural networks can be alternatively employed for fire detection. In this study, recorded image data of fire in a ship engine room were analyzed. The flame and smoke characteristics were extracted from the outer box, and the YOLO (You Only Look Once) convolutional neural network algorithm was subsequently employed for learning and testing. Experimental results were evaluated with respect to three attributes, namely detection rate, error rate, and accuracy. The respective values of detection rate, error rate, and accuracy are found to be 0.994, 0.011, and 0.998 for the flame, 0.978, 0.021, and 0.978 for the smoke, and the calculation time is found to be 0.009 s.

주제어

AI 본문요약
AI-Helper

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

문제 정의

본 논문에서는 선박 기관실에서 비디오 기반으로 화재 검출을 위해 CNN을 이용하여 실험을 수행하였으며, 그 결과는 우수함을 확인하였다. 하지만, 실험한 영상으로만 학습 데이터를 구성하였기 때문에 일반적으로 적용하기에는 한계가 있다.
본 논문에서는 선박 기관실에서의 화재를 신속하게 검출하기 위해 비디오 기반에서 실험을 수행하였다. 비디오 기반의 이미지 검출은 환경에 영향을 받기 때문에 선박 기관 실에서 화재를 발생시켜 영상을 녹화하였다(Namozov and Cho, 2018).

제안 방법

학습한 데이터를 기반으로 화재이미지와 화재가 아닌 이미지로 화재검출의 성능을 평가하였다. 화재의 검출유무를 판단하는 기준치(Confidence)는 0.

대상 데이터

선박 기관실에서 1초에 1장씩 녹화한 영상을 프레임으로 변형하여 총 5259장의 이미지를 획득한 후 3813장의 학습 이미지와 1446장의 테스트 이미지로 나누었다. 학습 이미지는 불꽃과 연기로 구분하여 각각의 클래스로 구성하였고, 테스트 이미지는 화재 이미지 654개와 화재가 아닌 이미지 792개로 나누었다.
선박의 기관실에서 고체연료와 연기발생기를 이용하여 녹화한 영상으로 실험을 수행하였다. 실험 장소는 새누리호의 기관실로 메인엔진과 보일러 앞에서 불꽃과 연기를 발생하였으며, 실험장비 구성은 Table 2와 같다.
선박 기관실에서 1초에 1장씩 녹화한 영상을 프레임으로 변형하여 총 5259장의 이미지를 획득한 후 3813장의 학습 이미지와 1446장의 테스트 이미지로 나누었다. 학습 이미지는 불꽃과 연기로 구분하여 각각의 클래스로 구성하였고, 테스트 이미지는 화재 이미지 654개와 화재가 아닌 이미지 792개로 나누었다.

이론/모형

본 논문에서는 CNN을 이용한 딥러닝 알고리즘 중 하나인 Tiny-YOLOv2모델을 적용하여 선박의 기관실에서 발생하는 화재를 비디오 기반으로 검출하였다. 불꽃과 연기의 특징을 추출하여 클래스로 학습한 실험 결과는 검출률, 오검출률, 정확도로 성능을 평가하였으며 불꽃은 0.

성능/효과

009s가 소모되었다. 기존의 비디오 기반 화재 검출방법은 카메라로부터 영상을 획득 후 전처리 과정과 복잡한 알고리즘을 수행해야 하므로 연산시간이 길어지지만, 합성곱 신경망을 이용하면 획득한 영상의 크기 변환 이외는 별도의 전처리 과정이 없으므로 신속하게 화재 유무를 판단할 수 있다. 성능을 향상 시키기 위해서 화재로 인식하지 못한 이미지는 추가로 학습을 수행해야 하며, 사물을 화재로 인식한 이미지는 사물을 포함하고 있는 여러 배경과 함께 클래스를 추가하여 학습해야 한다.

후속연구

비디오 기반의 이미지 검출은 환경에 영향을 받기 때문에 선박 기관 실에서 화재를 발생시켜 영상을 녹화하였다(Namozov and Cho, 2018). YOLO를 적용하여 화재 이미지를 학습한 후 그 성능을 평가하였으며, 이는 선박 기관실에서 비디오 기반의 화재 검출에 활용될 수 있을 것으로 사료된다.
하지만, 실험한 영상으로만 학습 데이터를 구성하였기 때문에 일반적으로 적용하기에는 한계가 있다. 향후에는 추가적인 학습 데이터를 수집한 후 화재 클래스뿐만 아니라 작업자, 기기, 도구 등과 같은 다양한 사물과 함께 학습함으로서 성능을 향상시킬 계획이다.

질의응답

핵심어	질문	논문에서 추출한 답변
	R-CNN이나 Fast R-CNN의 성능이 저하되는 이유는?	Fig. 2는 R-CNN(Regions with CNN)의 객체 검출 과정의 간략히 나타낸 것으로 R-CNN이나 Fast R-CNN은 후보영역 검출, CNN 학습 과정, 분류기 동작이 별도로 동작하므로 성능이 저하된다(Girshick et al., 2014; Girshick, 2015).
	합성곱 레이어란 무엇인가?	1과 같이 합성곱 레이어, 풀링 레이어, 완전 연결 레이어로 구성되어 있다. 합성곱 레이어는 입력된 이미지에서 필터를 사용해 데이터의 특징을 추출하여 특징 지 도(Feautre Map)를 생성하는 레이어이다. 풀링 레이어는 이미 지의 차원을 축소하여 부표본을 만드는 레이어로 과적합을 줄여서 성능을 향상시킨다.
	CNN의 기본 구조는 무엇으로 구성되어 있는가?	2차원 데이터의 학습에 적합한 구조로서 기본구조는 Fig. 1과 같이 합성곱 레이어, 풀링 레이어, 완전 연결 레이어로 구성되어 있다. 합성곱 레이어는 입력된 이미지에서 필터를 사용해 데이터의 특징을 추출하여 특징 지 도(Feautre Map)를 생성하는 레이어이다.

참고문헌 (19)

Cho, Y. I. (2018), An Efficient Deep Learning Algorithm for Fire and Smoke Detecton with Limited Data, Advanced in Electrical and Computer Engineering, Vol. 18, No. 4, pp. 121-128.
Girshick, R. (2015), Fast R-CNN, Proceeding of the IEEE International Conference on Computer Vision, pp. 1440-1448.
Girshick, R. , J. Donahue, T. Darrell and J. Malik (2014), Rich Feature Hierarchies for Accurate Object Detection and Semantic Segmentation, Proceeding of the IEEE Conference on Computer Vision and Pattern Recognition, pp. 580-587.
Github (2019), https://github.com/AlexeyAB/darknet.
10.1109/CVPR.2016.90 He, K. , X. Zhang, S. Ren and J. Sun (2016), Deep Residual learning for Image Recognition, In IEEE Conference on Computer Vision and Pattern Recognition.
Khan, M. , J. Ahmad, I. Mehmood, S. M. Rho and S. W. Baik (2018), Convolutional Neural Networks based Fire Detection in Surveillance Videos, IEEE Access, Vol. 6, pp. 18174-18183.
Krizhevsky, A. , I. Sutskever and G. E. Hinton (2012), Imagenet Classification with Deep Convolutional Neural Networks. In Advance in Neural Information Processing Systems, pp. 1097-1105.
Maruta, H. , Y. Kato, A. Nakamura and F. Kurokawa (2009), Smoke Detection in Open Areas its texture features and Time Series Properties, Proceedings of the IEEE International Symposium on Industrial Electronics, Seoul, South Korea, pp. 1904-1908.
Namozov, A. and Y. I. Cho (2018), An Efficient Deep Learning Algorithm for Fire and Smoke Detection with Limited Data, Advances in Electrical and Computer Engineering, Vol. 18, No. 4, pp.121-128.
Nguyen, M. D. , B. G. Choi and S. H. Ro (2018), A Study on the Fire Detection Algorithm Using Surveillance Camera Systems, The Journal of Korean Institute of Communications and Information Sciences, Vol. 43, No. 6, pp. 921-929.
Park, K. M. (2018), A Study on smoke Detection using LBP-SVM in Ship’s Engine Room, Ph.D. Dissertation, Department of Geopraphy, Mokpo Maritime University.
Park, K. M. (2019), A Study on Smoke Detection using LBP and GLCM in Engine Room, Journal of the Korean Society of Marine Environment & Safety, Vol. 25, No. 1, pp. 111-116.
10.1109/CVPR.2016.91 Redmon, J. , S. Divvala, R. Girshick and A. Farhadi (2016), You Only Look Onece: Unified, Real-Time Object Detection, In: CVPR.
Sharma, J. , O. C. Granmo, M. Goodwin and J. T. Fidje (2017), Deep Convolutional Neural Networks for Fire Detection in Images, Communications in Computer and Information Science, pp. 183-193.
Simonyan, K. and A. Zisserman (2015), Very Deep Convolutional Networks for Large-scale Image Recognition, ICLR, arXiv:1409.1556.
SOLAS (1974), Safety of Life at Sea, Regulation Ⅱ-2A, Fire Protection, Fire Detection and Fire Extinction.
10.1109/CVPR.2015.7298594 Szegedy, C. , W. Liu, Y. Jia, P. Sermanet, S. Reed, D. Anguelov, D. Erhan, V. Vanhoucke and A. Rabinovich (2015), Gooing Deeper with Convolutions, In CVPR.
Tao, C. , J. Zhang and P. Wang (2016), Smoke detection based on deep convolutional neural networks, In industrial informatics Computing Technology, Intelligent Technology, Industrial Information Integration International Conference, pp. 150-153.
Wang, Y. , A. Wu, J. Zhang, M. Zhao, W. Li and N. Dong (2016), Fire Smoke Detection Based on Texture Features and Optical Flow Vector of Contour, World Congress on Intelligent Control and Automation, pp. 2879-2883.

저자의 다른 논문 :

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증