[논문]딥러닝 기반 지하공동구 화재 탐지 모델 개발 : 학습데이터 보강 및 편향 최적화

김정수; 이찬우; 박승화; 이종현; 홍창희

doi:10.5762/kais.2020.21.12.320

딥러닝 기반 지하공동구 화재 탐지 모델 개발 : 학습데이터 보강 및 편향 최적화
Development of Fire Detection Model for Underground Utility Facilities Using Deep Learning : Training Data Supplement and Bias Optimization 원문보기

한국산학기술학회논문지 = Journal of the Korea Academia-Industrial cooperation Society, v.21 no.12, 2020년, pp.320 - 330

김정수 (한국건설기술연구원 국가BIM연구센터) , 이찬우 (스핀어웹) , 박승화 (한국건설기술연구원 국가BIM연구센터) , 이종현 (스핀어웹) , 홍창희 (한국건설기술연구원 국가BIM연구센터)

초록
AI-Helper

화재는 높은 비정형성으로 인해 딥러닝 모델을 이용한 영상인식 분야에서도 좋은 성능을 내기가 어려운 대상 중 하나이다. 특히 지하공동구 내 화재는 딥러닝 모델의 학습을 위한 화재 데이터 확보가 어렵고 열약한 영상 조건 및 화재로 오인할 수 있는 객체가 많아 화재 검출이 어렵고 성능이 낮다. 이러한 이유로 본 연구는 딥러닝 기반의 지하공동구 내 화재 탐지 모델을 제안하고, 제안된 모델의 성능을 평가하였다. 기존 합성곱 인공신경망에 GoogleNet의 Inception block과 ResNet의 skip connection을 조합하여 어두운 환경에서 발생되는 화재 탐지를 위한 모델 구조를 제안하였으며, 제안된 모델을 효과적으로 학습시키기 위한 방법도 함께 제시하였다. 제안된 방법의 효과를 평가하기 위해 학습 후 모델을 지하공동구 및 유사환경 조건의 화재 문제와 화재로 오인할 수 있는 객체를 포함한 이미지에 적용해 결과를 분석하였다. 또한 기존 딥러닝 기반 화재 탐지 모델의 정밀도, 검출률 지표와 비교함으로써 모델의 화재 탐지 성능을 정량적으로 평가하였다. 제안된 모델의 결과는 어두운 환경에서 발생되는 화재 문제에 대해 높은 정밀도와 검출률을 나타내었으며, 유사 화재 객체에 대해 낮은 오탐 및 미탐 성능을 가지고 있음을 보여주었다.

Abstract ▼ AI-Helper

Fire is difficult to achieve good performance in image detection using deep learning because of its high irregularity. In particular, there is little data on fire detection in underground utility facilities, which have poor light conditions and many objects similar to fire. These make fire detection challenging and cause low performance of deep learning models. Therefore, this study proposed a fire detection model using deep learning and estimated the performance of the model. The proposed model was designed using a combination of a basic convolutional neural network, Inception block of GoogleNet, and Skip connection of ResNet to optimize the deep learning model for fire detection under underground utility facilities. In addition, a training technique for the model was proposed. To examine the effectiveness of the method, the trained model was applied to fire images, which included fire and non-fire (which can be misunderstood as a fire) objects under the underground facilities or similar conditions, and results were analyzed. Metrics, such as precision and recall from deep learning models of other studies, were compared with those of the proposed model to estimate the model performance qualitatively. The results showed that the proposed model has high precision and recall for fire detection under low light intensity and both low erroneous and missing detection capabilities for things similar to fire.

주제어

표/그림 (16)

그림 Fig. 1. Image data collection system of Architecture
그림 Fig. 2. Image labeling (a) TLBR rectangular coordinate (b) Centroid rectangular coordinate
그림 Fig. 3. Targeted data for fire detection in underground space
그림 Fig. 5. Deep learning module for fire detection: bias optimization model
그림 Fig. 4. Supporting data for fire detection
그림 Fig. 6. Inception block with bottleneck in GoogleNet[12]
그림 Fig. 7. Skip connection in ResNet[13]
표 Table 1. Deep learning module for fire detection: network parameters
표 Table 2. Number of dataset for training and test
표 Table 3. Number of dataset for training and validation (P: precision, R: recall, F1: harmonic mean, A: accuracy)
표 Table 4. Confusion matrix
그림 Fig. 8. Precision-recall curve
그림 Fig. 10. Application of Deep learning model for Fire detection: (a) Underground utility facility(UUF): 88%, (b) UUF: 88%, (c) Building: 98%, (d) Tunnel: 100%, (e) UUF: 92%, (f) UUF: 58%, (g) Building: 95%
그림 Fig. 11. Deep learning module for fire detection: bias optimization model
그림 Fig. 9. Loss Curve
표 Table 5. Comparison with performance metrics of deep learning models for fire detection

AI 본문요약
AI-Helper

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

문제 정의

본 논문은 지하공동구 및 이와 유사한 환경에서 발생하는 화재를 탐지하기 위한 딥러닝 기반 모델과 이에 대한 학습 방법을 제시하고, 제안된 방법을 화재 영상에 적용하여 모델의 성능을 평가하였다. 이를 통해 얻은 주요 결론을 정리하면 다음과 같다.
이러한 이유로 본 연구는 절대적인 데이터가 부족한 지하공동구 화재 영상을 변조 하는 대신, 일반 환경 조건의 화재 이미지를 함께 모델에 학습시켰고, 데이터를 구분해 학습시킴으로써 화재에 대한 모델의 이해도를 향상하고 예측 성능을 개선하도록 하였다.
추가로 CCTV 특성상 24 시간 상시 가동되어 프레임 용량과 FPS(frame per second)가 높아 개발 모듈의 효용성 또한 고려되어야 한다. 이러한 이유로 본 연구는 지하공동구 내 화재탐지를 위한 딥러닝 모델을 개발하고 이를 학습시키기 위한 방법론을 함께 제시하였다. 먼저 본 연구의 지하공동구 환경의 화재 인식을 위한 학습 데이터 구축방법을 설명하였으며, 지하공동구 내 화재 탐지 최적화를 위한 편향학습법 및 딥러닝 알고리즘을 제안하였다.

제안 방법

그러나 본 연구는 훈련데이터를 targeted data와 supporting data로 구분함으로써 딥러닝 모델이 화재를 빛과 기하형상 특성을 갖는 객체로 이해할 수 있도록 유도하였다. 또한, 데이터셋 규모를 달리한 반복적인 시행착오를 통해 지하공동구 및 유사환경 화재 데이터(targeted data) 대비 요구되는 화재 데이터 비율을 도출하고, 이에 바탕하여 딥러닝 모델의 복잡도에 상응하는데이터를 학습시켰다.
둘째, 화재 탐지 문제에 대해 inception block과 skip connection 모듈을 포함한 합성곱 기반의 딥러닝 모델을 사용하는 조건에서 지하공동구 환경의 화재 데이터 부족 문제에 기여할 수 있는 편향 학습방법을 제시하였다. 어두운 환경에서의 화재 데이터와 일반 환경의 화재 데이터를 조합하여도 지하공동구 환경의 화재에 대해 높은 객체 인식 성능을 확보할 수 있음을 확인하였다.
7에 나타낸 바와 같이 이전 층의 입력값을 출력 층에 직접적으로 산술 덧셈을 해줌으로써 데이터 학습(back propagation) 중의 가중치 감소를 막아주는 역할을 한다. 또한 Inception block 추가로 인해 높아진 전체 모델의 복잡도를 완화시켜줌으로 확률적 경사하강법(stochastic gradient descent)을 통한 신경망층의 가중치 학습 속도를 개선시킨다.
본 연구의 모델이 학습하는 이미지 규격은 416x416 크기로 고정되도록 설계되었으므로 수집된 데이터셋은 여기에 맞게 resizing하였다. 또한 뉴런 내 가중치가 0을 중심으로 분포하도록 정규화하여 모델 학습이 용이하도록 하였다(Normalized zero mean shift).
그러나 본 연구는 훈련데이터를 targeted data와 supporting data로 구분함으로써 딥러닝 모델이 화재를 빛과 기하형상 특성을 갖는 객체로 이해할 수 있도록 유도하였다. 또한, 데이터셋 규모를 달리한 반복적인 시행착오를 통해 지하공동구 및 유사환경 화재 데이터(targeted data) 대비 요구되는 화재 데이터 비율을 도출하고, 이에 바탕하여 딥러닝 모델의 복잡도에 상응하는데이터를 학습시켰다.
이러한 이유로 본 연구는 지하공동구 내 화재탐지를 위한 딥러닝 모델을 개발하고 이를 학습시키기 위한 방법론을 함께 제시하였다. 먼저 본 연구의 지하공동구 환경의 화재 인식을 위한 학습 데이터 구축방법을 설명하였으며, 지하공동구 내 화재 탐지 최적화를 위한 편향학습법 및 딥러닝 알고리즘을 제안하였다. 제안된 모델의 화재 탐지 성능을 평가하고 화재 탐지와 관련된 기존 연구의 딥러닝 모델의 성능을 비교함으로써 제안된 모델의 화재 탐지 성능 수준을 검토하였다.
본 연구는 모델 성능을 정량적으로 평가하기 위해 화재 객체 탐지에 대한 정확도(accuracy), 정밀도(precision), 검출률(recall), 정밀도와 재현율의 조화평균(F₁-score)을 사용하며, 각각에 대한 산정방법은 Eq.(1)~(4)에 나타내었다.
본 연구의 딥러닝 모델은 LeNet, ResNet을 병합한 구조로 설계되었다 (Fig. 5). 어두운 환경에서의 불꽃 객체 탐지에 유리하도록 기본 합성곱(convolution)을 갖는 LeNet에 GoogleNet의 Inception block with bottleneck(Fig.
불꽃 탐지에 필요한 경계박스만 최종적으로 도출되도록 딥러닝 모델 끝단에 k-means clustering 방법을 적용한 filter block을 추가하여 하였다(Fig. 5).
수집된 데이터를 지하공동구 화재 탐지에 부합하는 영상 데이터 (targeted data, Fig. 3)와 지하공동구 환경과 다소 차이는 있으나 학습에 도움되는 특징 및 객체가 있는 데이터(supporting data, Fig. 4)로 구분하였다. 이와 같은 학습 데이터 구분은 불꽃의 객체 특성상 기하학적 특징을 모델이 이해하도록 학습시키는 대신 모델이 불꽃의 본질을 광학적 특성으로 이해할 수 있도록 유도한다.
5). 어두운 환경에서의 불꽃 객체 탐지에 유리하도록 기본 합성곱(convolution)을 갖는 LeNet에 GoogleNet의 Inception block with bottleneck(Fig. 6)과 ResNet의 skip connection(Fig. 7)을 추가하였다. 이를 통해 모델의 압축 및 경량화를 가능하게 하였다.
확보가 어렵다. 이러한 이유로 기존 지하 공동구에 대한 화재 데이터를 직접 수집하는 대신, (1) 언론 매체 등을 통해 공개된 지하공동구 및 지하공동구와 같이 낮은 조도 환경에서의 화재 데이터, (2) 일반 상황에서의 화재 데이터를 수집하였고, 딥러닝 학습 모듈이 불규칙한 불꽃을 인지할 수 있도록 육안으로 대비되는 다양한 불꽃 형상을 포함한 데이터를 선별할 수 있도록 하였다.
제안된 모델을 학습하고 모델의 성능을 평가하였다. 지하공동구 내 화재 탐지를 위해 활용된 데이터셋의 수량을 정리하여 Table 2에 나타내었다.
먼저 본 연구의 지하공동구 환경의 화재 인식을 위한 학습 데이터 구축방법을 설명하였으며, 지하공동구 내 화재 탐지 최적화를 위한 편향학습법 및 딥러닝 알고리즘을 제안하였다. 제안된 모델의 화재 탐지 성능을 평가하고 화재 탐지와 관련된 기존 연구의 딥러닝 모델의 성능을 비교함으로써 제안된 모델의 화재 탐지 성능 수준을 검토하였다.
추가로 화재로 오인할 수 있는 조명, 빛 반사 등의 객체에 대한 필러링 능력을 검토하였다(Fig. 11). 터널 내조명 및 차량 전조등, 화재 잔상, 조명 빛 반사를 포함한 영상에 개발된 딥러닝 모델을 적용하였으나, 경계박스는 해당 객체들 위로 나타나지 않았다.

대상 데이터

데이터셋은 다양한 크기의 RGB 이미지와 불꽃 객체에 대한 TLBR 라벨링 박스로 구성된다. 본 연구의 모델이 학습하는 이미지 규격은 416x416 크기로 고정되도록 설계되었으므로 수집된 데이터셋은 여기에 맞게 resizing하였다.
대한 TLBR 라벨링 박스로 구성된다. 본 연구의 모델이 학습하는 이미지 규격은 416x416 크기로 고정되도록 설계되었으므로 수집된 데이터셋은 여기에 맞게 resizing하였다. 또한 뉴런 내 가중치가 0을 중심으로 분포하도록 정규화하여 모델 학습이 용이하도록 하였다(Normalized zero mean shift).
개발된 데이터 수집 프로그램은 데이터의 조회, 수집, 라벨링 등의 기능을 제공함으로써 효과적인 데이터의 수집, 가공, 검수를 가능하게 한다. 영상 데이터 구축을 위해 18명의 인력이 투입되었으며(수집: 5명, 수집검수: 1명, 라벨링: 10명, 라벨링 검수: 2명), 이를 통해 최종 확보된 데이터는 약 1만개이다.
영상 데이터는 직접 촬영과 자체 구축한 웹 크롤러 프로그램을 통해 수집되었다. Fig.

이론/모형

각 데이터를 이미지 내에 있는 목표 객체의 위치, 크기 정보를 포함하도록 TLBR 직교좌표 방법(Fig. 2a)을 활용해 라벨링 하였다. 실제 학습에 요구되는 데이터는 라벨링 박스의 중심 좌표이므로 중심좌표 방법(Fig.
2a)을 활용해 라벨링 하였다. 실제 학습에 요구되는 데이터는 라벨링 박스의 중심 좌표이므로 중심좌표 방법(Fig. 2b)을 활용할 수도 있으나, 오차 손실 영향을 최소화하기 위해 TLBR 방법을 적용하였다.

성능/효과

1은 개발된 웹 크롤러 시스템의 구조를 보여준다. 개발된 데이터 수집 프로그램은 데이터의 조회, 수집, 라벨링 등의 기능을 제공함으로써 효과적인 데이터의 수집, 가공, 검수를 가능하게 한다. 영상 데이터 구축을 위해 18명의 인력이 투입되었으며(수집: 5명, 수집검수: 1명, 라벨링: 10명, 라벨링 검수: 2명), 이를 통해 최종 확보된 데이터는 약 1만개이다.
10에서 a, b, e, f는 지하 공동구에서 발생된 화재 영상, d는 터널 내 화재, c와 g는 건물 내 낮은 조도 환경에서의 화재를 대상으로 화재 탐지를 수행해 얻은 결과이며, 화재로 인지하기 어려운 영상 조건에서도 이를 감지해내고 있음을 보여준다. 개발된 모델이 구조물 사이에 발생한 불꽃뿐만 아니라 불꽃에 대한 반사 빛 영역까지 감지해내고 있어 화재로 보기 모호한 영상에 대해서도 좋은 성능을 보여주고 있음을 확인할 수 있다. 이를 통해 3.
97)로부터 제안된 딥러닝 모델의 구조가 화재 감지에 높은 정밀도를 가질 수 있음을 확인할 수 있다. 또한 Loss curve를 확인함으로써 모델의 과적합을 검토함으로써, 학습모델이 특정 데이터셋에 최적화되지 않고 다양한 데이터셋에 대해서도 일반화된 성능을 가지는 것을 확인하였다.
판단된다. 또한 제안된 모델을 지하공동구 및 이와 유사한 환경의 시설물에서 발생된 화재 영상에 적용한 경우, 화재뿐만 아니라 화재로 인식하기 모호한 객체에 대해서도 잘 구별해내고 있음을 확인할 수 있다.
셋째, 제안된 모델은 모든 성능평가지표가 92% 이상이며 기존 화재 감지 딥러닝 모델과 비교할 때도 높은 정밀도와 검출률을 보여주고 있어 화재 탐지 능력이 높고 안정적이라 판단된다. 또한 제안된 모델을 지하공동구 및 이와 유사한 환경의 시설물에서 발생된 화재 영상에 적용한 경우, 화재뿐만 아니라 화재로 인식하기 모호한 객체에 대해서도 잘 구별해내고 있음을 확인할 수 있다.
어두운 환경에서의 화재 데이터와 일반 환경의 화재 데이터를 조합하여도 지하공동구 환경의 화재에 대해 높은 객체 인식 성능을 확보할 수 있음을 확인하였다. 모델성능 최적화를 위한 각 데이터셋의 비율에 대해서는 추가 연구가 필요하다.
Confidence 레벨에 대해 설정된 threshold 값 이상의 confidence를 가져야만 검출된 것으로 인정되므로, confidence가 낮으면 인식 정확도가 낮은 결과를 걸러내는 역할도 가능하다. 이번 불꽃 검출 학습 모델의 PR curve 선의 아래 면적인 Average Precision(AP)을 구한 결과 0.97이 도출되어 면적이 1에 가까운 높은 수준의 우수한 알고리즘으로 평가할 수 있다.
여기서 기존 연구에 비해 본 연구의 데이터셋의 크기가 큼에도 검출률이 높은 것은 모델의 신뢰성이 훨씬 높음을 의미한다. 일반적으로 검출률이 높으면 정밀도가 떨어지는 것이 보통이나 본 연구에서 제안된 학습방법에 의해 도출된 딥러닝 모델은 92%의 높은 정밀도를 보여주고 있다.
조화평균 비교에서 비록 본 연구의 딥러닝 모델의 정밀도가 Elastic-YOLO v3 모델을 사용한 연구[18]에 비해 낮기는 하지만, 실제 상황에 적용 시 검출률이 더 중요하므로 본 연구의 딥러닝 모델이 상용화 측면에서 더 유리하다 할 수 있다. 한편, NightFire-DB를 포함한 기존 연구에서 사용된 데이터셋은 대부분 야간 화재 이미지로 구성된다.
첫째, PR curve 평가(AP: 0.97)로부터 제안된 딥러닝 모델의 구조가 화재 감지에 높은 정밀도를 가질 수 있음을 확인할 수 있다. 또한 Loss curve를 확인함으로써 모델의 과적합을 검토함으로써, 학습모델이 특정 데이터셋에 최적화되지 않고 다양한 데이터셋에 대해서도 일반화된 성능을 가지는 것을 확인하였다.

후속연구

어두운 환경에서의 화재 데이터와 일반 환경의 화재 데이터를 조합하여도 지하공동구 환경의 화재에 대해 높은 객체 인식 성능을 확보할 수 있음을 확인하였다. 모델성능 최적화를 위한 각 데이터셋의 비율에 대해서는 추가 연구가 필요하다.
한편, NightFire-DB를 포함한 기존 연구에서 사용된 데이터셋은 대부분 야간 화재 이미지로 구성된다. 본 연구의 모델은 학습 시 야간 화재 데이터를 supporting data로 학습하였기 때문에 지하 공동구 내 화재 탐지뿐만 아니라 일반 야간 화재에서도 좋은 성능을 보일 것이라 판단할 수 있다.

참고문헌 (26)

J. W. Shin, "Introduction of Recent Deep Learning Algorithms for Image Identification," The Journal of the Korea Institute of Communication Sciences, vol.34, no.7, pp.25-30, 2017. (In Korean)
S. Shim, S. I. Choi, "Development on Identification Algorithm of Risk Situation around Construction Vehicle Using YOLO-v3," Journal of the Korea Academia-Industrial Cooperation Society, vol.20, no.7, pp.622-629, July 2019. (In Korean) DOI: https://doi.org/10.5762/KAIS.2019.20.7.622

원문보기 상세보기
S. Chung, S. Moon, S. Chi, "Bridge Damage Factor Recognition from Inspection Reports Using Deep Learning," Journal of the Korean Society of Civil Engineers, vol.38, no.4, pp.612-625, August 2018. DOI: https://doi.org/10.12652/Ksce.2018.38.4.0621

원문보기 상세보기
K. J. Kim, Y. S. Park, S. W. Park, "Development of Artificial Neural Network Model for Estimation of Cable Tension of Cable-Stayed Bridge", Journal of the Korea Academia-Industrial Cooperation Society, vol.21, no.3, pp.414-419, March 2020. (In Korean) DOI: https://doi.org/10.5762/KAIS.2020.21.3.414

원문보기 상세보기
J. Choi, "Development of Estimation Model for Hysteresis of Friction Using Artificial Intelligent," Journal of the Korea Academia-Industrial Cooperation Society, vol.12, no.7, pp.2913-2918, July 2011. (In Korean) DOI: https://doi.org/10.5762/KAIS.2011.12.7.2913

원문보기 상세보기
B. Lee, D. Han, "Flame and Smoke Detection Method for Early and Real-time Detection of Tunnel Fire," The Institute of Electronics Engineers of Korea-Signal Processing, vol.45, no.4, pp.59-70, July 2008. (In Korean)
J. Yim, H. Park, W. Lee, M. S. Kim, Y. T. Lee, "Deep Learning Based CCTV Fire Detection System," Proceeding of the Korea Institute of Broadcast and Media Engineers, pp.139-141, 2017. (In Korean)
H. S. Shin, K. B. Lee, M. J. Yim, D. G. Kim, "Development of a Deep-Learning Based Tunnel Incident Detection System on CCTVs," Journal of Korean Tunnelling and Underground Space Association, vol.19, no.6, pp.915-936, 2017. (In Korean) DOI: https://doi.org/10.9711/KTAJ.2017.19.6.915

원문보기 상세보기
H. S. Shin, D. G. Kim, M. J. Yim, K. B. Lee, , Y. S. Oh, "A Preliminary Study for Development of an Automatic Incident Detection System on CCTV in Tunnels Based on a Machine Learning Algorithm," Journal of Korean Tunnelling and Underground Space Association, vol.19, no.1, pp.95-107, 2017. (In Korean) DOI: https://doi.org/10.9711/KTAJ.2017.19.1.095

원문보기 상세보기
K. B. Lee, H. S. Shin, "Effect on Self-Enhancement of Deep-Learning Inference by Repeated Training of False Detection Cases in Tunnel Accident Image Detection," Journal of Korean Tunnelling and Underground Space Association, vol.21, no.3, pp.419-432, 2019. (In Korean) DOI: https://doi.org/10.9711/KTAJ.2019.21.3.419

원문보기 상세보기
T. H. Kim (2017) Deep Learning from Scratch, p.312, Hanbit Media, pp.268-272, 2017. (In Korean)
C. Szegedy, W. Lui, Y. Jia, P. Sermanet, S. Reed, D. Anguelov, D. Ertan, V. Vanhoucke, A. Rabinovich, "Going Deeper with Convolutions," In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, pp.1-9, 2015.
K. He, X. Zhang, S. Ren, J. Sun, "Deep Residual Learning for Image Recognition," In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, pp.770-778, 2016.
R. Roy. Using YOLOv3 for Real-Time Detection of PPE and Fire [Internet], Towards Data Science, c2020 [cited 2020 May 12], Available From: https://towardsdatascience.com/using-yolov3-for-real-time-detection-of-ppe-and-fire-1c671fcc0f0e (Accessed Oct. 29, 2020)
W. Liu, D. Anguelov, D. Erhan, C. Szegedy, S. Reed, C.Y. Fu, A.C. Berg, "SSD: Single shot multibox detector," In Proceedings of European Conference on Computer Vision(ECCV), Amsterdam, Netherlands, pp.1-17, Oct. 2016. quoted in Park and Ko (2020) [18]
S. Wu, L. Zhang, "Using popular object detection methods for real time forest fire detection," In Proceedings of the 11th International Symposium on Computational Intelligence and Design (SCID), Hangzhou, China, pp.280-284, Dec. 2018. quoted in Park and Ko (2020) [18] DOI: https://doi.org/10.1109/ISCID.2018.00070
J. Redmon, A. Farhadi, "YOLOv3: Incremental Improvement," ArXiv Preprint arXiv:1804.02767, 2018. quoted in Park and Ko (2020) [18]
M. Park, B.C. Ko, "Two-Step Real-Time Night-Time Fire Detection in an Urban Environment Using Static ELASTIC-YOLOv3 and Temporal Fire-Tube," Sensors, vol.20, no.8, 2202, April 2020. DOI: https://doi.org/10.3390/s20082202

상세보기
K. Muhammad, J. Ahmad, I. Mehmood, S. Rho, S. W. Baik, "Convolutional Neural Networks Based Fire Detection in Surveillance Videos," IEEE Transactions on Systems, Mand, and Cybernetics: Systems, vol.49, no. 7, pp.1419-1434, April 2018. DOI: https://doi.org/10.1109/TSMC.2018.2830099

상세보기
K. Muhammad, J. Ahmad, I. Mehmood, S. W. Baik, "Early Fire Detection Using Convolutional Neural Networks during Surveillance for Effective Disaster Management", Neurocomputing, vol.288, pp.30-42, May 2018. quoted in Muhammad et al. (2018) [19] DOI: https://doi.org/10.1016/j.neucom.2017.04.083

상세보기
D. Y. T. Chino, L. P. S. Avalhais, J. F. Rodrigues, A. J. M. Traina, "BoWFire: Detection of Fire in Still Images by Integrating Pixel Color and Texture Analysis," in Proc. 28th SIBGRAPI Conf. Graph., Patterns Images, pp.95-102, August 2015. quoted in Muhammad et al. (2018) [19]
S. Rudz, K. Chetehouna, A. Hafiane, H. Laurent, O. Sero-Guillaume, "Investigation of a Novel Image Segmentation Method Dedicated to Forest Fire Applications," Meas. Sci. Technol., vol.24, no.7, p.075403, 2013. quoted in Muhammad et al. (2018) [19]

상세보기
L. Rossi, M. Akhloufi, Y. Tison, "On the Use of Stereovision to Develop a Novel Instrumentation System to Extract Geometric Fire Fronts Characteristics," Fire Safety Journal, vol.46, pp.9-20, 2011. quoted in Muhammad et al. (2018) [19] DOI: https://doi.org/10.1016/j.firesaf.2010.03.001

상세보기
T. Celik, H. Demirel, "Fire Detection in Video Sequences Using a Generic Color Model," Fire Safety Journal, vol.46, no.2, pp.147-158, 2009. quoted in Muhammad et al. (2018) [19] DOI: https://doi.org/10.1016/j.firesaf.2008.05.005

상세보기
S. Verstockt, T. Beji, P. D. Potter, S. V. Hoecke, B. Sette, B. Merci, R.V. Walle, "Video Driven Fire Spread Forecasting (f) Using Multi-Modal LWIR and Visual Flame and Smoke Data," Pattern Recognition Letters, vol.34, no.1, pp.62-69, 2013. quoted in Muhammad et al. (2018) [19] DOI: https://doi.org/10.1016/j.patrec.2012.07.018

상세보기
B.C. Ko, S. J. Ham, J. Y. Nam, "Modeling and Formalization of Fuzzy Finite Automata for Detection of Irregular Fire Flames," IEEE Trans. Circuits Syst. Video Technol., vol.21, no.12, pp.1903-1912, Dec. 2011. quoted in Muhammad et al. (2018) [19] DOI: https://doi.org/10.1109/TCSVT.2011.2157190

상세보기

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