[논문]열화상 영상 데이터 기반 배전반 화재 발생 판별을 위한 딥러닝 모델 설계

박동준; 김민영

doi:10.17703/jcct.2023.9.5.737

[국내논문] 열화상 영상 데이터 기반 배전반 화재 발생 판별을 위한 딥러닝 모델 설계
Design of a deep learning model to determine fire occurrence in distribution switchboard using thermal imaging data 원문보기

Journal of the convergence on culture technology : JCCT = 문화기술의 융합, v.9 no.5, 2023년, pp.737 - 745

박동준 (동의대학교 ICT융복합연구소) , 김민영 (동의대학교 ICT융복합연구소)

초록
AI-Helper

본 논문은 열화상 이미지를 활용하여 배전반 화재 발생을 감지하기 위한 인공지능 모델을 개발하는 연구에 대해 다룬다. 연구의 목표는 수집한 열화상 이미지를 전처리하여 객체 탐지 모델에 적합한 데이터로 가공하고, 이를 이용하여 배전반 내 화재 발생 여부를 판단하는 모델을 설계하는 것이다. 연구에서는 AI-HUB의 산업단지 내 학습용 열화상 이미지 데이터를 활용하였으며, CNN 기반 딥러닝 객체 검출 알고리즘 중 대표적인 모델인 Faster R-CNN과 RetinaNet을 사용하여 모델을 구축하고 두 개의 모델을 비교 분석하여 최적의 모델을 제안하고 있다.

Abstract ▼ AI-Helper

This paper discusses a study on developing an artificial intelligence model to detect incidents of fires in distribution switchboard using thermal images. The objective of the research is to preprocess collected thermal images into suitable data for object detection models and design a model capable of determining the occurrence of fires within distribution panels. The study utilizes thermal image data from AI-HUB's industrial complex for training. Two CNN-based deep learning object detection algorithms, namely Faster R-CNN and RetinaNet, are employed to construct models. The paper compares and analyzes these two models, ultimately proposing the optimal model for the task.

주제어

표/그림 (14)

그림 그림 1. 시설 그리고 저장공간의 발화지점 화제 건수 Figure 1. Number of hot topics related to ignition points in facilities and storage spaces
그림 그림 2.. Faster R-CNN 아키텍처 Figure 2. Faster R-CNN Architecture
그림 그림 3. RetinaNet 아키텍처 Figure 3. RetinaNet Architecture
그림 그림 4. COCO Dataset을 이용한 성능 평가(속도, 정확성) Figure 4. Performance evaluation (speed, accuracy) using COCO Dataset
그림 그림 5. 제외한 이미지 데이터 사례 Figure 5. Example of excluded image data
그림 그림 6. 라벨링한 이미지 샘플 Figure 6. Labeled image samples
그림 그림 7. Faster R-CNN 기반 모델 진행 흐름 Figure 7. Faster R-CNN based model progress flowchart
표 표 1. 데이터 라벨링 기준 Table 1. Data labeling criteria
그림 그림 8. RetinaNet 기반 모델 진행 흐름 Figure 8. RetinaNet based model progress flowchart
그림 그림 9. Faster R-CNN 학습 결과 Figure 9. Faster R-CNN learning results
표 표 2. 각 모델 학습 과정 분류표 Table 2. Classification of each model learning process
그림 그림 10. RetinaNet 학습 결과 Figure 10. Faster R-CNN learning results
그림 그림 11. 각 클래스별 검출된 결과 이미지 Figure 11. Detected result images by class
표 표 3. 각 클래스별 검증된 비율 Table 3. Simulation Parameters

참고문헌 (9)

National Fire Data System, fire statistics？[Internet] , Available : https://nfds.go.kr/stat/general.do
Deepak Kumar and M.A.Ansari, "Condition？monitoring of eletrical assets using digital IRT？and AI technique," Journal of Electrical Systems？and information Technology, Vol. 5, No.3, pp.？623-634, Dec. 2018.？(DOI: https://doi.org/10.1016/j.jesit.2017.10.001)

상세보기
Joo-Sik Kim, Kyu-Nam Choi, Hyung-Geun Lee？and Sung-Woo Kang, "Detection and Diagnosis？of Power Distribution Supply Facilities Using？Thermal Images," Journal of the Korea Safety？Management & Science, Vol. 22, No.1, pp. 1-8,？March 2020.？(DOI : http://dx.doi.org/10.12812/ksms.2020.22.1.001)

원문보기 상세보기
Hyung-Geun Lee, Yong-Min Hong, Sung-Woo？Kang, "Identifying Process Capability Index for？Electricity Distribution System through Thermal？Image Analysis," J Korean Soc Qual Manag？Vol. 49, No.3, pp. 327-340, Sep. 2021.？(DOI : https://doi.org/10.7469/JKSQM.2021.49.3.327)

원문보기 상세보기
Tistory, Grinding Object Detection 4. Faster？R-CNN [Internet] , Available :？https://yeomko.tistory.com/17
Shaoqing Ren, Kaiming He, Ross Girshick, and？Jian Sun, "Faster R-CNN: Towards Real-Time？Object Detection with Region Proposal？Networks," Advances in Neural Information？Processing Systems 28 (NIPS 2015), Jan. 2016.
Tsung-Yi Lin, PriyaGoayl, Ross Girchick,？Kaiming He and Piotr Dollar, "Focal Loss for？Dense Object Detection," IEEE Transactions on？Pattern Analysis and Machine Intelligence, Vol.？42, Issue 10, pp.318-327, Feb. 2020.？(DOI : 10.1109/TPAMI.2018.2858826)

상세보기
Yong-Hwan Lee and Young-Seop Kim,？"Comparison of CNN and YOLO for Object？Detection," Journal of the Semiconductor &？Display Technology, Vol. 19, No.1, pp. 85-92,？March 2020.
AI Hub, Disaster Safety Environment, Thermal？mager image [Internet] , Available :？https://aihub.or.kr

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