Journal of the Korea Institute of Information and Communication Engineering (한국정보통신학회논문지)

The Korea Institute of Information and Commucation Engineering (한국정보통신학회)
권호 표지
DOI QR코드

DOI QR Code

Image based Fire Detection using Convolutional Neural Network

CNN을 활용한 영상 기반의 화재 감지

  • Kim, Young-Jin (Department of Computer Science & Engineering, Graduate School, Korea University of Technology and Education) ;
  • Kim, Eun-Gyung (School of Computer Science & Engineering, Korea University of Technology and Education)
  • Received : 2016.05.31
  • Accepted : 2016.06.21
  • Published : 2016.09.30
Download PDF
⟨ Previous Next ⟩

Abstract

Performance of the existing sensor-based fire detection system is limited according to factors in the environment surrounding the sensor. A number of image-based fire detection systems were introduced in order to solve these problem. But such a system can generate a false alarm for objects similar in appearance to fire due to algorithm that directly defines the characteristics of a flame. Also fir detection systems using movement between video flames cannot operate correctly as intended in an environment in which the network is unstable. In this paper, we propose an image-based fire detection method using CNN (Convolutional Neural Network). In this method, firstly we extract fire candidate region using color information from video frame input and then detect fire using trained CNN. Also, we show that the performance is significantly improved compared to the detection rate and missing rate found in previous studies.

기존의 센서 기반 화재 감지 시스템은 주변 환경이 센서에 미치는 요인들에 따라 성능이 크게 제한될 수 있다. 이러한 문제를 해결하기 위해 영상 기반의 화재 감지 시스템이 다수 등장했지만, 영상에서 화염의 특성을 사람이 직접 정의하여 알고리즘을 개발하기 때문에 유사 개체에 대해 오경보를 발생시킬 수 있다. 또한 영상 프레임간의 움직임을 이용할 경우, 네트워크가 원활하지 않은 환경에서는 의도한 알고리즘이 정확하게 동작하지 않는 단점이 있다. 본 논문에서는 입력 영상 프레임으로부터 색상정보를 이용하여 화염의 후보 영역을 먼저 검출한 다음, 학습된 CNN(Convolutional Neural Network)을 활용해서 최종적으로 화재를 감지하는, CNN을 활용한 영상 기반의 화재 감지 방법을 제안하였다. 또한, 검출률과 미검출율 및 오검출률의 비교를 통해서 기존 연구에 비해 성능이 크게 향상되었음을 보였다.

Keywords

References

  1. Ministry of Public Safety and Security National Fire Data System, statistics from 2011 to 2015 [Internet]. Available: http://www.nfds.go.kr/fr_base_0001.jsf.
  2. T. Celik and H. Demirel, "Fire Detection in Video Sequences Using a Generic color Model," Fire Safety Journal, vol. 44, no. 2, pp. 147-158, Feb. 2009. https://doi.org/10.1016/j.firesaf.2008.05.005
  3. A. Krizhevsky, I. Sutskever, and G. Hinton, "Imagenet classification with deep convolutional neural network," in Advances in Neural Information Processing Systems, pp. 1097-1105, 2012.
  4. Y. Jia, E. Shelhamer, J. Donahue, S. Karayev, J. Long, R. Girshick, S. Guadarrama, and T. Darrell "Caffe: An open source convolutional architecture for fast feature embedding," in Proceeding of the ACM international Conference on Multimedia, ACM, pp. 675-678, 2014.
  5. W. B. Horng, J. W. Peng, and C. Y. Chen. "A new image-based real-time flame detection method using color analysis," in Proceeding of the IEEE Networking, Sensing and Control, pp. 100-105, 2005.
  6. Y. T. Do, "Visual Sensing of Fires Using Color and Dynamic Features", Journal of Sensor Science and Technology, vol. 21, no. 3, pp. 211-216, Mar. 2012. https://doi.org/10.5369/JSST.2012.21.3.211
  7. O. Russakovsky, J. Deng, H. Su, J. Krause, S. Satheesh, S. Ma, Z. Huang, A. Karpathy, A. Khosla, M. Bernstein, A. C. Berg, L. and Fei-Fei, "Imagenet large scale visual recognition challenge," International Journal of Computer Vision, vol. 115, no. 3, pp. 211-252, April. 2015. https://doi.org/10.1007/s11263-015-0816-y
  8. B.U. Toreyin, Y. Dedeoglu, U. Gudukbay, and A. E. Cetin, "Computer vision based method for real-time fire and flame detection." Pattern recognition letters, vol. 27, no. 1, pp. 49-58, Jan. 2006. https://doi.org/10.1016/j.patrec.2005.06.015
  9. K. H. Cheong, B. C. Ko, and J. Y. Nam, "Automatic fire detection system using Bayesian Network," Korea Information Processing Society, vol. 15, no. 2, pp. 87-94, Feb. 2008.

Cited by

  1. S-FDS : 퍼지로직과 딥러닝 통합 기반의 스마트 화재감지 시스템 vol.54, pp.4, 2016, https://doi.org/10.5573/ieie.2017.54.4.50
  2. 컨볼루셔널 인코더-디코더 네트워크를 이용한 터널에서의 균열 검출 vol.54, pp.6, 2016, https://doi.org/10.5573/ieie.2017.54.6.80
  3. 이미지 인식 기반 향상된 개인정보 식별 및 마스킹 시스템 설계 및 구현 vol.17, pp.5, 2016, https://doi.org/10.7236/jiibc.2017.17.5.1
  4. 전처리와 특징 추출이 CNN기반 화재 탐지 성능에 미치는 효과 vol.23, pp.4, 2016, https://doi.org/10.9723/jksiis.2018.23.4.041
  5. 지역적 가중치 파라미터 제거를 적용한 CNN 모델 압축 vol.22, pp.9, 2016, https://doi.org/10.6109/jkiice.2018.22.9.1165
  6. Study on Detecting Fires and Finding Rescuers vol.19, pp.1, 2016, https://doi.org/10.9798/kosham.2019.19.1.225
  7. 플래카드 자동 인식을 위한 관심 영역 추출 vol.23, pp.4, 2016, https://doi.org/10.6109/jkiice.2019.23.4.374
  8. Dependable Fire Detection System with Multifunctional Artificial Intelligence Framework vol.19, pp.9, 2016, https://doi.org/10.3390/s19092025
  9. A Study on Stable Response of the CNN-Based Monitoring Applications Through Virtualized Platform vol.20, pp.12, 2016, https://doi.org/10.9728/dcs.2019.20.12.2525
  10. Wildfire-Detection Method Using DenseNet and CycleGAN Data Augmentation-Based Remote Camera Imagery vol.12, pp.22, 2016, https://doi.org/10.3390/rs12223715
  11. CNN의 SoftMax 연산을 위한 연속 근사 방식의 로그 연산 회로 vol.25, pp.2, 2016, https://doi.org/10.6109/jkiice.2020.25.2.330