早期火灾检测使用基于长期短期内存的实例细分和物联网用于灾害管理
1Department of Information Technology, Faculty of Computing and Information Technology, King Abdulaziz University, P.O. Box 344, Rabigh 21911, Saudi Arabia.
Sensors (Basel, Switzerland)
|November 25, 2023
概括
一个新的混合深度学习模型,IS-CNN-LSTM,有效地检测高精度和低误报警的火灾. 这种先进的火灾检测系统利用实例细分和物联网 (IoT) 设备进行及时警报.
科学领域:
- 计算机科学 计算机科学
- 人工智能的人工智能
- 环境科学 环境科学
背景情况:
- 火灾爆发带来了重大的全球风险,人口增长和气候变化加剧了这种风险.
- 现有的火灾检测方法在准确性,复杂性和检测小火或远距离火灾方面存在困难.
研究的目的:
- 开发一种新的混合模型 (IS-CNN-LSTM),用于准确的火灾检测和强度分析.
- 为了应对从远距离检测小火灾和火灾的挑战.
- 创建一个优化的火灾检测系统,具有较低的错误报警率.
主要方法:
- 实现与长短期记忆 (LSTM) 网络集成的57层卷积神经网络 (CNN) 模型.
- 使用实例细分来区分火灾和非火灾事件.
- 采用关键提取算法来减少模型复杂性,并集成物联网 (IoT) 设备进行实时警报.
主要成果:
- 在火灾和普通视频的公共数据集上实现了95.25%的分类准确性.
- 证明了0.09%的低虚假阳性率 (FPR) 和0.65%的虚假阴性率 (FNR).
- 该模型实现了0.08秒的快速预测时间.
结论:
- 拟议的IS-CNN-LSTM模型为火灾检测和强度分析提供了高度准确和高效的解决方案.
- 整合CNN,LSTM,实例细分和物联网设备,为实时火灾监控和报警提供了一个强大的系统.
- 这种先进的方法有效地解决了以前的火灾检测技术的局限性,为减轻与火灾有关的损害提供了重大潜力.
