嵌入式时空卷积神经网络基于分散的光信号来对火灾和干扰性气溶分类进行分类.
Fang Xu1, Ming Zhu2,3, Mengxue Lin2,3
1Shenyang Fire Research Institute of M.E.M., Shenyang 110034, China.
Sensors (Basel, Switzerland)
|February 10, 2024
概括
这项研究引入了嵌入式时空卷积神经网络 (EST-CNN),以提高光电烟雾探测器的准确性. 该模型有效地区分真实的火灾烟雾和干扰,大大减少了家庭的错误报警.
科学领域:
- 消防安全工程 消防安全工程
- 在传感器技术中的人工智能.
- 气溶科学是一门气溶科学.
背景情况:
- 光电烟雾探测器提供早期火灾警告,但由于不同类型的烟雾和干扰性气溶,其错误报警率很高.
- 这种限制阻碍了它们在住宅环境中的广泛采用,特别是在中国.
研究的目的:
- 开发一种先进的模型,用于准确识别和分类火灾烟雾和干扰性气溶.
- 通过尽量减少虚假报警,提高光电烟雾探测器的可靠性.
主要方法:
- 设计了一个嵌入式时空卷积神经网络 (EST-CNN),具有信息融合,散射特征提取和气溶分类模块.
- 开发了一种新的二维空间时间散射 (2D-TS) 矩阵,用于融合散射光强度数据.
- EST-CNN的训练和验证使用来自定制火试平台和双波长,双角度光电烟雾探测器的实验数据.
主要成果:
- 对于各种气溶,EST-CNN的平均分类准确度为98.96%.
- 该模型拥有紧的尺寸,只有67kB的网络参数.
- 广泛的实验证实了高性能最佳网络参数.
结论:
- 开发的EST-CNN模型在区分火灾烟雾和干扰性气溶方面表现出高效.
- 该模型的效率和准确性使其适合直接集成到现有的商业光电烟雾探测器中.
- 实施EST-CNN可以显著提高住宅火灾检测系统的可靠性并减少虚假报警.
