Review Convolutional Neural Networks based Fire Detection in Surveillance Videos

by Khan Muhammad; Jamil Ahmad; Irfan Mehmood; Seungmin Rho; Sung Wook Baik

Kemajuan baru-baru ini dalam pemrosesan tertanam memungkinkan sistem berbasis visi mendeteksi tembakan selama surveilans menggunakan jaringan saraf konvolusi (CNN). Namun, metode seperti itu umumnya membutuhkan lebih banyak waktu komputasi dan memori, yang membatasi implementasinya di jaringan surveilans. Dalam artikel penelitian ini, kami mengusulkan arsitektur CNN deteksi kebakaran hemat biaya untuk video surveilans. Model ini terinspirasi dari arsitektur GoogleNet, mengingat kerumitan dan kesesuaian komputasional yang masuk akal untuk masalah yang dimaksud dibandingkan dengan jaringan komputasi mahal lainnya seperti “AlexNet”. Untuk menyeimbangkan efisiensi dan akurasi, model ini disesuaikan dengan baik sesuai dengan karakteristik target dan data kebakaran. Hasil percobaan pada dataset demonstrasi api menunjukkan keefektifan kerangka yang diusulkan dan memvalidasi kesesuaiannya untuk deteksi kebakaran pada sistem pengawasan CCTV dibandingkan dengan metode mutakhir.

Venue IEEE Access ( Volume: PP, Issue: 99 )

URL http://ieeexplore.ieee.org/document/8307064/

Kemampuan pemrosesan baru-baru ini ditingkatkan cerdas perangkat telah menunjukkan hasil yang menjanjikan dalam pengawasan sistem untuk identifikasi kejadian abnormal yang berbeda yaitu, kebakaran, kecelakaan, dan keadaan darurat lainnya. Api adalah salah satu kejadian berbahaya yang bisa mengakibatkan kerugian besar jika tidak dikendalikan tepat waktu Hal ini membutuhkan pentingnya mengembangkan sistem deteksi dini kebakaran. Karena itu, dalam hal ini artikel penelitian, kami mengusulkan deteksi kebakaran yang hemat biaya Arsitektur CNN untuk video surveilans. Model ini terinspirasi dari arsitektur GoogleNet dan disesuaikan dengan fokus khusus pada kompleksitas komputasi dan pendeteksian ketepatan. Melalui eksperimen, terbukti bahwa Arsitektur yang diusulkan mendominasi kerajinan tangan yang ada fitur berbasis metode deteksi kebakaran serta AlexNet metode deteksi kebakaran berdasarkan arsitektur. Meski, pekerjaan ini memperbaiki deteksi nyala api akurasi, namun jumlah alarm palsu masih tinggi dan Diperlukan penelitian lebih lanjut dalam arah ini. Selain itu, Kerangka deteksi api saat ini bisa cerdas disetel untuk mendeteksi asap dan api. Ini akan memungkinkan
sistem pengawasan video untuk menangani lebih kompleks situasi di dunia nyata