FireNet: A Specialized Lightweight Fire & Smoke Detection Model for Real-Time IoT Applications

论文引用：

A. Jadon, M. Omama, A. Varshney, M. S. Ansari, and R. Sharma, “FireNet: A specialized lightweight fire & smoke detection model for real-time iot applications,” CoRR, vol. abs/1905.11922, 2019.

论文地址：

https://doi.org/10.48550/arXiv.1905.11922

github地址：arpit-jadon/FireNet-LightWeight-Network-for-Fire-Detection (github.com)https://github.com/arpit-jadon/FireNet-LightWeight-Network-for-Fire-Detection

1.主要贡献

1. 提出了一个很浅的神经网络用于火焰检测，而且能达到实时检测的帧率

2. 引入并创建了一个比较好的数据集 

3. 我们还提出了一个完整的火灾检测单元的工作实现，该单元可以适当替换常规的基于物理传感器的火灾检测警报系统，同时减少错误和延迟的触发问题，同时通过提供实时的视觉反馈，以提供远程验证功能使用互联网（IoT）的警报消息的形式。

2.简单介绍

       过去的基于深度学习的火灾检测方法，仅遵循微调不同CNN（例如VGG16，Resnet，googlenet，squeezenet和Mobilenetv2）的过程。仅通过微调如此笨重的CNN的一个主要缺点是，训练后的模型太大，层数太多，因此训练后的模型无法在LowCost硬件（如Raspberry）上以足够的框架速率平稳运行以用于实时火灾检测。 

       因此，我们提出了一种称为FireNet的轻量型神经网络体系结构，适用于移动和嵌入式应用程序，该应用程序显示出对实时火灾检测应用程序的有利性能。该网络以非常令人满意的帧速率运行在不太强大的Raspberry Pi 3B上，每秒超过24帧，。设计的的神经网络具有三个卷积层和四个全连接层（包括输出  SoftMax  层）。

3.模型结构

3.1 整体结构

         本文所提出的网络的完整体系结构图如图3所示，从那里可以看出FireNet包含14层（包含pooling 层，dropout层和 SoftMax  输出层）。有三个卷积层，每个层都与pooling 和 dropout 相结合。除了最后一层，其他层中的每一层都使用  Relu函数 作为激活函数，最后一层使用Softmax函数作为其激活函数。该模型可训练的参数的总数为646,818（磁盘上的大小约7.45 MB）。

A. Architecture     

        第一层是一个卷积层，该层拍摄大小的彩色输入图像（64×64×3）。在比较各种大小的经验结果之后选择此输入大小。输入大小可以也可以增加到（128×128×3），而不会对FPS产生巨大影响。该层具有16个过滤器，卷积核核大小为（3，3）。（3×3×3×16 为  filter shape-->  卷积核的高×卷积核的宽×输入特征矩阵的深度× 卷积核个数）在随后的两个卷积层中的每一个中，我们将输入特征图保持增加一倍，保持卷积核尺寸恒定。接下来对特征图做展平处理（flatten）之后使用 256和128个神经元的全连接层。最后一层是具有两个神经元的全连接层，充当输出预测层。

B. Regularization

        我们将 dropout与卷积层以及全连接层一起使用。一般的推理趋势是dropout层仅与全连接层一起使用。但是，我们看到，当卷积层使用dropout时，神经网络的总体结果得到了改善。因此，我们选择了它。我们为卷积层选择了0.5的标准dropout值。对于随后的全连接层，dropout值为0.2。这里是因为有论文表明，过度拟合通常发生在神经网络的初始层中。

3. 数据集

https://drive.google.com/drive/folders/1HznoBFEd6yjaLFlSmkUGARwCUzzG4whq?usp=sharing

        我们的完整测试数据集由46个火灾视频（19,094帧）组成，其中包含16个非火焰视频（6,747帧）和另外​​160个具有挑战性的非火灾图像。为了使我们的测试数据集多样化，从该数据集中提取的所有帧中，我们随机对每个视频中的几个图像进行了随机采样，以形成我们的最终测试数据集，以在此工作中使用。该模型的性能非常好。

4. 效果以及结论

         在这项工作中，我们提出了一个非常轻巧的神经网络（“ Firenet”），并从头开始构建，并在非常多样化的数据集中进行了培训。完整工作的最终目的是开发物联网（IoT）能够有效替代当前基于物理传感器的火灾探测器的功能互联网（IoT），还可以减少此类火灾探测器的虚假和延迟触发问题的问题。引入的神经网络可以以每秒24帧的框架速率在Raspberry Pi 3B上平稳运行。该模型在标准火灾数据集和自制测试数据集上获得的性能（在挑战现实世界的火灾和非火灾图像中具有图像质量类似于与Raspberry Pi所捕获的图像相似的图像）准确性，精度，召回和F量非常令人鼓舞。此外，物联网功能允许检测单元在向用户发生火灾紧急情况下提供实时视觉反馈和火警警报。在未来的工作中，我们计划在更多样化的数据集上提高模型的性能。