Los incendios son uno de los accidentes más desastrosos en todo el mundo, ya que estos accidentes provocan muchas pérdidas tanto materiales como de vidas. Por eso, dar una solución rápida y eficaz debe ser una prioridad de la sociedad. Actualmente existen sistemas convencionales para la detección de incendios que generan activaciones falsas o pueden llevar tiempo en el proceso de detección, ya que están compuestos por sensores que detectan humo, temperatura o llama, por lo que necesitas un nivel de fuego para ser activado. En los últimos años, la investigación en los distintos campos de la Inteligencia Artificial ha tenido un gran avance tecnológico en lo que respecta a modelos de aprendizaje profundo que se pueden aplicar para detectar incendios.
Para aplicar estos modelos de aprendizaje profundo se debe conseguir una dataset de fuego con la cual entrenará el o los modelos de aprendizaje profundo, en este caso existe un conjunto de videos de fuego llamado Foggia (https://cutt.ly/2hKbYX3).
- Dataset Foggia
- dataset.JPG (26.6 KiB) Visto 88 veces
- Convolutional Neural Network
Las redes neuronales convolucionales han mostrado un rendimiento de vanguardia en una variedad de tareas de visión por computadora, incluida la clasificación y recuperación de imágenes, la detección de objetos, la localización y la segmentación de imágenes. Una CNN típica consta de diferentes tipos de capas de procesamiento que incluyen convolución, agrupación y completamente conectada. Estas capas están organizadas de tal manera que la salida de una capa se convierte en la entrada de la siguiente. En cada capa de convolución, se aplican varios núcleos a los datos de entrada para generar mapas de características. Las capas de agrupación seleccionan las activaciones máximas dentro de pequeños vecindarios de estos mapas de características para reducir su dimensionalidad e introducir la traslación y la invariancia de escala. Las capas completamente conectadas seguidas de pilas de capas convolucionales y agrupadas modelan abstracciones de alto nivel en los datos y sirven como representaciones de alto nivel de la entrada. Los pesos de todos los núcleos y neuronas convolucionales en las capas completamente conectadas se aprenden durante el proceso de entrenamiento y corresponden a características esenciales de los datos de entrenamiento, útiles para realizar la clasificación deseada.
En la siguiente figura podemos ver un ejemplo de una arquitectura de una Red Neuronal Convolucional.- oeooe.JPG (32.34 KiB) Visto 88 veces
- Detección de incendios - IoT
Después de entrenar al modelo podemos desplegarlo en sistemas embebidos o en sistemas de vigilancia en caso de empresas, áreas públicas o bosques. Con la finalidad de realizar una detección temprana de los incendios. El sistema que contendrá el modelo de aprendizaje profundo, realizará detección y alerta de incendios, como se ve en la siguiente figura, el cual alertará mediante canales confiables a la central de bomberos y policias.
- frame.JPG (88.53 KiB) Visto 88 veces
Los experimento que realizan las investigaciones utilizan un conjunto de datos, en este caso los videos de Foggia que contiene 62690 cuadros. Siguiendo la configuración experimental de Foggia, se utiliza el 20% de los datos de este conjunto de datos para el entrenamiento y el 80% para las pruebas. obteniendo como accuracy 94.39%, 2.13% de False-Negatives y 9.07% de False Positives en la investigación de Muhammad [2], que utiliza un CNN parecida a la de AlexNet.
En la investigación [1] utilizan como CNN a Yolo que es una arquitectura muy utilizada y obtienen un accuracy de 97%.
- res.JPG (88.56 KiB) Visto 88 veces
La aplicación de las técnicas de aprendizaje profundo a la detección temprana de incendios demuestra que es una herramienta potente para solucionar este problema que aqueja a la sociedad. Las investigaciones han demostrado que al aplicar estas técnicas en este ámbito es un reto, ya que al tener el algoritmo creado un 94.39%o 97% de accuracy, aún tienen un 9.07% de falsos positivos, ya sea por que el ambiente está iluminado, tiene sombras, objetos en movimiento de con color rojo, entre otros.
En el sentido de IoT, este es complementario a estos modelos, ya que junto a los modelos se podrá detectar y a la misma vez alerta un posible incendio.
5. Referencias
[1] Wu, Hao; Wu, Deyang; Zhao, Jinsong (2019). An intelligent fire detection approach through cameras based on computer vision methods. Process Safety and Environmental Protection, (), S0957582018314526–. doi:10.1016/j.psep.2019.05.016
[2] Muhammad, Khan; Ahmad, Jamil; Baik, Sung Wook (2017). Early Fire Detection using Convolutional Neural Networks during Surveillance for Effective Disaster Management. Neurocomputing, (), S0925231217319203–. doi:10.1016/j.neucom.2017.04.083