Resumen

La detección y gestión de incendios es muy importante para prevenir daños sociales, ecológicos y económicos. Sin embargo, lograr la detección de incendios en tiempo real con mayor precisión en un entorno IoT es una tarea difícil debido a los limitados recursos de almacenamiento, transmisión y computación. Para superar estos retos, la detección temprana de incendios y la respuesta automática son muy importantes. Por lo tanto, desarrollamos un marco novedoso basado en una red neuronal convolucional (CNN) ligera, que requiere menos tiempo de entrenamiento y es aplicable en dispositivos con recursos limitados. La arquitectura interna del modelo propuesto se inspira en la arquitectura VGG16 por bloques, con un número de parámetros, un tamaño de entrada y un tiempo de inferencia significativamente reducidos, y una precisión comparativamente mayor para la detección temprana de incendios. En el modelo propuesto, se emplean filtros convolucionales uniformes de pequeño tamaño, diseñados específicamente para capturar los detalles finos de las imágenes de incendios de entrada con un número de canales secuencialmente creciente para ayudar a la extracción efectiva de características. El modelo propuesto se evalúa en dos conjuntos de datos, como un conjunto de datos de referencia de Foggia y nuestro nuevo conjunto de datos de detección de incendios a pequeña escala con imágenes del mundo real extremadamente difíciles que contienen un alto nivel de diversidad. Los resultados experimentales llevados a cabo en ambos conjuntos de datos revelan el mejor rendimiento del modelo propuesto en comparación con el estado de la técnica en términos de precisión, tasa de falsos positivos, tamaño del modelo y tiempo de ejecución, lo que indica su robustez y su posible instalación en escenarios del mundo real.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Neurofisiología Proceso de aprendizaje
• Subjects:Artificial intelligence Data mining Genetic algorithms Neurophysiology Learning processes
• Palabras claves:modelo propuesto, detección temprana de incendios, mayor precisión, red neuronal convolucional, detección de incendios a escala, nivel de diversidad, extracción eficaz de características, menor tiempo de entrenamiento, número de canales, tiempo de detección de incendios
• Keywords:proposed model, early fire detection, higher accuracy, convolutional neural network, scaled fire detection, level of diversity, effective features extraction, less training time, number of channel, time fire detection